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。     

基于Vmin-EKF的动力锂电池组SOC估计

动力电池组的荷电状态(SOC)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,建立电池组的Vmin状态空间模型,电池组内单体电池负载电压的最小值Vmin和电池组的SOC分别作为模型的观测变量和状态变量.应用扩展卡尔曼滤波算法,实现对SOC的动态估计.对模拟电动汽车的实际工况进行电池组放电实验,结果表明,该方法能实时准确地估计电池组SOC.     

基于SOC的锂离子电池组主动均衡系统设计

对锂离子电池组的工作状态和工作性能进行研究,采用电子技术和计算机控制技术设计智能锂离子电池组均衡控制系统。建立电池组动态模型,创新性地提出基于SOC估计值的主动均衡控制方法,该方法利用抗差无迹Kalman滤波(UKF)得到的高精度SOC估计值作为决策基础。通过18650型锂离子电池组仿真实验表明,所设计的电池组主动均衡系统和新型均衡算法具有较好的实时性和较高的控制精度,对提高纯电动汽车的能量利用率具有重要的现实意义。     

基于无迹卡尔曼滤波估算电池SOC

为了实现在线估计汽车动力电池的荷电状态（SOC）,提出了结合神经网络的无迹卡尔曼滤波算法。以Thevenin电路为等效电路模型,建立了状态空间表达式,采用最小二乘算法对模型参数进行辨识。在此基础上,利用神经网络算法拟合电池的荷电状态与模型各个参数之间的函数关系,经过多次实验,确定了神经网络算法的收敛曲线,此方法比传统的曲线拟合精度高。介绍了扩展卡尔曼滤波和无迹卡尔曼滤波的原理,并设计了等效电路模型验证实验、电池的SOC测试实验和算法的收敛性实验。实验结果表明,在不同的工况环境下,该方法估计SOC具有可在线估算、估算精度高和环境适应度高等优点,最大误差小于4%。最后验证了结合神经网络的无迹卡尔曼滤波的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确和累计误差的问题。     

锂电池组剩余电量SOC估算方法的分析与研究

近年来,纯电动汽车以其结构简单、无废气排放、能量使用效率高等优势得到了广泛应用。电动汽车产业化的关键在于动力锂电池及其应用技术的产业化发展。为提高纯电动汽车锂电池组的寿命和安全性,对纯电动汽车的锂电池组剩余电量荷电状态(SOC)估算算法进行了研究。采用安时积分法和开路电压法相结合的方法,并引入参数电池额定容量百分比对SOC估算,在一定程度上提高了估测SOC的精度。通过试验测试,验证了锂电池组剩余电量SOC估算算法的有效性。对锂电池组剩余电量SOC估算算法的研究可以延长电池组寿命、保障电池的安全性、降低运行成本,对电动汽车的推广应用起着重要作用。     

计算机控制汽车电池实验系统

动力电池管理是实现混合动力电动汽车的节能与环保目标的关键技术之一,重点研究动力电池电容量实时计量方法和电池均衡充放电控制方法.提出基于电功率的电池组充放电均衡控制策略,以HEV动力电池组为对象,研制了基于电功率的动力电池均衡控制实验系统.     

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。     

基于物联网的电动汽车电池管理智能解决方案

提出了一种基于感知层、网络层和应用层三层架构的物联网电动汽车锂电池组高精度管理智能解决方案。该方案采用BMS智能物联系统和Thevenin电池智慧管理模型，实现对单体电池组电压、电流实时采样和电压均衡控制，同时通过ESAM电池模块、手持终端PSAM模块测量电池组充放电电流，实现对BMS电池信息采集与处理、CAN电池信息传递与汇总及EVT电池信息识别与监测。通过搭建MATLAB/Simulink仿真实验平台，模拟测试24串磷酸铁锂电池组运行工况，电池荷电状态估算值误差精度在±5%内，从而验证了本文解决方案的可靠性与电池模型、估测算法的精准性。     

锂离子电池特性建模与SOC估算算法的研究

锂离子电池管理系统设计及荷电状态(SOC)估算依赖于电池等效电路模型的建立,在几种常见的动力锂离子电池等效电路模型分析与比较的基础上,通过对动力锂离子电池进行多种特性实验,分析了锂离子电池的动态特性,提出了二阶RC等效电路模型,并验证了模型的准确性。在电路模型基础上运用扩展卡尔曼滤波算法搭建了MATLAB/Siumlink平台上的仿真模型,通过仿真和实验结果的对比,验证该模型具有较高的估算精度,可用于锂离子电池SOC的实时估算。     

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CARMA模型的动力电池荷电状态估计

为完善电动汽车电池管理系统的主要功能,实现对电池准确建模及荷电状态(state of charge,SOC)的准确估计,文章基于二阶RC等效电路建立了一种受控自回归滑动平均模型(controlled auto-regressive moving average,CARMA),推导得到电池开路电压(open circuit voltage,OCV)的最优估计,并结合分段建立的电池OCVSOC模型实现电池SOC估计,从而实现了电池模型参数在线实时辨识以及SOC实时估计,解决了因初值设定不合理而影响SOC估计准确度的问题。仿真结果表明:在美国联邦城市运行工况下,SOC估计误差的绝对值不超过2.39%,实现了较为准确的SOC估计。     

基于电动汽车磷酸铁锂动力电池荷电状态 估计方法研究

近几年,磷酸铁锂动力电池逐渐成为电动汽车动力电池首选.但是由于材料本身特性,使得磷酸铁锂电池的荷电状态难以精确估算.当电动汽车处于复杂工作环境时,荷电状态估计在保证电动汽车电池操作中的安全性和可靠性方面起到了至关重要的作用.文章采用戴维宁等效电路模型,验证无迹卡尔曼滤波和粒子滤波两种方法的估算效果,并分别与扩展卡尔曼滤波方法作对比,结果证明无迹卡尔曼滤波和粒子滤波都具有更好的估算精度.     

An adaptive sliding mode observer for lithium-ion battery state of charge and state of health estimation in electric vehicles

As the demand for electric vehicle (EV)'s remaining operation range and power supply life, Lithium-ion (Li-ion) battery state of charge (SOC) and state of health (SOH) estimation are important in battery management system (BMS). In this paper, a proposed adaptive observer based on sliding mode method is used to estimate SOC and SOH of the Li-ion battery. An equivalent circuit model with two resistor and capacitor (RC) networks is established, and the model equations in specific structure with uncertainties are given and analyzed. The proposed adaptive sliding mode observer is applied to estimate SOC and SOH based on the established battery model with uncertainties, and it can avoid the chattering effects and improve the estimation performance. The experiment and simulation estimation results show that the proposed adaptive sliding mode observer has good performance and robustness on battery SOC and SOH estimation.     

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。     

电动车用Ni/MH电池组剩余容量的非线性自回归滑动平均预测

准确的蓄电池荷电状态(SOC)决定了电动汽车剩余的行驶里程数.为准确评估电动车用Ni/MH电池组荷电状态(SOC)值,本文提出了一种非线性自回归滑动平均(NARMAX)模型的系统辨识方法.文中使用联邦城市行驶工况(FUDS)的试验数据,采用NARMAX模型线性简化逼近的辨识方法,对蓄电池SOC建立了多输入变量的模型,并使用这个模型进行实时预测;预测结果与试验结果进行了比较.结果表明,该方法是简单、有效的.预测的最大相对误差为1%.     

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.