基于多模型自适应卡尔曼滤波器的电动汽车电池荷电状态估计

基于电池的戴维宁(Thevenin)模型,设计了多模型自适应卡尔曼滤波器,并将多模型自适应卡尔曼滤波器应用于电动汽车电池荷电状态(state-of-charge,SOC)估计。由于老化电池是未知系统,利用传统的单一模型卡尔曼滤波器估计老化电池SOC时,因模型不准确而使估计误差增大。与单一模型滤波估计相比,多模型滤波估计融合了电池的各种老化信息,适合于未知系统的状态估计,从而提高了SOC的估计精度,并通过实验证明了上述结论的正确性。利用多模型自适应卡尔曼滤波器估计电池SOC,老化电池的模型与权值最大的单一模型较接近,根据单一模型权值可以近似估计出老化电池的健康状态(state of health,SOH),并通过电池容量测量,证明了SOH估计的正确性。     

基于卡尔曼滤波器的蓄电池荷电状态估算

通过蓄电池的端电压、内阻和放电电流等可测量与荷电状态(state of charge,SOC)之间的对应关系,建立端电压-电阻模型并以最小二乘法进行模型系数辨识,运用卡尔曼滤波算法进行蓄电池SOC最优估算。以铅酸蓄电池为对象进行仿真实验,得到的放电折算效率为1.067 8。实验结果表明该方法具有很好的精确度,能用于估算蓄电池的SOC。     

基于EKF-AH联合算法的锂离子电池荷电状态估算

估算算法先进性与否是影响锂离子电池荷电状态(SOC)估算准确度的重要因素。用扩展卡尔曼滤波(EKF)算法估算锂离子电池SOC时在低容量区和估算后期误差较大,为此将EKF算法和安时积分法(AH)相结合,提出EKF-AH联合算法。选用恒流放电及动态工况对联合算法进行实验验证。结果表明,在两个实验工况下对SOC的估算误差分别小于2%和3%。因此EKF-AH相比于EKF,估算精度提高。     

蓄电池荷电状态闭环动态估算模型

使用基于电化学理论的安时模型,实现蓄电池荷电状态的实时估算。为了改善电化学安时模型的估算性能,设计了闭环反馈模型。闭环模型采用基于最优估计的扩展卡尔曼滤波算法,将电化学安时模型作为滤波算法的状态方程,蓄电池的荷电状态作为过程状态量,滤波算法中的观测方程的参数通过特定实验数据分析确定。实验结果表明,对于可靠的测量数据,电化学模型具有较高的估算精度;在较大测量偏差存在的情况下,闭环模型可以有效地修正估算偏差,得到准确的估算值。     

锂离子电池荷电状态估算综述

对目前的锂离子电池荷电状态估算方法进行了总结和分类。估算方法有两大类—直接法和间接法。直接法包括库仑计数法、开路电压法和内阻法。间接法包括基于模型、数据驱动和融合的方法。     

锂离子电池模型参数辨识与荷电状态估算

锂离子动力电池是巡检机器人常用动力源,机器人控制系统需根据电池的荷电状态(SOC)决策工作状态.建立了锂离子电池的二阶Thevenin等效电路模型,用遗忘因子递推最小二乘算法(FFRLS)完成模型在线参数辨识,并用扩展卡尔曼滤波算法(EKF)实现SOC值的估算仿真.在此基础上,设计开发了一套基于STM32微控制器的SO...     

锂离子电池荷电状态估算及剩余寿命预测

锂离子电池具有放电电压高、循环寿命长、安全性能好和无记忆效应等多种优点,在总结锂离子电池预测领域最新研究成果的基础上,对荷电状态估算及剩余寿命预测涉及的技术、算法和模型作了比较研究,尤其是对于锂离子电池荷电状态估算,归纳了电流积分法、开路电压法、模糊逻辑、自回归滑动平均数、电化学阻抗谱、支持向量机和基于扩展卡尔曼滤波的支持向量机等多种方法,并提出了各种方法的优缺点。     

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。     

基于均值模型的电动叉车电池组荷电状态估计

针对电动叉车的动力电池组荷电状态(SOC)的实时估计,考虑到电池存在的差异性,采用电池选型外部滤波过程,建立了二阶RC等效电路模型与电池组均值模型,并提出了FFRLS_EKF联合算法。运用带遗忘因子的最小二乘法(FFRLS)进行模型参数辨识,结合扩展卡尔曼滤波算法实现SOC估计。通过试验测试与MATLAB计算验证,结果表明开路电压(OCV)模型估计值与实际值的误差均值约为0.02V,动力电池组SOC值与各单体电池均值的误差小于2%。该方法应用于电池组,可实现电池组内各单体电池的最大可用容量和荷电状态一致性估计。     

电池管理系统的设计及荷电状态的估算

电池管理是汽车混合动力系统的关键技术之一。对混合动力汽车电池管理系统(BMS)的硬件和程序流程进行了设计,并采用径向基函数(RBF)神经网络对电池的荷电状态(SOC)进行估算。使用RBF神经网络算法估算SOC可避免对电池内部复杂的电化学反应建模的过程,并可达到较高的精度。     

基于采样点卡尔曼滤波的动力电池SOC估计

动力电池荷电状态(SOC)的快速精确估计是电池能量管理系统的核心技术。针对动力电池这一动态非线性系统,提出了电池过程模型的具体改进方法,以使其可以适应不同放电速率和不同温度条件对动力电池SOC的影响;给出了利用采样点卡尔曼滤波进行电池SOC估计的具体步骤;最后,分析了采样点卡尔曼滤波在SOC估计精度、收敛速度、算法复杂度及鲁棒性等方面的性能。实验表明,采用采样点卡尔曼滤波算法可以快速地完成动力电池SOC的精确估计,误差在5%左右;模型参数的合理微调几乎不影响算法的准确性,表明了算法具有一定的鲁棒性。     

基于灰色扩展卡尔曼滤波的锂离子电池荷电状态估算

准确估算电池荷电状态(SOC)是电池管理系统的核心技术之一。为提高扩展卡尔曼滤波(EKF)估算电池SOC精度,将灰色预测模型(GM)和EKF融合,构建灰色扩展卡尔曼滤波(GM-EKF)算法用于电池SOC估算。该算法首先用GM(1,1)替代EKF算法中Jacobian矩阵,对当前时刻电池系统状态预测,即实现系统状态先验估算;再通过观测值对系统状态进行更新和修正,获得后验估算值,实现对电池SOC的估算;最后在自主搭建的电池实验平台上对电池进行模拟工况放电实验。实验结果表明,GM-EKF算法相比EKF算法,估算电池SOC具有更高的精度,估算误差不超过±0.005。研究结果对电池管理系统估算电池SOC具有现实指导意义。     

基于迭代扩展卡尔曼滤波算法的电池SOC估算

采用卡尔曼滤波算法估算动力电池的荷电状态(SOC),其估算精度与SOC初值无关,但与动力电池的等效模型有关。为进一步提高SOC估算精度,充分考虑温度对电池模型参数的影响,改进电池的二阶RC等效电路模型,建立电池的非线性状态空间模型;为保证SOC估算结果的收敛性,将迭代滤波理论引入到扩展卡尔曼滤波(EKF)算法中;采用Levenberg—Marquardt(LM)方法优化迭代过程,并将其应用于动力电池SOC的估计。实验结果表明,与EKF和迭代EKF(IEKF)算法相比,采用改进的电池等效模型和优化算法,具有较好的收敛性,且提高了估算SOC的精度。     

基于PnP和自适应线性卡尔曼滤波的实时位姿估计

针对实时位姿估计中扩展卡尔曼滤波(EKF)线性化引入非线性误差和依赖已知噪声分布的缺点,提出一种基于Pn P的自适应线性卡尔曼滤波位姿估计求解方法。将Pn P位姿估计求解策略引入卡尔曼滤波观测方程,通过对动态方程误差统计参数实时估计,自适应调节卡尔曼滤波递推参数。所提算法求解精度高,固定了观测方程的观测向量维度,提高了算法实用性。通过仿真试验,比较了该算法与EKF的位姿估计精度,通过量化误差分析,证明了该方法可以提高三维运动位姿估计精度,也验证了该方法的有效性。     

基于分数阶阻抗模型的磷酸铁锂电池荷电状态估计

锂电池荷电状态(SOC)估计是电池管理系统中不可或缺的重要组成部分。锂电池传统整数阶等效电路模型未充分考虑其内部电化学反应现象,故将导致SOC估计结果偏离真实状态。文中以磷酸铁锂电池单体为研究对象,提出一种基于分数阶阻抗模型的锂电池SOC估计方法。该方法利用分数阶元件表征锂电池内部固液界面的输运现象和极化效应,基于分数阶微分理论建立状态转移方程和系统量测方程,并针对锂电池高度非线性的工作特性,利用无迹变换逼近原始状态分布,运用分数阶无迹卡尔曼滤波算法估计锂电池SOC。实验结果表明,分数阶阻抗模型能准确描述锂电池工作特性,所提算法在估计精度和跟踪速度上有一定提高。     

基于改进无迹卡尔曼滤波法的大容量电池储能系统SOC预测

大容量电池储能系统的荷电状态(state of charge,SOC)是电池管理系统(battery management system,BMS)的重要参数,必须准确预测,由于电池单体存在较强的差异性,传统的SOC预测技术很难达到准确预测的效果。针对上述问题,提出基于改进无迹卡尔曼滤波法(unscented Kalman filter,UKF)的大容量电池储能系统SOC预测方法,利用遗传算法(genetic algorithm,GA)优化无迹卡尔曼滤波的滤波参数,进一步提高SOC的预测精度。在设定工况下对串联型电池储能系统进行仿真实验,仿真结果表明该文提出的改进无迹卡尔曼滤波方法可以获得有效可靠的SOC预测结果,具有良好的工程应用前景。     

基于自适应容积卡尔曼滤波算法的电力系统动态谐波状态估计

由于传统的谐波状态估计的参数辨识算法要求噪声的协方差矩阵固定不变,而实际工程中噪声的协方差矩阵是随时间变化的,工程中存在错误的量测数据,导致传统参数辨识算法估计的谐波电流参数的准确度较低。因此,提出自适应容积卡尔曼滤波算法来提高辨识谐波电流参数的准确度。首先,针对时变噪声干扰,采用基于渐消记忆指数加权法的噪声估值器算法生成时变噪声的协方差矩阵;其次,针对错误的量测数据,采用开窗估计算法修正错误的量测数据;然后,将修正的噪声协方差矩阵和量测数据代入容积卡尔曼滤波算法中,对谐波电流参数进行估计;最后,搭建IEEE 13节点系统仿真模型,验证了自适应容积卡尔曼滤波算法在时变噪声干扰及量测数据错误情况下仍可准确地估计谐波电流参数,确保了动态谐波状态估计的准确性。     

基于分数阶理论的车用锂离子电池建模及荷电状态估计

针对电动汽车动力锂离子电池的状态估计问题,提出一种基于分数阶等效电路建模方法,并采用分数阶卡尔曼滤波算法估计电池荷电状态(SOC)。首先建立基于二阶等效电路的分数阶电池模型,采用遗传算法辨识阶数,然后利用分数阶卡尔曼滤波算法估计电池SOC,并与扩展卡尔曼滤波算法进行比较。实验结果表明,在恒流放电下采用分数阶模型,其端电压最大绝对误差为0.014V,SOC最大估计误差不超过2%。本文提出的基于二阶等效电路的分数阶模型及分数阶卡尔曼滤波算法,不仅给出了一种准确、可靠的建模方法,而且为有效提高电池管理系统中SOC估计的准确性提供了途径。     

基于改进鲁棒自适应UKF的配电网动态状态估计方法

配电网动态状态估计中状态方程的过程噪声统计参数是未知而且时变的,因此在状态估计过程中需要在线对过程噪声统计参数进行实时估计,而且不准确的噪声参数将会导致无迹卡尔曼滤波器的滤波性能下降甚至滤波发散。文中研究了基于改进鲁棒自适应无迹卡尔曼滤波器的配电网动态状态估计方法,其噪声参数统计估值器由一个有偏的和一个无偏的估值器组成,可以提高在状态估计过程中噪声参数估计的准确性,同时确保过程噪声方差矩阵的半正定性,从而保证算法的鲁棒性。通过对IEEE 33节点系统进行仿真验证,结果表明所提方法在系统平稳运行、负荷发生剧烈变动或者初始噪声参数值设置不当的情况下,均能保证较高的状态估计精度。     

基于遗传算法的电力系统自适应卡尔曼滤波动态状态估计

针对卡尔曼滤波动态状态估计中Holts'两参数均为常数,在电力系统运行状态变化时易产生较大的预测误差的不足,提出采用指数平滑法对参数进行动态调整。该方法在预测步中利用遗传算法来动态确定参数大小,实现了预测参数的自适应优化。最后,对IEEE14节点系统进行仿真计算,与传统方法进行比较,结果表明本文方法具有明显的优势。