基于参数在线辨识和SVD-UKF的锂电池SOC联合估计

锂电池的荷电状态(SOC)是电池管理系统的核心参数,准确的SOC估计对电动汽车的安全运行至关重要。针对因电池模型参数固定导致锂电池SOC估计精度不高和误差协方差非正定导致传统无迹卡尔曼滤波算法估计SOC失败的问题,提出基于参数在线辨识和SVD-UKF的锂电池SOC联合估计算法。该算法使用变遗忘因子递推最小二乘法实现电池模型参数的在线辨识,通过基于奇异值分解的无迹卡尔曼滤波算法(SVD-UKF)实现电池SOC的估计。在联邦城市运行工况下对联合估计算法进行验证,实验结果表明,联合估计算法可将SOC估计误差控制在1.53%以内,能够有效提高SOC估计的准确性和稳定性。     

基于无迹卡尔曼滤波单液流锌镍电池SOC估计

针对单液流锌镍电池荷电状态估计(SOC)还未较有为完善的解决方案,提出一种基于无迹卡尔曼滤波(UKF)算法的单液流锌镍电池SOC估计.对单液流锌镍电池工作原理进行介绍,建立单液流锌镍电池二阶等效电路模型,并对电池内部参数进行辨识,通过利用扩展卡尔曼滤波算法(EKF)和无轨迹卡尔曼滤波算法(UKF)分别对单液流锌镍电池的SOC估计,经过仿真分析两种算法的误差,进一步说明无迹卡尔曼滤波算法有较高的精确度,估计误差在2％以内,能够满足单液流锌镍电池荷电状态估计要求.     

基于MSUKF的锂离子电池SOC估算研究

快速、准确地估算锂离子电池的荷电状态(SOC)是电池管理系统的关键技术之一，有利于延长电池使用寿命并提高使用的安全性。以三元锂电池为研究对象，采用二阶阻容(RC)等效电路模型构建锂离子电池模型，通过递推最小二乘法(RLS)对等效模型参数进行在线辨识，并结合多新息无迹卡尔曼滤波(MSUKF),形成RLS-MSUKF算法，以实现锂离子电池SOC估算。采用多时刻的新息信息对估算值进行校正，以减少误差积累、增强算法的收敛性及提高锂离子电池SOC估算的精度，并在混合脉冲功率特性(HPPC)测试工况下对锂离子电池进行SOC估算。试验结果表明，HPPC工况下的SOC误差稳定控制在0.78%以内，验证了改进算法的良好性能。该算法为优化锂离子电池SOC估算提供了依据，对锂离子电池SOC估算研究具有启发意义。     

动力锂电池SOC估计仿真研究

针对传统的无迹卡尔曼滤波算法(UKF)估计动力锂电池荷电状态(SOC)时,由于滤波迭代过程中系统噪声不确定,可能导致估计结果精度欠佳的问题,提出一种改进的自适应无迹卡尔曼滤波算法(AUKF)动态地估计锂离子电池的SOC.算法以UKF算法为基础,引入改进的Sage-Husa自适应滤波算法,利用观测数据进行滤波递推的同时,实时更新系统噪声的统计特性.以等效电路模型为基础,采用递推最小二乘法辨识模型参数,应用AUKF算法对电池SOC进行估算,并从实际工况进行仿真验证分析.仿真结果表明,上述算法有效的提高了估计精度,误差稳定性较高.     

基于内阻法修正的蓄电池卡尔曼滤波SOC估算

针对蓄电池卡尔曼滤波算法荷电状态SOC（State of Charge）初始值的估计误差较大可能导致前期收敛性较差的问题,通过分析蓄电池放电实验数据,运用灰色关联模型计算电池内阻、电压和电流参数关于SOC的关联度值,将关联度最高的内阻参数作为初始SOC估计值的自变量。然后将初始SOC估计值代入由二阶等效电路模型构建的扩展卡尔曼滤波算法中,进行SOC估计。最后利用电测试平台验证SOC估计准确性,并与电压参数作为初始SOC估计值自变量的方法进行对比。实验结果表明,相对于电压法的初始估计值,内阻法的初始估计值更接近真实值,将其作为卡尔曼滤波算法的起始值,更能提高初期荷电状态估算精度。     

车用锂离子电池SOC估算研究

电池荷电状态(SOC)作为电池管理系统(BMS)后续控制、管理、诊断中的基本参数之一,其实时精确的估算对于BMS的可靠性与准确性有着重要的影响。在SOC估算算法中,卡尔曼滤波算法凭借着估算精度高、实用性好等优点被广泛应用。卡尔曼滤波算法估算SOC主要包括3个步骤。首先介绍了电池模型,对于常用的电等效电路模型进行了详细的分析,包括Rint模型、Randles模型、nRC模型。接着,讲解了电池模型与卡尔曼滤波算法结合的2个步骤,即状态空间方程的离散化及参数辨识。然后,重点探讨和比较了几种卡尔曼算法的基本原理以及应用的不同,主要包括扩展卡尔曼滤波算法、无迹卡尔曼滤波算法和立方卡尔曼滤波算法。最后,通过对卡尔曼滤波算法在车用锂离子电池SOC估算中应用的分析,总结出了可以进一步提高SOC估算精度以及实用性的建议。     

基于双卡尔曼滤波的电池SOC估算

为有效解决储能电池中剩余电量的管理问题,提出基于双卡尔曼滤波的电池荷电状态(state of charge,SOC)估算研究方法.分析二阶戴维南电池等效模型,获得其状态空间方程和输出方程,利用泰勒公式对其进行线性化处理,对比分析锂离子电池的离线参数辨识和在线参数辨识结果,结合协同滤波算法进一步提升卡尔曼滤波算法的辨识精度.在M at-lab环境下编写基于双卡尔曼滤波算法的SOC估算以及验证程序,在算法初值准确和有误差两种情况下进行验证,并与其它算法进行比较,验证了双卡尔曼滤波算法精度高,收敛性好.     

等效建模与SR-UKF算法的SOC估算研究

荷电状态(SOC)用于表征动力锂电池剩余电量。选用Thevenin等效模型作为模拟电池工作状态的等效电路模型,结合试验测量相关参数,运用电路以及多种数理知识,对构建的锂电池等效电路模型进行参数辨识,并通过曲线拟合等方法对辨识结果进行优化处理。在脉冲特性能力测试(HPPC)中对模型精度进行验证,模型表征误差稳定在1.1%以内。采用平方根无迹卡尔曼算法用状态变量的误差协方差的平方根代替状态变量的误差协方差,直接将协方差的平方根值进行传递。利用平方根无迹卡尔曼算法对荷电状态进行估计,对比无迹卡尔曼算法与平方根无迹卡尔曼算法的SOC估计效果。在25℃的条件下对三元锂电池进行动态应力测试工况(DST)试验,平方根无迹卡尔曼算法和无迹卡尔曼算法锂电池SOC估计的最大误差分别为0.55%与1.5%。试验结果表明,平方根无迹卡尔曼算法的跟踪效果较优,具有更高的SOC估计精度和稳定性。     

基于扩展卡尔曼神经网络算法估计电池SOC

针对汽车锂电池的荷电状态(SOC)的问题,基于Thevenin电路为等效电路并且应用扩展卡尔曼算法(EKF)结合神经网络算法进行估计。在进行卡尔曼滤波算法估算过程中,需要用到实时的估算模型参数值(最新值),即在不同的SOC下模型的参数不同。传统做法是把SOC与各个参数的关系进行普通的拟合,这种方法在拟合过程中存在较大误差。为了解决这个问题,利用神经网络拟合各个电路模型参数与SOC关系曲线。试验结果表明,与单纯的扩展卡尔曼算法相比,该方法能够准确估计电池剩余电量,误差小于3%。     

基于电路等效和UKF-EKF的锂电池SOC估算方法研究

锂电池以成组形式被广泛使用,但在生产与使用中单体不一致现象会严重影响电池的使用效率、寿命以及安全性。因此,对动力锂电池荷电状态(SOC)进行实时准确估算,保证电池的及时均衡尤为重要。针对动力电池估算所存在的等效模型模拟电池充放电过程中的真实性低、常用算法精度损失等问题,采用二阶Thevenin等效电路模型,通过递推最小二乘法进行电池模型的参数辨识。对比扩展卡尔曼滤波(EKF)算法与无迹卡尔曼滤波(UKF)算法的优、缺点,提出了一种结合EKF和UKF两种算法优势的联合在线SOC估计策略。将估计的SOC结果和试验测量结果进行比较,并通过试验与仿真验证该方法的精度。试验结果表明,该方法能够有效实现SOC的在线估算,其估计精度在5%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。     

State of charge estimation for Li-ion battery based on model from extreme learning machine

Lithium-ion (Li-ion) battery state of charge (SOC) estimation is important for electric vehicles (EVs). The model-based state estimation method using the Kalman filter (KF) variants is studied and improved in this paper. To establish an accurate discrete model for Li-ion battery, the extreme learning machine (ELM) algorithm is proposed to train the model using experimental data. The estimation of SOC is then compared using four algorithms: extended Kalman filter (EKF), unscented Kalman filter (UKF), adaptive extended Kalman filter (AEKF) and adaptive unscented Kalman filter (AUKF). The comparison of the experimental results shows that AEKF and AUKF have better convergence rate, and AUKF has the best accuracy. The comparison from the radial basis function neural network (RBF NN) model also verifies that the ELM model has lighter computation load and smaller estimation error in SOC estimation process. In general, the performance of Li-ion battery SOC estimation is improved by the AUKF algorithm applied on the ELM model.     

基于Thevenin模型和UKF的锂电池SOC估算方法研究

为解决在多种工况下锂电池实时估算困难、估算精度不高等问题,以三元锂电池为研究对象,建立Thevenin模型,对电池的工作特性进行表征。综合多种工况对锂电池工作特性进行研究分析,避免了依据电池内部复杂结构建立等效模型的困难。考虑到估算初期荷电状态(SOC)准确性对于后期估算的重要性,首先用开路电压法标定初值,然后运用无迹卡尔曼滤波(UKF)算法进行估算跟踪。UKF算法基于无迹变换,没有忽略高阶项,对于非线性分布具有较高的计算精度。在Matlab/Simulink中搭建仿真模型并结合多种工况数据进行分析。试验结果表明,Thevenin模型能够较好地对锂电池SOC进行估算,收敛速度快、跟踪效果好且能将估算误差控制在0.8%以内,验证了UKF在对锂电池进行SOC估算时具有较高的精度。     

基于双扩展卡尔曼滤波的电池荷电状态估计

以磷酸铁锂动力电池为研究对象,以精确估算电动汽车动力锂电池组在实际运行工况中的SOC为目的,基于Thevenin等效电路模型和扩展卡尔曼滤波算法,结合脉冲功率特性实验（HPPC Test）对模型参数进行辨识,采用双扩展卡尔曼滤波对SOC和模型参数进行在线估算,并分析算法在不同温度下的适应性和不同SOC初始值条件下的收敛特性。仿真结果表明,在不同的工况下,相比于单扩展卡尔曼滤波该算法具有更高的精度、更好的环境适应度和对初始误差的收敛性。     

基于动态遗忘因子最小二乘与EKF的电池SOC估计

电池荷电状态SOC（State Of Charge）作为电池管理系统中尤为重要的一部分,其准确估计成为锂离子电池研究的重点。为了提高动态工况下的SOC估计精度,对锂离子电池等效模型进行分析,基于AIC（赤池信息）准则确定二阶RC电路为等效电路模型,使用递推最小二乘算法对模型参数进行在线辨识,为提高辨识精度,提出了改进带动态遗忘因子递推最小二乘算法,对算法加入遗忘因子,通过电压结果误差实时动态调整算法遗忘因子取值。将递推最小二乘算法和含动态遗忘因子最小二乘算法分别与扩展卡尔曼滤波（EKF）算法进行SOC联合估计,并对比其预测效果,结果表明含有动态遗忘因子最小二乘与EKF联合估计模型具有更高的精度和鲁棒性。     

电动汽车动力电池组SOC均衡控制算法仿真

采用当前算法均衡控制电动汽车动力电池组的SOC(电池荷电状态)时,得到电动汽车动力电池组SOC估计值与实际值之间的误差较大,并且存在SOC估计精准度低和控制效果差的问题。提出电动汽车动力电池组SOC均衡控制算法,建立电动汽车动力电池组的Thevenin等效电路模型,在Thevenin等效电路模型的基础上采用扩展卡尔曼滤波算法估算电动汽车动力电池组的SOC,引入标准差判断电动汽车动力电池组的工作状态,根据判断结果对电动汽车动力电池组SOC进行均衡控制。仿真结果表明,所提方法估算SOC的精准度较高、均衡控制效果好,均衡控制后电动汽车动力电池组的容量利用率较高。     

基于模糊神经网络优化扩展卡尔曼滤波的锂离子电池荷电状态估计

电池荷电状态(state of charge,SOC)的精确估计是判断电池是否过充或过放的重要依据,是电动汽车安全、可靠运行的重要保障.传统基于扩展卡尔曼滤波(extended Kalman filter,EKF)的SOC估计方法过度依赖于精确的电池模型,并且要求系统噪声必须服从高斯白噪声分布.为解决上述问题,基于模糊神经网络(fuzzy neural network,FNN)建立模型误差预测模型,并藉此修正扩展卡尔曼滤波测量噪声协方差,以实现当模型误差较小时对状态估计进行测量更新,而当模型误差较大时只进行过程更新.仿真和实验结果表明,该算法能有效消除由于模型误差和测量噪声统计特性不确定而引入的SOC估计误差,误差在1.2%以内,并且具有较好的收敛性和鲁棒性,适用于电动汽车的各种复杂工况,应用价值较高.     

无人机锂电池电路等效和荷电状态智能计算估计

锂电池电池管理的核心是电池荷电状态(SOC)的实时准确估算。为精确实时估算SOC值,以无人机(UAV)锂电池为研究对象,建立戴维南等效电路模型,对电池进行试验测量、研究分析。首先,运用开路电压法标定锂电池的估算初值,在卡尔曼滤波算法的基础上进一步改良优化得到扩展卡尔曼滤波(EKF)算法。然后,将该算法运用到SOC估算中,即可在较短时间内高精度的估算出无人机锂电池的实时SOC值。在MATLAB/Simulink中搭建对应电池模型输入算法进行运行,并对得到的结果与实际数据进行比较、论证。试验表明,基于戴维南模型的EKF算法能很好地对无人机锂电池SOC进行估算,收敛效果好而且估算精度高于98.5%。扩展卡尔曼算法可以很准确地估算出无人机锂电池的实时SOC值。     

基于DSP的电动汽车锂电池荷电状态估算的研究与实现

锂电池荷电状态(SOC)的准确估算是电动汽车能源管理的关键技术。为了提高锂电池SOC的估算精度,将无迹卡尔曼滤波(UKF)应用于锂电池SOC估算,以减小拓展卡尔曼滤波(EKF)简单线性化带来的误差。搭建电池检测系统的硬件平台,以TMS320F28335型数字信号处理器(DSP)为主控芯片(MCU),实现电压、电流、温度的检测及UKF算法,并设计了相关的电池测试实验。实验结果表明,UKF可以实时估算锂电池SOC,估算误差在4%以内,高于传统的拓展卡尔曼滤波(EKF)。     

基于UKF的电动汽车锂电池SOC估计方法

准确估计电池的荷电状态(SOC,state of charge)是电动汽车电池管理系统研究的关键技术。基于Thevenin模型建立了状态空间方程组,采用无色卡尔曼滤波(UKF,unscented Kalman filtering)算法实现非线性条件下的SOC准确估计。硬件在环仿真试验表明:UKF估计误差小于5%,且当SOC值低于50%时,其估计结果明显优于扩展卡尔曼滤波(EKF,extended Kalman filtering)方法,有较高的实用价值。     

基于容积卡尔曼滤波算法估计动力锂电池荷电状态

动力锂电池荷电状态的准确估计是电池管理系统的关键功能之一。该文结合二阶电阻-电容等效电路模型,通过建立状态空间表达式,利用最小二乘法对等效电路模型各参数进行辨识,并通过多项式拟合方法获得了开路电压与剩余电荷的关系曲线,进而基于容积卡尔曼滤波方法对锂电池荷电状态进行建模,建立了基于数字信号处理器的充放电实验平台,实现了锂电池放电时荷电状态的实时估算。实验结果表明,该方法能够实现实时在线估算,且最大误差小于 2%,具有良好的估算精度。