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%。     

基于二阶近似扩展卡尔曼滤波的锂离子电池 SOC估计

为提高电池荷电状态(SOC)估计的准确性,更高阶的扩展卡尔曼滤波(EKF)算法被用来估计SOC值。首先建立锂离子电池一阶Thevenin等效电路模型,采用样条函数来表述开路电压(OCV)和SOC值的函数关系。为更加精确地识别等效电路模型参数,提出一种新的带有可变遗忘因子最小二乘法(VFFRLS)的算法来在线识别模型参数。由于VFFRLS解的精度依赖于算法初始值的设定,为此采用改进粒子群算法求得模型初始参数值,进而得到更加精确的VFFRLS初始值。最后采用二阶EKF来估计电池的SOC值,以此提高估计精度。两组不同的数据集用来证明二阶EKF估计SOC值具有普适性。实验结果表明,二阶EKF在估计不同工况条件下的SOC值时,平均绝对误差(MAE)都保持在1%以内,由此证明了所提方法的有效性。     

基于扩展卡尔曼粒子滤波算法的锂电池SOC估计

锂电池荷电状态用来描述电池剩余电量的多少,进而反映电动汽车的续驶里程,是电池管理系统中的核心参数。电池循环次数、瞬间大电流以及温度等因素都会使电池特性发生变化,使用扩展卡尔曼滤波算法对电池荷电状态进行估计,会有较大的误差甚至导致算法不收敛。为了有效地抑制发散以及噪声的影响,基于锂电池混合噪声模型,应用扩展卡尔曼粒子滤波算法对锂电池荷电状态和电流漂移噪声进行同步估计。最后根据充放电试验数据进行仿真分析,结果证明了该算法的优越性。     

基于卡尔曼滤波的磷酸铁锂电池SOC管理系统研究

针对电池电量检测效率与精度的问题,设计一种基于卡尔曼滤波算法的电池电量管理系统。该系统用卡尔曼滤波算法精确估测电池电量初始值,用安时法进行过程控制,并加入温度补偿,有效提高了实用环境下电池电量管理系统对SOC的估测效率与精度。与基于开路电压法和安时法的系统相比,该系统具有估测精度高,控制准确稳定,环境适应性强等特点,能够满足电池电量管理的实时性与准确性的需要。     

基于扩展卡尔曼滤波的电动汽车锂离子电池SOC估算

新能源汽车的高速发展主要依赖于动力电池技术水平的突破,动力电池管理系统(BMS)是其关键技术所在。动力电池荷电状态(SOC)是动力电池的重要参数,该参数可表示电池所剩容量的多少,是动力电池管理系统(BMS)对动力电池进行能量管理和控制的关键参数,同时对新能源整车动力系统控制提供主要依据。本文根据锂离子动力电池的基本工作原理,建立二阶RC的等效电路模型,应用由卡尔曼滤波算法(KF)更新后的扩展卡尔曼滤波算法(EKF)对锂离子动力电池SOC进行估计计算,发现该算法具有较高精度,且预估能力较强。     

基于扩展卡尔曼滤波法的锂离子电池SOC估算

SOC(State of Charge)的准确估算可以为整车控制提供良好的判断依据,本文采用扩展卡尔曼滤波法,基于戴维南(Thevenin)模型对锂离子电池SOC的估算进行了研究。并通过工况实验,在MATLAB环境下对该算法进行了仿真验证,结果证明扩展卡尔曼滤波法可以有效跟踪锂离子电池SOC的变化,并且抗干扰能力强,具有较高的控制精度。     

基于扩展卡尔曼滤波的车用锂离子电池SOC估算

锂离子电池荷电状态(SOC)作为电池重要的内部参数之一,为电池管理系统(BMS)功能实现提供了重要依据。车用锂离子电池为典型的非线性系统,使用锂离子电池时的过充电、过放电、瞬间大电流以及温度等因素都会让电池特性发生不可逆转的变化。以卡尔曼滤波为理论基础,结合复合电池模型,提出基于扩展卡曼滤波的锂离子电池SOC估算方法,添加与电池温度有关的容量校正模型以及和库仑效率有关的电流效率模型,实现对SOC估算校正。并通过仿真进行了验证,证明该模型具有精度高、抗干扰能力强的优点。     

基于UKF滤波的自主移动机器人锂电池SOC估计

准确估计剩余电量(state of charge,SOC)关系到自主移动机器人(AMR)的生存与安全,是AMR研究中所面临的主要挑战之一.针对广义卡尔曼滤波估计SOC的不足,本文给出基于无色卡尔曼滤波(UKF)估计AMR锂电池SOC的新方法.通过试验对UKF和EKF进行了比较.试验验证了同样条件下,UKF比EKF具有更好的滤波估计精度.     

基于局部模型网络的锂电池SOC估计方法

锂电池的荷电状态(SOC)是电池管理最重要的参数,准确的SOC估计对保证电池运作的安全性至关重要。传统基于数据驱动的SOC估计法,如神经网络,在可解释性、参数整定方面表现不足。本文提出一种基于局部模型网络和天牛须搜索优化组合的SOC估计法。首先,借助局部模型网络描述复杂非线性系统的能力和其作为灰箱模型的可解释性,将模型的工况空间分解为多个可以用简单模型表示的局部子区间,再用调度函数组合为最终的模型。其次,在网络的训练过程中,采用天牛须搜索优化算法确定分裂空间上的最佳分裂方位,很好的兼顾了模型辨识的精度和运算复杂度。最后,在锂电池动态特性数据集上与已有文献中的SOC估计法进行了对比试验,本文所提出的方法在简单工况的训练集上的RMSE误差小于0.4%,在复杂工况的测试集上的RMSE误差小于0.9%,在不同温度上的表现也相对平稳,总体展现出较高的辨识精度及泛化能力。这一特点在实测的数据集上也得到了进一步验证。     

基于容积卡尔曼滤波融合的锂离子电池SOC估计

锂离子电池荷电状态(SOC)的准确估计对新能源汽车的能量管理和续驶里程计算尤为重要。就一段估计区间而言,尽管自适应5阶容积卡尔曼滤波(AHCKF)的总体精度通常比自适应容积卡尔曼滤波(ACKF)的更高,但在估计过程中二者的精度优劣是不断变化的。为了进一步提高SOC估计的精度,提出了一种基于不同阶次容积卡尔曼滤波融合的SOC估计算法。为评估融合算法的表现,本文采用该算法与NASA提供的电池随机充放电使用工况数据进行SOC估计。结果显示,所提出算法能够较大程度地减小SOC估计的误差。相对ACKF与AHCKF,平均绝对误差分别减少了26.39%和11.67%,均方根误差分别减少了20.21%和6.25%。     

基于EKF的AMR锂电池SOC动态估计研究

AMR在科研和军事方面的应用决定了其需要一个能够准确、实时估计出锂电池SOC的估计值.由于AMR工作中的放电具有很强的动态性,使得传统估计方法用于锂电池SOC的动态估计效果很不理想.本文描述了EKF方法在AMR锂电池SOC动态估计中的应用.模拟AMR工况进行动态放电试验.试验结果表明,该估计方法能够实时而准确地得到SOC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。     

双卡尔曼滤波算法在锂电池SOC估算中的应用

以在线估计锂离子电池组的荷电状态(SOC)为目的,建立了双卡尔曼滤波(DEKF)算法.以Thevenin电池模型和卡尔曼滤波算法为基础,对电池模型建立了状态空间表达式.分别采用最小二乘法和DEKF算法对该模型参数进行辨识,提高了该模型的精度,使电池模型能够较好地反映电池内部的真实状态.介绍了双卡尔曼滤波算法在线估算荷电状态的原理,并设计了相关的电池测试实验.实验结果表明在不同的工况环境下,该算法在线估计SOC具有较高的精度和对环境的适应度,最大误差小于4.5％.最后,验证了DEKF算法具有较好的收敛性和鲁棒性,可以有效解决初值估算不准和累积误差的问题.     

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.     

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...     

基于自适应扩展卡尔曼滤波的分布式驱动电动汽车状态估计

纵向车速和质心侧偏角是车辆主动安全控制系统的关键参考状态信号,通常采用卡尔曼滤波算法估计。当系统噪声和测量噪声的统计特性存在不确定性时,不仅估计精度会降低,甚至导致估计器发散。结合分布式驱动电动汽车4个车轮转矩和转速可直接测量的特点,提出一种车辆状态自适应扩展卡尔曼滤波估计方法。基于量纲一化新息平方实现车辆状态估计有效性检测,提出滑动窗口长度自适应调整规则;根据新息统计特性提出卡尔曼滤波增益和状态估计误差协方差矩阵的自适应调整策略,及基于车辆状态估计稳态误差和动态响应速度的自适应参数确定原则。数值仿真和试验证明,所提出的车辆状态估计方法,不仅估计精度较高,而且实时性和易用性较强。     

基于扩展卡尔曼滤波的锂离子电池荷电状态估计

针对电池荷电状态（SOC）难以准确估计的问题,采用扩展卡尔曼滤波方法来提高SOC的估计精度。首先以磷酸铁锂电池为研究对象,建立了电池的PNGV等效电路模型,并采用充放电实验和离线辨识的方法得到模型中的参数,得到了开路电压、欧姆内阻、极化内阻和极化电容与SOC的多项式函数关系;然后,对模型进行验证,并分析了模型的准确性;最后,在实际工况下,运用扩展卡尔曼滤波方法估计锂离子电池的SOC值,并与安时法计算的SOC值进行比较。结果表明,PNGV模型结合扩展卡尔曼滤波方法估计的锂离子电池SOC值的最大误差仅为2.78%,提高了电池SOC的估计精度。     

改进卡尔曼滤波的融合型锂离子电池SOC估计方法

荷电状态(SOC)估计对于锂离子电池充放电优化控制、任务规划、可靠性提升等均具有重要价值,针对广泛应用的卡尔曼滤波(KF)一类方法存在的参数设置无具体标准、模型性能随工况环境改变而适应性降低等问题,提出一种噪声方差可变卡尔曼滤波方法(VVKF)的SOC估计算法,该算法每次迭代时估计并设定最适应当前系统状态的的噪声方差,克服了KF噪声方差初值依靠人为经验设定而造成精度下降的问题,同时采用最小二乘支持向量机作为KF的量测方程,通过建立样本库的方式克服电池型号以及工况改变对SOC估计精度的影响。采用马里兰大学CACLE中心锂离子电池数据集的实验证明了VVKF较KF性能的提升以及SOC估计的有效性。     

AHRS姿态估计的迭代扩展卡尔曼滤波方法

针对现有滤波方法在低成本航姿参考系统(AHRS)姿态估计应用中存在准确性不足的问题,本文提出一种非线性滤波求解的姿态估计方法.根据四元数姿态表示原理与传感器测量输出模型构建了基于AHRS系统直接形式姿态估计的非线性状态空间模型,采用迭代扩展卡尔曼滤波方法进行滤波求解,实现了对姿态四元数与传感器偏差的实时估计.通过MPU...     

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。