基于UKF-AUKF锂电池在线参数辨识和SOC联合估计

锂电池荷电状态(SOC)的精确估计是电动汽车安全行驶的保障。为了降低实际复杂工况下电池模型不契合实际电池参数时变特性造成的误差,采用无迹卡尔曼滤波算法(UKF)对电池模型进行在线参数辨识,再联合自适应无迹卡尔曼滤波算法(AUKF)估计锂电池SOC,将时变参数反馈到SOC估计的模型中,提高SOC估计精度和对各工况适应性,UDDS工况下通过与离线扩展卡尔曼滤波算法(EKF)、在线双扩展卡尔曼滤波算法(DEKF)进行比较分析,实验结果验证了UKF-AUKF的精确性和鲁棒性。     

动车组钛酸锂电池荷电状态估计

蓄电池作为应急供电电源,被广泛应用于动车组辅助供电系统中,电池的荷电状态可以反映充放电过程中电池的剩余电量,是动车组电池管理系统的重要参数.准确估计电池荷电状态,可以有效提高电池的使用效率及使用寿命.但是电池内部的化学反应复杂且难以测量,目前的电池荷电状态大多只能通过间接测量计算的方法得到.该文以中国标准动车组钛酸锂电池作为研究对象,搭建二阶RC等效电路模型,基于扩展卡尔曼滤波法(EKF)的在线辨识方法,并通过电池工况实验对比辨识精度.为克服常规卡尔曼滤波法估计过程中噪声方差固定的缺点,提出了自适应卡尔曼滤波方法(AEKF)对电池荷电状态进行估计,并在Matlab中针对动车组锂电池实际应用工况,验证了其估计电池荷电状态的准确性.     

基于二阶斯特林插值滤波器的电池SOC估计

锂离子电池荷电状态(SOC)精确估计是延长电池寿命和安全使用的关键。为了准确估计电池的荷电状态,本文采用混合二阶RC模型和二阶斯特林插值滤波算法对锂电池的SOC值进行估计。首先对混合二阶模型的锂电池动态特性跟踪性能进行了研究,随后给出了一种基于二阶斯特林插值滤波器的锂电池SOC估计算法,并在安时积分法中加入不可用容量作为新的标准值。最后用实验数据与仿真结果进行了对比。仿真和实验的结果表明,该模型能很好地体现锂电池的动态特性,且二阶斯特林插值滤波算法有着比扩展卡尔曼滤波算法更好的估计精度,而且比起EKF能更准确的跟踪锂电池的非线性程度。     

基于离散滑模观测器的锂电池荷电状态估计

锂电池的荷电状态(state of charge,SOC)估计是电池管理系统的重要组成部分,针对锂电池非线性的特性,提出了采用离散滑模观测器估计锂电池荷电状态的方法,给出了离散滑模观测器的设计方法及其稳定性证明。基于锂电池的戴维南等效电路模型,给出了该方法的设计过程,在不同的充放电电流倍率和环境温度下,进行了锂电池模型的参数辨识,通过与常用的扩展卡尔曼滤波法相比较,分析了离散滑模观测器对锂电池SOC估计的精度、鲁棒性和算法复杂度等方面的性能。实验结果表明,采用该算法可实现锂电池SOC快速精确地估计,误差可控制在约3%,验证了该方法的可行性。     

平方根采样点卡尔曼滤波在磷酸铁锂电池组荷电状态估算中的应用

荷电状态(state of charge,SOC)估算技术是锂电池管理系统中最重要的功能之一。针对磷酸铁锂电池组展开研究,以准确估计电池组中各单体荷电状态为目的,首先采用一阶戴维南(Thevenin)模型结合安时法建立综合电池模型;采用一种平方根采样点卡尔曼滤波(square root sigma point Kalman filter,SRSPKF)方法,配合在线递推最小二乘(recursive least square,RLS)算法,同时实现对电池等效模型参数的辨识以及对电池荷电状态的估算。理论上讲,SRSPKF算法使系统状态直接以其方差的平方根形式传播,可显著降低常规Sigma点卡尔曼滤波器(sigma points Kalman filter,SPKF)算法的复杂性。实验结果表明,相对SPKF而言,SRSPKF具有更强的状态估计误差抑制能力,采用SRSPKF可以获得比SPKF更准确的SOC估计结果。     

电动汽车电池管理系统的建立及SOC准确估计

以TMS320LF2407型数字信号处理器(DSP)为主控芯片,完成了电动汽车电池管理系统(BMS)平台的搭建。实现了参数检测、信息显示、安全报警和电池荷电状态(SOC)估计等主要功能。然后通过Matlab仿真研究了不同算法与不同模型的估计精度。最后通过搭建的试验平台,对磷酸铁锂电池组进行模拟工况试验,得到电池SOC估算值误差在5%以内。验证了试验平台与软件系统的可靠性、电池模型与估计算法的正确性。     

基于滑动窗自适应滤波的锂电池SOC/SOH联合估计

以锂电池电化学-电路等效组合模型为基础,研究电池荷电状态(SOC)和健康状况(SOH)联合估计算法。电池组合模型包含电化学等效模型和电路等效模型两部分,两个RC并联电路分别表示电池工作过程中的瞬态响应和稳态响应。针对电池模型参数和性能参数的非线性特征,提出基于滑动窗滤波模型的非线性参数估计方法,该方法适用于锂电池的管理系统。同时,在模型参数和性能参数估计值的基础上,提出基于Kalman算法的电池SOC/SOH自适应在线联合估计方法。实验结果显示,新算法较好地解决了锂电池非线性模型引起的计算误差,保证电池SOC/SOH估计结果的实时性和有效性。     

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。     

基于ABC-RFEKF算法的锂电池SOC估计

准确、可靠的荷电状态(SOC)估计可以为电池管理系统的安全高效使用提供保障.针对锂电池SOC估计精度不足的问题,提出人工蜂群算法(ABC)和随机森林优化EKF算法(RFEKF)分别实现电池模型的参数辨识和SOC估计.在建立双极化模型的基础上,为解决在线辨识初始误差累积的问题,采用ABC算法搜索最小模型电压误差下的全局最...     

基于复合EKF算法的锂电池组的SOC估计

动力锂电池组的荷电状态SOC估计是电动汽车能量控制的重要参数。针对串联锂电池组的SOC估计问题,利用扩展卡尔曼滤波法(EKF)和传统的安时积分法相结合(复合EKF算法)优势互补,并运用对于扩展卡尔滤波法较准确地估计电池的Thevenin模型,以电池组的最小单体电池的电压作为参考电压值,用提出的算法结合所选用的电池模型,对模拟电动车的实际工况进行电池组放电实验,证明这种复合算法不但比EKF法估计SOC准确,对误差还有一定的修正能力,而且还能满足电动车SOC准确度的需要。     

基于模糊优化决策的锂电池SOC估计

为了提高动力锂电池的使用效能和整车性能,需要准确估计动力锂电池的荷电状态(SOC),在研究分析常用SOC估计方法的基础上,根据开路电压法和卡尔曼滤波算法的特性,引入T-S模糊模型,建立了基于模糊优化决策的锂电池SOC估计方法,通过仿真验证,可有效提高锂电池SOC估计的精度。     

基于PSO-ELM的储能锂电池荷电状态估算

对锂离子电池荷电状态(SOC)进行准确估算是保证电池管理系统安全稳定运行的关键。常用的安时积分法存在累积误差,卡尔曼滤波算法需要建立精确的电池模型,神经网络法不依赖具体的锂电池模型,能够反映锂电池的非线性关系,因而受到广泛关注,然而传统神经网络估算SOC训练时间长、精度低。针对以往电池SOC估算精度低等问题,文中提出粒子群(PSO)优化极限学习机(ELM)神经网络的方法。以电池电压、电流和温度作为PSO-ELM模型的输入向量,以SOC作为输出向量。将实验获得的数据导入模型进行训练和测试,采用PSO对ELM随机给定的输入权值和隐含层阈值进行寻优。仿真结果表明,与BP神经网络的预测结果相比,文中估算SOC的方法具有更高的精度。     

基于随机片段数据的锂电池状态估计方法

针对锂电池状态估计通常只能采集到不完整的放电数据,导致难以准确判断锂电池状态的问题,提出一种基于随机片段数据的锂电池状态估计方法.以固定健康状态(SOH)差为间隔构建老化数据库,利用随机片段数据进行匹配,并采用粒子群优化算法进行求解,从而判断对应的锂电池初始荷电状态(SOC)及SOH等信息;基于二阶戴维南等效电路模型对锂电池进行建模,并对其参数进行辨识;基于状态匹配结果与所建模型,利用扩展卡尔曼滤波对锂电池SOC进行估计,获得锂电池的剩余放电时间等状态信息.利用锂电池单体放电数据进行实验验证,实验与仿真结果表明:与传统方法相比,所提方法具有较高的稳定性和准确率.     

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。     

基于神经网络的老化锂电池SOC估算方法的研究

针对锂离子电池循环次数的增加出现的老化现象以及锂离子电池性能的下降的问题,本文分析了锂离子电池老化相关参数的变化情况,建立了对应的锂离子电池等效模型并根据实际的电池数据拟合了参数的衰减曲线。同时,基于神经网络自学习的方法设计了针对老化后锂离子电池SOC估算方法。最后,通过数据证明了所提方法能够实现对老化锂离子电池的较为准确的预测。     

基于改进EKF算法的锂离子电池SOC估算方法

针对锂离子电池在变电流放电过程中荷电状态SOC(state of charge)估算精度的问题,提出了一种基于改进扩展卡尔曼滤波EKF(extended Kalman filter)算法的新估算方法。首先,通过放电实验和混合脉冲功率特性HPPC(hybrid pulsepower characteristic)实验,分析计算了等效电路模型参数;然后,利用该方法获得了该模型参数与放电倍率和SOC之间的关系,提出了一种估算SOC时在线修正开路电压和欧姆内阻的新原理和方法;最后,通过变电流放电的SOC估算结果,验证了该改进算法的可行性与有效性,从而解决了锂离子电池在复杂工况下估算精度不足的问题。     

车用动力锂电池的SOC估计

给出了动力锂电池管理系统的整体结构,并且对主控板和子控板的布局与功能进行了详尽介绍。建立了适合于Kalman滤波估计的锂离子动力电池的状态空间模型,该数学模型关系简单,易于工程实现。在此基础上,对模型进行了线性化处理,采用安时积分法、开路电压法结合扩展卡尔曼滤波(EKF)算法实现了对电池荷电状态(SOC)的准确估算。实验结果表明,EKF算法在估算过程中能保持很好的精度,对初始值的误差有很强的修正作用,在SOC估计中有很强的应用价值。     

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。