基于天牛须搜索算法的电池模型参数辨识

为实现高精度的动力电池SOC估计,需要建立准确的电池模型.针对磷酸铁锂电池平台特性,采用二阶RC等效电路建立电池的等效电路模型;用双指数函数拟合OCV与SOC的函数关系;采用双线性变换法将电池的数学模型离散化,得到可辨识的电池数学模型.为保证电池模型的精度,要对电池模型的参数进行辨识.首次提出一种基于天牛须搜索算法的电池模型参数辨识方法.用该方法对建立的电池模型进行辨识后,用Simulink对模型进行了脉冲放电与恒流放电仿真测试,并与离线测量数据进行对比,结果表明模型的最大动态误差不超过30 mV,说明该辨识方法有较高的辨识精度,建立的模型能够准确模拟磷酸铁锂电池的动静态特性.     

锂离子电池等效模型建立与参数辨识方法研究

实验以磷酸铁锂电池为研究对象,权衡准确度和复杂度选择二阶RC电路作为其等效电路模型,采用混合脉冲功率性能(HPPC)测试和最小二乘法进行参数辨识,通过充放电实验,验证模型精度。结果表明,模型仿真与实测结果之间的误差平均值约为4.304mV,最大误差为65mV,表明该模型能准确反映电池的静动态特性。     

基于PNGV电容模型的LiFePO4电池性能仿真与实验

电池的模型特性是车用电池管理系统SOC估算的重要基础。以某公司生产的60 Ah磷酸铁锂电池为对象,测定了电池的充放电特性;以选定的PNGV电容模型为基础,利用Matlab软件中Regress函数获得了充、放电方向电池模型辨识参数,并在Simulink中建立相应的仿真模型;结合复合脉冲功率(HPPC)循环实验、恒流放电实验和动态工况实验,验证了该模型具有较高的精度与适用范围,能够用于电池组动态特性的分析。     

基于PNGV电路模型的航空钴酸锂电池内阻研究

对航空钴酸锂离子电池进行PNGV建模。通过模型的建立,可依据测试出的外部变量值来估算电池的内部状态变量。实验使用HPPC(hybrid pulse power characterization)法来获取锂电池在脉冲加载和过渡过程中的各项参数。最后通过Matlab/Simulink对电池的PNGV等效模型进行仿真分析。研究表明:所选取的PNGV模型精度高,能真实地模拟电池充放电特性;在固定温度和已知SOC的情况下,模型参数能得到较准确的估计。本实验结论可为锂电池的内部状态变量估算提供理论依据。     

磷酸铁锂锂离子电池用可变参数PNGV模型

提出一种可变参数新一代汽车合作伙伴计划(PNGV)等效电路模型,结合锂离子电池的荷电状态(SOC),将欧姆电阻、极化电阻和极化电容等设置为随SOC变化的动态参数。采用混合动力脉冲功率特性(HPPC)测试分析磷酸铁锂锂离子电池,利用最小二乘法进行参数辨识。通过MATLAB/SIMULINK搭建仿真模型,发现基于可变参数的PNGV模型,平均误差为8. 68 m V,相对于传统PNGV模型的17. 76 m V更能体现锂离子电池的使用特性。     

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。     

基于改进PNGV模型的电池SOC估计算法研究

针对储能磷酸铁锂电池并根据磷酸铁锂电池电化学阻抗谱研究,提出一种双RC并联环节的改进PNGV模型,在HPPC实验下辨识模型参数。针对扩展卡尔曼滤波(EKF)算法在估计电池荷电状态(SOC)时不能实时估测噪声的缺点,将Sage-Husa自适应算法引入EKF算法得到自适应扩展卡尔曼滤波算法,并通过对噪声实时预测和修正来提高电池SOC估计精度。在Matlab/Simulink中搭建电池及SOC估计仿真模型并在模拟动态工况下进行仿真。仿真结果表明改进PNGV模型精度优于PNGV模型;自适应扩展卡尔曼滤波算法估计电池SOC时较EKF算法收敛速度更快,估计精度更高。模型及算法的改进取得较好的效果。     

动力锂电池RC等效模型辨识方法

针对动力锂电池模型难以准确估算的非线性特性,推导并建立RC电池等效模型方程,通过大量充放电实验数据,应用最小二乘法辨识出模型参数,仿真结果验证了RC等效模型的准确性。     

基于在线LS-SVM的动力电池SOC估算方法研究

荷电状态(SOC)是描述动力电池状态的重要参数之一,提高SOC估计的准确性对电动汽车电池管理系统的研究至关重要。提出一种改进的最小二乘支持向量机(LS-SVM),动态地调整模型参数,对电池的开路电压(OCV)进行在线实时估计;通过SOC与OCV的关系确定初值,采用安时积分法估算SOC;并利用OCV的偏差信息对电池SOC进行修正,有效地补偿拟合误差和安时积分法产生的累计误差。仿真实验结果表明,在线LS-SVM算法能准确地逼近实际SOC值,平均绝对误差为1.279 3%。     

脉冲大倍率放电条件下磷酸铁锂电池荷电状态估计

以磷酸铁锂电池为研究对象,针对电池在脉冲大倍率放电条件下,模型参数变化较大、荷电状态(SOC)难以准确估计的问题,以电池的二阶RC等效电路模型为基础,通过递推最小二乘算法动态辨识模型的参数,建立电池的时变参数模型。再通过时变参数模型建立电池的状态方程和观测方程,并应用二次方根容积卡尔曼算法实现电池的SOC估计。这种SOC估算方式能够适应模型的参数改变,且具有对初值误差的修正能力。经实验验证,在脉冲大倍率放电工况下,所建的时变参数模型可以准确模拟电池端电压的变化,所采用的SOC估算策略,在初值存在较大误差的条件下,依然能够准确估算出电池的SOC。     

基于VFFRLS算法的锂电池参数辨识

动力电池性能是影响电动汽车综合性能的关键因素,因此准确辨识锂离子电池模型的参数对后续电池系统的荷电状态估计和健康状态预测至关重要。为了提高锂离子电池模型参数辨识算法的精度,以磷酸铁锂电池作为研究对象,建立电池二阶RC等效电路模型,并采用基于变量遗忘因子的最小二乘算法对锂离子电池模型进行在线参数辨识。通过搭建测试平台进行充放电实验,基于2种不同工况的实验数据,分别用文中算法、递推最小二乘算法和传统的带遗忘因子的最小二乘算法进行参数辨识,根据辨识结果估计出的端口电压与实验测试得到的实际值的误差比较来描述文中算法辨识结果的准确度。实验结果表明,基于变量遗忘因子的最小二乘算法在锂电池参数辨识方面表现出快速的收敛性和较高的估计精度。     

基于SOC-OCV曲线的卡尔曼滤波法SOC估计

由于开路电压(OCV)与电池荷电状态(SOC)存在一一对应的关系,OCV在电池SOC估计中被广泛运用。提出了如何通过卡尔曼滤波法(KMF)得到各种工作状态下PNGV电池模型中各状态量的值,从而得到PNGV电池模型的实时OCV,进而通过已经获得的SOC-OCV曲线得到电池SOC的预测值方法。给出了铅碳电池建模及参数辩识的方法及步骤,建立了参数随SOC可变的铅碳电池PNGV模型,并通过模型提出了用于OCV计算的KMF,该算法能快速并准确的收敛到真实的OCV,从而实时指示SOC,仿真和实验结果显示该方法具有较好的SOC估算效果及快速的动态响应。     

基于LPV理论锂离子电池SOC估算研究

以磷酸铁锂电池为研究对象,在进行了电池特性实验的基础上确定电池电压特性以及开路电压与SOC关系。以二阶等效电路模型为基础,结合LPV理论及EKF原理,在Simulink中搭建电池仿真模型,实现了电池模型参数与SOC的联合估算,设计实验验证了模型的正确性。并嵌入整车模型模拟运行,电池SOC工作区间符合控制策略,设计的磷酸铁锂电池SOC估算方法可行有效。     

基于EKF的船舶动力锂电池剩余容量估算

在船舶锂电池储能系统(RESS)应用中,准确估计剩余容量(SOC)是储能系统安全充放电的基础,SOC无法直接测量,只能通过测量电池外电压电流,根据电池特性进行计算得到。目前,传统SOC估计算法精度低,现流行的算法存在计算复杂的问题,并对依赖于SOC初始值精度,在运用中问题重重,难以保证船舶RESS的安全、寿命和容量利用率。为提高SOC估算精度,对锂电池的等效电路PNGV模型进行试验及参数辨识,并结合拓展卡尔曼滤波(EKF)算法,测量锂电池电压及电流,综合进行SOC的估算,经试验,SOC估算精度相比传统算法得到了提高,并解决了SOC估计对初值的要求高的问题,由此证明了PNGV模型结合扩展卡尔曼滤波算法精确估计SOC的可行性。     

基于修正卡尔曼滤波SOC估算的锂电池变参数模型

现有电网侧储能系统在参与区域互联电网二次调频任务的过程中,由于其响应速率快、运行时间长,故需要建立一种能反映短时储能极化且长时运行下电池电荷状态（SOC）估算准确的电池模型。为此,本文利用自变量SOC与锂电池内部各项应变量参数的关系,提出了一种动态变参数锂电池的建模方法。首先对单体锂电池状态方程进行离散化得到参数可变的动力电池（PNGV）模型;然后采用典型储能单元级联方案对单体电池进行扩容,最后利用修正卡尔曼滤波法对模型中的SOC估算方法进行改进;最后利用MATLAB/ Simulink软件设计电池储能系统间歇性充放电实验,并在二次调频工况下对比了不同储能单元模型的差异。结果表明:本文可变参数模型在拟合实验中误差不超过1.4%,SOC估算在长时间运行工况仿真中精度比传统估算提高9.7%。本文为研究储能参与二次调频相关控制策略提供了更为精确的锂电池模型。     

锂电池SOC估算模型与参数辨识分析研究

以常用磷酸铁锂电池为实验研究对象,建立戴维宁等效电路模型。通过对锂离子电池进行充放电实验和混合脉冲功率(Hybrid Pulse Power Characteristic,HPPC)测试实验方法,分析得出了等效电路模型中各参数的辨识方法。依托Matlab软件对实验数据进行分析和处理,有效验证了模型参数辨识方法的可行性,为进一步研究估算电池荷电状态(SOC)奠定了基础。     

基于开路电压法的磷酸铁锂电池SOC估算研究

为了提高磷酸铁锂电池的安全性和使用寿命,需要对电池中最重要的参数——荷电状态(state of charge, SOC)进行有效的估算。因此,对电池SOC的估算方法进行研究,通过一种精简的开路电压法可以快速并相对准确地估算磷酸铁锂电池的SOC,相关充放电实验确定了开路电压与电池SOC的对应关系,并分别选用静置前后的开路电压对电池的SOC进行估算。结果表明在磷酸铁锂电池出色的性能基础上,这种简单快捷的开路电压法可以精确地估算其电池的SOC。     

基于Householder变换的改进最小二乘法估算电池SOC

SOC是电池最重要的参数之一,电池内部复杂的化学反应决定了电池的非线性,同时受到环境温度、充放电次数、电池老化等因素的影响,BMS很难获得较为准确的SOC估算结果。建立了磷酸铁锂电池二阶RC模型,并在此基础上提出了估算SOC的最小二乘法,将Householder变换应用于求解最小二乘法正则方程,既解决了病态问题,又降低了计算的复杂程度。试验结果表明,在复杂工况下,改进的最小二乘法精度高于现有的BMS系统,误差在可接受范围内,且易于实现。     

基于RFMRA和改进PNGV模型的锂离子电池SOC估算

提出基于渐消记忆的递推算法(RFMRA)和改进的新一代汽车合作伙伴(PNGV)等效电路模型的锂离子电池荷电状态(SOC)在线估算方法.RFMRA在传统递推最小二乘算法的基础上加入遗忘因子,使在线参数辨识能更实时地反映模型参数;在PNGV模型上串联RC回路,可更精确地体现电池特性.与离线SOC估算相比,算法的最大误差降低35.106％,平均绝对误差(MAE)降低7.21％,平均绝对值百分比误差(MAPE)降低22.42％,均方根误差(RMSE)降低25.38％.     

基于自适应卡尔曼滤波的磷酸铁锂电池荷电状态估计

磷酸铁锂电池荷电状态（SOC）用于表征电池的剩余电量,是电池管理系统的重要参数。对SOC进行准确估计有助于提高电池利用率,保证电池的使用寿命和安全。但是SOC不能直接从外部测量得到,只能通过各种间接的方法求得,因此寻求准确的电池SOC估计算法非常重要。对磷酸铁锂电池进行建模,使用14组电池充放电数据分段进行参数辨识,得到具有广泛适用性的模型参数。基于此模型,运用自适应扩展卡尔曼滤波算法进行SOC估计,克服了常用扩展卡尔曼滤波会受到噪声影响的弊端,并通过仿真分析证明了算法的优越性。