基于深度学习的锂离子电池SOC和SOH联合估算

锂离子电池常被作为储能元件以实现电能的存储和转化,然而其荷电状态(state of charge,SOC)和健康状态(state of health,SOH)无法被直接测量。为了实现锂离子电池SOC和SOH联合估算,该文分析SOC和SOH之间的关联性,并提出一种基于深度学习的锂离子电池SOC和SOH联合估算方法。该方法能够基于门控循环单元循环神经网络(recurrent neural network with gated recurrent unit,GRU-RNN)和卷积神经网络(convolutional neural network,CNN),利用锂离子电池电压、电流、温度,实现锂离子电池全使用周期内SOC和SOH的同时估算,而且由于将锂离子电池的SOH估算值考虑到SOC估算中,能够消除锂离子电池老化因素对锂离子电池SOC估算造成的负面影响,从而提升SOC估算精度。两个锂离子电池测试数据集上的实验结果表明,提出的估算方法能够在不同温度和不同工况下实现锂离子电池全使用周期SOC和SOH联合估算,且获得较高的精度。     

基于综合型卡尔曼滤波的锂离子电池荷电状态估算

针对锂离子电池的荷电状态(SOC)估算问题,给出一种综合型卡尔曼滤波算法。该算法采用递推最小二乘算法(RLS)对锂离子电池模型参数进行实时在线辨识和参数更改;采用综合型卡尔曼滤波器估计电池SOC,即针对模型状态空间方程中的线性部分和非线性部分,分别使用线性卡尔曼滤波器(KF)和平方根高阶容积卡尔曼滤波器(SHCKF)计算。两种卡尔曼滤波器结合的综合型策略能够有效减小计算复杂度。其中,SHCKF结合了五阶球面-径向容积法则和平方根滤波技术,比扩展卡尔曼滤波器(EKF)、无迹卡尔曼滤波器(UKF)和容积卡尔曼滤波器(CKF)等传统非线性滤波器的估计精度更高,数值稳定性更强。实验结果证明了该综合型算法的可行性和有效性。     

基于多模型自适应卡尔曼滤波器的电动汽车电池荷电状态估计

基于电池的戴维宁(Thevenin)模型,设计了多模型自适应卡尔曼滤波器,并将多模型自适应卡尔曼滤波器应用于电动汽车电池荷电状态(state-of-charge,SOC)估计。由于老化电池是未知系统,利用传统的单一模型卡尔曼滤波器估计老化电池SOC时,因模型不准确而使估计误差增大。与单一模型滤波估计相比,多模型滤波估计融合了电池的各种老化信息,适合于未知系统的状态估计,从而提高了SOC的估计精度,并通过实验证明了上述结论的正确性。利用多模型自适应卡尔曼滤波器估计电池SOC,老化电池的模型与权值最大的单一模型较接近,根据单一模型权值可以近似估计出老化电池的健康状态(state of health,SOH),并通过电池容量测量,证明了SOH估计的正确性。     

基于KF-SRUKF算法的锂离子电池荷电状态估计

荷电状态(SOC)估计对于锂离子电池的可靠安全使用至关重要。在SOC估计中,平方根无迹卡尔曼滤波器(SRUKF)适用于非线性方程变量的有效估计,对线性状态方程并不适用。针对这一问题,本文提出将线性卡尔曼滤波器(KF)与平方根无迹卡尔曼滤波器(SRUKF)组成的KF-SRUKF算法应用于电池SOC估计的方法。本文首先建立了基于二阶RC等效电路模型,采用双环递推最小二乘法(BLRLS)进行模型参数辨识,然后根据所提算法进行SOC估计。通过电池测量设备和专用软件组建的电池测试平台进行了算法验证,结果表明,所提改进算法在提高SOC估计精度的同时也有效地减小了计算量。     

基于UKPF算法的锂离子电池SOC估算

电池在工作时电流变化剧烈,使用传统无迹卡尔曼算法(UKF)估算电池荷电状态(SOC)时有较大误差.为了提高SOC估算精度,基于锂离子电池混合噪声模型,利用粒子滤波算法对无迹卡尔曼的滤波进行修正,得到无迹卡尔曼粒子滤波算法(UKPF),并用该方法来估算锂离子电池的SOC.实验结果表明,UKPF算法SOC的估算误差小于2.1％,明显优于UKF和PF算法.     

基于改进DEKF锂离子电池容量与SOC协估计

为解决矿井复杂环境下电机车锂离子电池的过充或过放对电池产生不可逆的容量损耗问题,提出一种基于有限差分双扩展卡尔曼滤波(FDDEKF)矿用电机车锂离子电池容量与荷电状态(SOC)协估计框架。针对扩展卡尔曼滤波器(EKF)线性化误差问题,采用有限差分改进DEKF。基于二阶电阻-电容(RC)模型,利用遗忘因子递推最小二乘法(FFRLS)进行模型参数辨识,基于时变的模型参数,利用改进DEKF对容量和SOC在分离时间尺度上实时在线估计。不同工况下实验结果表明,该方法能有效提高电池SOC的估计精度,与恒流工况相比,该方法在动态电机车工况下更适用,SOC估计均方根误差降低了0.65%,SOC估计最大绝对误差降低至0.38%。     

基于FF-MILS和UKF算法的锂电池SOC估算

为了建立精确的锂离子电池模型,在线监测电池的荷电状态(SOC),采用二阶等效电路模型,通过实验数据拟合开路电压(OCV)与荷电状态的对应关系.选用遗忘因子多新息递推最小二乘法(FF-MILS)为在线辨识算法完成对锂离子电池在线模型参数估测,同时将所得模型参数传入卡尔曼滤波器,完成对动力电池荷电状态的估算.在MATLAB...     

一种多采样率EKF的锂电池SOC估计

为了准确估算出锂离子电池的荷电状态(SOC),采用多采样率的扩展卡尔曼滤波算法(MREKF),建立了二阶RC的电池的等效电路模型,对磷酸铁锂电池进行充放电实验,并根据实验数据进行参数辨识,获得等效电路模型的参数。根据电路模型建立电池的状态方程,分别使用安时法,单采样率的扩展卡尔曼算法和多采样率的扩展卡尔曼算法对电池的SOC进行估计,并用Matlab仿真,对比了三种算法,实验和仿真结果表明MREKF能更精确地估算出SOC。     

基于电化学模型的锂离子电池荷电状态估计方法综述

荷电状态(SOC)的准确估计是电池管理系统的重要功能之一.当前,基于模型的方法是实现锂离子电池SOC估计最常用的解决方案.相比于等效电路模型(ECM),由于电化学模型(EM)能够实现耦合电化学机理的SOC估计,逐渐成为下一代高级电池管理系统的研究重点.然而,现有基于模型的锂离子电池SOC估计方法的研究大多集中在ECM上...     

考虑环境温度影响的锂离子电池改进双极化模型及其荷电状态估算

建立准确合理的锂离子电池数学模型,精确估算锂离子电池(LIB)终端电压及荷电状态(SOC)对于开发高效实用的电池管理系统十分重要.首先,该文建立一种改进的环境温度依赖的锂离子电池双极化(DP)模型.然后,基于锂离子电池的动态实验数据,利用遗忘因子最小二乘法(FFLS)对该锂离子电池模型关键参数进行辨识,并将其拟合为环境温度的连续函数.同时,根据扩展卡尔曼滤波(EKF)算法,提出一种适用于不同环境温度的锂离子电池荷电状态估计方法.最后,采用?10℃、20℃和50℃下动态压力测试(DST)和US06循环工况的实验数据,对该文的锂离子电池模型进行仿真分析和验证.结果表明,该文提出的改进DP模型能够准确反映环境温度对模型参数的影响,且在电池终端电压和SOC估算方面具有较高的精度和较宽的温度适用范围.     

改进锂离子电池主动均衡充电控制方法

电动汽车的主要驱动动力是锂离子电池,当前电池充电均衡技术的不成熟成为制约电动汽车普及化的最大难题,从而严重影响了电动汽车的性能。设计一种以双向Buck-Boost拓扑为主电路的主动均衡控制系统,采用神经网络与无迹卡尔曼滤波器(UKF)相结合的估算方法估计荷电状态(SOC),并以SOC作为主要的均衡判据,提出了一种改进主动均衡控制策略,实现了锂电池组在充电过程中的主动均衡,并通过MATLAB仿真分析。实验结果表明:电池组能够较好地完成各单体电池间的能量均衡,所改进的主动均衡控制方法可以更加有效快速地达到均衡目标,同时能量损耗较少,证明了该方案的可行性。     

基于改进Thevenin模型锂电池SOC估算方法

针对纯电动汽车锂离子电池荷电状态(SOC)在环境温度和放电电流变化较大的情况下估算精度较低的问题,采用了一种基于改进Thevenin模型的扩展卡尔曼滤波算法(EKF)。根据电池性能模型,把电池容量作为状态变量,把影响SOC估算精度的环境温度和放电电流作为修正量,采用扩展卡尔曼滤波算法提高SOC估算精度。实验结果表明,该方法提高了SOC估算精度,可用于电动汽车电池管理系统。     

基于自适应递推最小二乘法与无迹卡尔曼滤波的电池SOC估算

为了建立精确的锂离子电池模型,并在其基础上实时且有效的监测电池的状态。综合考虑采用二阶等效电路模型,在递推最小二乘法的基础上加上自适应因子完成对锂离子电池在线模型参数估测,与此同时将所得模型参数传入卡尔曼滤波器,完成对动力电池的荷电状态(SOC)的估算。在MATLAB中实现该算法的编程,把电池综合测试仪对锂离子电池采样所得电流、电压、容量等实验数据导入算法进行仿真。仿真结果表明,该算法迅速收敛初值误差,并在稳定状态下最大误差不超过2. 5%,验证了该算法的有效性以及对外界干扰的鲁棒性,可以用以实现对车用锂离子电池状态的准确估算。     

基于分数阶模型的锂离子电池SOC与SOH协同估计

锂离子电池荷电状态(SOC)和健康状态(SOH)的精确估计对电动汽车稳定运行十分重要.以精确估计电池SOC和SOH为目标,提出了一种基于分数阶模型的协同估计算法.建立基于二阶RC电路模型的分数阶电池模型,采用自适应遗传算法(AGA)辨识模型参数,利用分数阶扩展卡尔曼滤波(FOEKF)算法估计SOC,并结合自适应无迹卡尔曼滤波(AUKF)算法估计SOH,迭代更新内阻与SOC进而实现SOC与SOH精确的协同估计.在城市道路循环工况(UDDS)下使用Matlab工具验证和对比了算法精度,平均误差均控制在2％以内.结果表明,该协同估计算法能够精确估计电池SOC和SOH,为电池状态估计提供了一种方法.     

利用信息融合技术的储能锂离子电池组SOC估算

在电池储能系统的实际工程中,电池组荷电状态(state of charge,SOC)估算精度越来越受重视。电池组容量、运行环境、循环时间和充放电倍率等都将影响电池组的SOC估算精度,采用单一的电池模型和数据模型很难获得准确的SOC。提出了一种基于信息融合技术的锂离子电池SOC估算方法,主要基于开路电压(open circuit voltage,OCV)-SOC曲线进行。根据锂离子电池运行特性,把OCV-SOC曲线空间划分为锂电池稳定运行区间、识别校正区间、过充区间和过放区间,并据此重新定义锂离子电池运行模式。然后根据其运行模式,在不同运行区间内对锂电池的估算模型进行切换和优化。采取基于信息融合的SOC估算方法,不断修正消除估算模型在运行状态下产生的各种误差,得到较为精确的SOC估算值。最后搭建实验平台,以某储能电站的实际储能工况对该算法进行实验验证,结果表明,上述SOC估算算法在实际锂电池储能系统应用中具有较强的可行性和实用性。     

基于无迹粒子滤波的车载锂离子电池状态估计

传统的无迹卡尔曼滤波(UKF)和粒子滤波(PF)算法估计动力锂离子电池的荷电状态(SOC)时,常会出现电池模型参数不准确或粒子退化等问题导致估计精度差甚至系统发散等现象。为解决粒子匮乏和噪声干扰等问题,提出一种改进的估计算法——无迹粒子滤波算法(UPF)以实现SOC的精确估计。运用无迹卡尔曼算法为每个粒子计算均值和协方差,解决粒子滤波技术中粒子退化的问题。通过锂离子电池充放电实验,对等效模型进行辨识,最后在脉冲充放电和UDDS动态工况下对该算法进行测试验证。实验结果证明,基于二阶RC等效电路模型的UPF算法能显著提高SOC估计的实时性和精确性,其SOC估计精度在2%以内,收敛速度在250 s内。     

基于扩展卡尔曼滤波算法的锂离子电池的SOC估算

为了精确估算锂离子动力电池的电池荷电状态(State Of Charge,SOC),在分析影响SOC估算精度的主要因素以及传统SOC估算方法的优缺点的基础上,提出一种改进的安时积分法,对影响SOC估算的主要因素进行参数修正.该算法采用基于简单电化学模型的组合电池模型,结合扩展的卡尔曼滤波(Extended Karlman Filter,EKF)算法对SOC进行估算.对比结果表明,在SOC的估算过程中能够保持很好的精度.     

基于DAUKF的锂电池SOC值和SOH值的估算研究

为提高锂离子电池荷电状态(state of charge,SOC)值和健康状态(state of health,SOH)值的估算精度,基于二阶戴维南等效电池模型,提出双自适应无迹卡尔曼滤波(double adaptive unscented Kalman filter,DAUKF)算法。通过AUKF1和AUKF2这2个滤波器,可以同时计算出电池的SOC值和电池内阻,内阻既可以更新电池的模型参数,又可依靠函数关系,估算出电池的SOH值。仿真结果表明,DAUKF能够准确估算出SOC值和SOH值,精度保持在2%以内,由此验证了该方法的可行性和精确性。     

基于自适应卡尔曼滤波的矿用救生舱动力电池SOC估计

磷酸铁锂动力电池是矿用救生舱的重要组成部分,其电荷状态(SOC)估计的准确性直接影响避难人员的安危。针对电池SOC常用估算方法的不足,提出一种基于自适应卡尔曼滤波的矿用救生舱动力电池SOC估算方法。在电池特性分析的基础上,建立了更符合实际的改进二阶RC等效电池模型和电池的状态空间模型。通过脉冲放电实验和改进的带遗忘因子递推最小二乘算法,对模型参数进行在线辨识,并将自适应卡尔曼滤波算法(AKF)用于此模型,在线估计电池的SOC。实验结果表明:AKF可以实时修正模型误差,实时估计SOC的动态变化,估算精度高,能够满足矿用救生舱电池管理系统的要求。     

基于BP神经网络法估算动力电池SOC

精确估计电动汽车用动力锂离子电池荷电状态(SOC)对于电动汽车的续航里程的估计和动力电池的安全保护具有重要的意义。针对锂离子电池的非线性关系,采用BP神经网络法来估算SOC。以3.2 V/100 Ah的磷酸锂铁电池为研究对象,在恒温条件下采用Arbin BT2000系列的充放电测试仪进行充放电实验采集原始数据,并将数据导入到神经网络模型中去训练和验证。验证结果表明:用BP神经网络法估算SOC的误差能控制在5%以内,验证了模型的准确性,为相似的SOC估计算法的改进提供参考和依据。