基于ASRCKF算法的锂电池SOC估算

针对平方根容积卡尔曼滤波(SRCKF)估算SOC时需要准确获得系统状态及测量噪声协方差这一缺陷,将基于电池模型输出电压残差序列的协方差匹配思想引入平方根容积卡尔曼滤波,提出了自适应平方根容积卡尔曼滤波算法(ASRCKF)。以18650型锂电池为实验对象,建立了戴维南等效电路模型,采用递推最小二乘法辨识电池模型参数,最后,利用UDDS电池实验数据对ASRCFK算法进行了仿真。实验结果表明,传统的SRCKF算法估算SOC产生的均方根误差为3.41%;而提出的ASRCKF算法估算SOC产生的均方根误差仅为0.97%,与传统算法相比具有更高的精度,对噪声的适应能力更强。     

基于扩展卡尔曼滤波的镍氢电池SOC估计

针对电池SOC估计所用安时积分法的缺陷,本文采取了EKF(扩展卡尔曼滤波)算法,在描述电池模型系统的状态方程和观测方程上应用这种算法估算SOC值。通过实验看到了,EKF算法不存在安时积分法的误差累积问题且有对错误初始SOC值的自我纠正能力,而且较为精确和稳定,其估算误差的小于5%。     

锂电SOC改进无迹卡尔曼滤波估算算法研究

传统无迹卡尔曼滤波(UKF)算法在估算锂离子动力电池荷电状态(SOC)时,常会出现由于电池模型参数不准确和无法预先获取噪声统计特性而使得估算误差增大的问题.针对这些问题,这里提出一种改进的自适应无迹卡尔曼滤波算法(AUKF):该算法通过扩充状态变量法来实现欧姆内阻在线更新,以此提高电池模型精度,并根据实时SOC估计值与真实值的误差,构造滑模观测器实现系统噪声和观测噪声的更新,降低未知噪声的干扰,最后通过不同温度下复杂工况实验,验证了新算法的估计精度和稳定性.     

电动汽车锂电池建模仿真及SOC估计研究

为了提高电动汽车用动力锂电池模型精度及荷电状态(SOC)估算精度,以PNGV等效电路模型架构为基础进行模型改进,考虑SOC估算精度主要受充放电倍率、温度及电池容量变化等的影响,结合改进模型及扩展卡尔曼滤波算法(EKF),对SOC估算输入参数进行加权修正处理,并在Matlab/Simulink中建立仿真模型。实验和仿真对比表明,改进模型能够较好地模拟电池充放电特性,与改进EKF算法的结合对SOC的估算精度较高,可将模型与算法进一步应用于电动汽车电池管理系统的研究中。     

基于AUKF算法的锂电池SOC估算

针对无迹卡尔曼滤波(UKF)算法在估算锂电池荷电状态(SOC)时忽略了系统噪声时变特性问题,导致估算精度降低,故提出了自适应无迹卡尔曼滤波(AUKF)算法.通过建立电池模型,利用UKF对SOC进行估算的同时,结合Sage-Husa自适应滤波算法时刻对系统噪声进行估计和修正,进而提高估算SOC时的精度.通过在不同工况下对...     

VCM模型下的IBAS⁃EKF锂电池荷电状态估计

为解决锂电池荷电状态(SoC)难以精确估计的问题,提出了极化电压修正模型(VCM)和改进天牛须优化扩展Kalman滤波算法(IBAS?EKF)共同实现电池SoC的精确估计.在建立3阶RC电池模型和参数辨识的基础上,使用Elman循环神经网络对模型极化电压实现在线修正和优化,形成VCM模型;采用改进天牛须搜索算法优化扩展Kalman滤波算法的系统噪声协方差矩阵和量测噪声协方差矩阵,形成IBAS?EKF锂电池SoC估计算法.在测试平台上进行城市道路循环工况试验,结果表明:基于VCM模型的IBAS?EKF锂电池SoC估计算法的各项误差指标均低于传统的SoC估计算法,估计误差在0.6％以内,效果满足实际工程要求.     

VCM模型下的IBAS⁃EKF锂电池荷电状态估计

为解决锂电池荷电状态(SoC)难以精确估计的问题,提出了极化电压修正模型(VCM)和改进天牛须优化扩展Kalman滤波算法(IBAS?EKF)共同实现电池SoC的精确估计.在建立3阶RC电池模型和参数辨识的基础上,使用Elman循环神经网络对模型极化电压实现在线修正和优化,形成VCM模型;采用改进天牛须搜索算法优化扩展Kalman滤波算法的系统噪声协方差矩阵和量测噪声协方差矩阵,形成IBAS?EKF锂电池SoC估计算法.在测试平台上进行城市道路循环工况试验,结果表明:基于VCM模型的IBAS?EKF锂电池SoC估计算法的各项误差指标均低于传统的SoC估计算法,估计误差在0.6％以内,效果满足实际工程要求.     

基于双自适应无迹卡尔曼滤波算法的锂电SOC/SOH联合估计

合理准确地估算出电池荷电状态（SOC）与健康状态（SOH）对电动汽车安全运行和能量分配有重大意义。目前锂离子动力电池状态参数的研究中,很少考虑两个参数在估算过程中的相互影响;传统无迹卡尔曼滤波（UKF）算法在应用时,常因难以真实模拟实际噪声导致估算误差增大。针对这些问题,这里以电池Thevenin等效电路模型为基础,结合改进的AUKF,提出双自适应无迹卡尔曼滤波算法（DAUKF）,实时更新计算模型参数,实现SOC与SOH的联合估算,提高算法的估算精度。最后通过实验及仿真对比,验证了该算法的可行性及估算精度。     

5基于改进型采样点卡尔曼滤波的矿用电池SOC估计

为了实时、准确地估计矿用电池SOC值,通过采用加权统计线性回归法实现模型函数线性化,将采样点卡尔曼滤波技术应用到矿用电池SOC估计中.针对有限的电池管理系统资源,基于电池状态观测复合模型的状态方程线性和观测方程非线性的特点,提出了将标准卡尔曼滤波和采样点卡尔曼滤波组合的非线性滤波算法;为了使得该算法具有应对突变状态的强跟踪能力和应对模型不准确的鲁棒性,引入了奇异值分解,采用特征协方差矩阵代替误差协方差矩阵,并基于强跟踪原理引入了次优渐消因子.仿真结果表明,基于改进型采样点卡尔曼滤波的矿用电池SOC估计算法兼顾估计精度和运算量,并具有跟踪突变状态和应对模型不准确的鲁棒性,完全适用于资源有限的矿用电池SOC估计;可见,该算法具有良好的实际应用价值.     

基于改进型采样点卡尔曼滤波的矿用电池SOC估计

为了实时、准确地估计矿用电池SOC值,通过采用加权统计线性回归法实现模型函数线性化,将采样点卡尔曼滤波技术应用到矿用电池SOC估计中。针对有限的电池管理系统资源,基于电池状态观测复合模型的状态方程线性和观测方程非线性的特点,提出了将标准卡尔曼滤波和采样点卡尔曼滤波组合的非线性滤波算法;为了使得该算法具有应对突变状态的强跟踪能力和应对模型不准确的鲁棒性,引入了奇异值分解,采用特征协方差矩阵代替误差协方差矩阵,并基于强跟踪原理引入了次优渐消因子。仿真结果表明,基于改进型采样点卡尔曼滤波的矿用电池SOC估计算法兼顾估计精度和运算量,并具有跟踪突变状态和应对模型不准确的鲁棒性,完全适用于资源有限的矿用电池SOC估计;可见,该算法具有良好的实际应用价值。     

半主动悬架的无迹卡尔曼状态观测器设计

卡尔曼滤波器是线性动态系统中应用最广泛的一种状态估计方法。在非线性系统中,扩展卡尔曼滤波(EKF)和无迹卡尔曼滤波(UKF)被广泛应用,相比扩展卡尔曼滤波器,无迹卡尔曼滤波器准确度更高、更易于实现。在车辆动力学这种强的非线性系统中,无迹卡尔曼滤波器应用广泛。设计了一种基于无迹卡尔曼滤波器的半主动悬架系统状态观测器,讨论了不准确的过程噪声协方差Q和测量噪声协方差R、及测量信号组合的选择和不准确的模型参数对状态观测精度的影响,仿真结果表明不准确的过程噪声和测量噪声协方差、不合适的测量信号选择和模型参数不准确的干扰在不同程度上降低了状态估计精度。     

改进粒子滤波算法对电动汽车电池SOC的估计

引入SIR粒子滤波算法用于估算电动汽车电池的荷电状态(State of charge,SOC),利用系统状态连续近似分布进行采样的正则化滤波算法解决了SIR粒子滤波算法多样性匮乏问题。结合安时法构建电动汽车电池的状态空间模型,进而对电池模型进行参数辨别,结合SIR粒子滤波算法和改进后的粒子滤波算法在MATLAB中进行实验仿真。仿真结果显示,随着时间的增加,SIR粒子滤波算法估算电池SOC误差会变大,改进后的粒子滤波算法估算电池SOC一直逼近真实值,比SIR粒子滤波算法精度高、适应性更好,为电动汽车电池SOC的估算提供了新思路。     

基于改进联邦滤波算法的组合导航系统的应用

针对组合导航系统中联邦滤波信息融合算法在滤波精度和容错性能等方面存在的不足,提出了一种基于以捷联惯导系统(SINS)为公共主系统,全球定位系统(GPS)和多普勒测速系统(DVL)为辅助子系统的改进联邦滤波算法的组合导航系统。介绍了卡尔曼滤波原理与信息融合算法的特点,基于联邦滤波器的组合形式详细阐述了联邦滤波器设计步骤,将改进量测噪声协方差阵的自适应联邦滤波器应用到SINS/GPS/DVL组合导航系统中,并对此系统进行了MATLAB仿真。仿真结果表明,相较于标准联邦滤波器算法,该文设计的基于改进量测噪声协方差阵的自适应联邦滤波器能明显提高组合导航系统的滤波精度和可靠性。     

融合GM(1,1)先验估计的扩展卡尔曼SOC估算

锂电池荷电状态(State of Charge,SOC)估算是电池管理系统(Battery Management System,BMS)的关键,准确估算SOC对合理使用动力电池、推动电动汽车的发展有重要意义。为避免安时积分法对SOC估算造成随时间累积的误差,以及在驱动参数设置不科学的情况下,扩展卡尔曼启动阶段性能差等问题,提出融合GM(1,1)先验估计的扩展卡尔曼SOC估算策略。在初始阶段使用安时积分来估算SOC值作为GM(1,1)模型的原始数据序列,以GM(1,1)模型替代EKF算法中的先验估算,保证状态估算的优良启动性能以及加快收敛速度,结合实时观测值对先验状态进行修正,随着迭代次数增加,后验估算值逐步淘汰GM(1,1)模型原始数据序列中的值,使得估算值主要依赖于实施监测实时检测的修正。实验结果表明,该方法有效提高了SOC估算精度,其估计精度在2%内,为电池管理系统的搭建与锂电池组的均衡提供了判断依据。     

鲁棒渐消CKF及其在SINS初始对准中的应用

惯性导航系统正常工作前需进行初始对准,容积卡尔曼滤波(CKF)是常用的非线性初始对准算法。针对在滤波模型失准和非高斯观测噪声干扰情况下常规CKF出现精度下降甚至发散的问题,提出了鲁棒渐消CKF算法。引入多重渐消因子对观测噪声协方差阵或状态预测协方差阵进行调整。设计了基于滤波残差序列统计特性的滤波状态卡方检验方法,检测滤波器状态并自主确定渐消因子的引入方式,使渐消因子的引入更加合理。试验结果表明,算法在系统建模失准及异常量测噪声的干扰下能够保持较强的鲁棒性和自适应性,其姿态失准角误差约为0.01°,航向失准角误差小于0.1°。     

蓄电池SOC估算方法概述

电池荷电状态(State of Charge,SOC)作为电池状态重要的评价指标,很难通过直接测量获得。传统方法通过物理指标侧面估算SOC的大小,存在一定的局限性。因此,研究拓展卡尔曼滤波法(Extended Kalman Filter,EKF)、BP神经网络(BP Neural Network)以及模糊控制方法等估计SOC值的方法,分析各种方法的实现过程及优缺点,提出了一种BP和EKF相结合的方法用于SOC值的估计。该方法可提高EKF的收敛性,并增加了SOC值估计的准确度。     

基于多时间尺度的锂离子电池状态联合估计

荷电状态(SOC)和健康状态(SOH)估计是锂离子电池管理系统的关键技术。针对SOH退化情况下电池模型参数和容量参数发生改变影响SOC长期估计性能的问题,提出了基于多时间尺度的锂离子电池SOC-SOH联合估计方法。建立多时间尺度状态空间方程,构建SOC-SOH与电池模型参数间多维度空间插值曲面,基于无迹粒子滤波算法实现锂离子电池状态联合估计。根据SOH估计结果更新用于SOC估计的电池模型参数和容量参数,在SOH估计中以在线健康因子作为系统观测量实现在线联合估计。实验结果表明,在锂离子电池全寿命周期中,相较于未考虑SOH退化情况,方法在SOC估计的最大误差、平均误差和均方根误差方面有明显降低,较好地提升了SOC的长期估计性能。     

基于指数冻结因子的锂电池SOC估算算法

纯电动汽车的荷电状态(SOC)表示电池组的剩余电量,其直接决定着驾驶员对电动车车剩余里程及对充放电等的判断。由于扩展卡尔曼滤波(EKF)法时其将其中的噪声按均值为零的高斯白噪声处理,因而使SOC估算精度不高乃至出现滤波发散。为防止该类情况发生,提出了一种基于指数冻结因子自适应滤波算法;该算法在Sage-Husa自适应扩展卡尔曼滤波(SHEKF)法的基础上引入发散判据,当有状态变量估算误差变大而发散时,对卡尔曼增益矩阵构造一个自适应指数冻结因子,有效防止了滤波发散,提高了系统稳定性。通过同传统的扩展卡尔曼滤波(EKF)法相比较,试验验证结果表明新方法具有更高的估算精度以及对滤波发散的有效控制。     

基于Peukert方程的动力电池荷电状态卡尔曼滤波估计算法

电池荷电状态（SOC）受到温度、电流、循环寿命等因素的影响,Peukert方程是一种很好的计算电池容量方法。传统Peukert方程没有考虑温度的影响,而温度变化会导致Peukert方程常数n和K的变化。因此,建立了基于温度和电流变化的Peukert方程,利用安时法和复合电化学模型建立电池模型状态方程和测量方程,采用扩展卡尔曼算法实现电池荷电状态动态估算。结果显示,基于温度修正Peukert方程的镍氢电池荷电状态估计算法精度比传统安时法提高7%~8%。     

基于无迹卡尔曼航空锂电池的SOC估算系统

针对放电条件下,航空锂电池的放电情况,考虑了电流及温度对极化参数的影响的电池模型。电池电荷状态(State of Charge,SOC)对于电池是十分重要的性能,为了精准估计航空锂电池的电池电荷状态(State of Charge,SOC),尝试使用无迹卡尔曼滤波(UKF)对航空锂电池的SOC进行估算,无迹卡尔曼滤波是一种新型的滤波估计算法。UKF以无损变换变换为基础,摒弃了对非线性函数进行线性化的传统做法,采用卡尔曼线性滤波框架,对于一步预测方程,使用无迹(UT)变换来处理均值和协方差的非线性传递,就成为UKF算法。UKF是对非线性函数的概率密度分布进行近似,用一系列确定样本来逼近状态的后验概率密度,而不是对非线性函数进行近似,不需要求导计算Jacobian矩阵。UKF没有线性化忽略高阶项,因此非线性分布统计量的计算精度较高。在simulink上建立航空锂电池的等效电路模型,进行仿真实验。仿真实验表明该算法SOC估算精度误差稳定在百分之五左右。