一种在线高精度车用锂电池SOC估计的方案研究

本文针对车用锂电池的高精度SOC估计方法进行研究,首先选取二阶Thevenin等效电路作为本文锂电池的等效电路模型,针对车用锂电池复杂工况难以在线辨识的等效模型参数的问题,提出使用移动指数窗的LS算法在线辨识锂电池的等效电路模型参数,最后通过粒子滤波算法估计SOC。仿真和实验验证了在车用锂电池中使用移动指数窗的LS算法辨识等效电路模型参数具有较高的精度,且SOC估计精度得到提高。     

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UKPF算法的锂离子电池SOC估算

电池在工作时电流变化剧烈,使用传统无迹卡尔曼算法(UKF)估算电池荷电状态(SOC)时有较大误差.为了提高SOC估算精度,基于锂离子电池混合噪声模型,利用粒子滤波算法对无迹卡尔曼的滤波进行修正,得到无迹卡尔曼粒子滤波算法(UKPF),并用该方法来估算锂离子电池的SOC.实验结果表明,UKPF算法SOC的估算误差小于2.1％,明显优于UKF和PF算法.     

基于无迹粒子滤波的车载锂离子电池状态估计

传统的无迹卡尔曼滤波(UKF)和粒子滤波(PF)算法估计动力锂离子电池的荷电状态(SOC)时,常会出现电池模型参数不准确或粒子退化等问题导致估计精度差甚至系统发散等现象。为解决粒子匮乏和噪声干扰等问题,提出一种改进的估计算法——无迹粒子滤波算法(UPF)以实现SOC的精确估计。运用无迹卡尔曼算法为每个粒子计算均值和协方差,解决粒子滤波技术中粒子退化的问题。通过锂离子电池充放电实验,对等效模型进行辨识,最后在脉冲充放电和UDDS动态工况下对该算法进行测试验证。实验结果证明,基于二阶RC等效电路模型的UPF算法能显著提高SOC估计的实时性和精确性,其SOC估计精度在2%以内,收敛速度在250 s内。     

基于增益调整的Joint-EKF算法估算电池SOC

在电流采样过程中,电流漂移噪声会对采样精度造成干扰,进而影响锂离子电池荷电状态(SOC)估算的精度。采用联合扩展卡尔曼滤波(Joint-EKF)算法,以Thevenin模型为等效电路模型基础,将电流漂移值与状态变量同步预测,可提高估算精度。在电流突变时,需要加快算法修正速度来解决算法跟踪效果差的问题。基于Joint-EKF算法,通过调整滤波增益动态修正SOC,可进一步提高SOC估算精度。结果表明:改进算法后的SOC估算误差为2.8%,比改进前的减小2.4%。     

简化分数阶AEPF的锂电池SOC估计算法

电池极化效应、随机干扰以及电池在整个寿命周期内高度非线性和动态特性,给电池荷电状态(SOC)在线精确估计带来了许多挑战。等效模型的精确表达与估计算法的优化设计是提高SOC估计精度的两大重要技术路线。对此,提出了基于分数阶模型自适应扩展卡尔曼粒子滤波(FOAEPF)的SOC估计方法。对分数阶模型(FOM)的二项式系数的求和项进行了适当的截断,从而得到了能够有效降低计算量的简化分数阶模型。然后运用AEPF算法估计电池的SOC。自适应扩展卡尔曼滤波被用作粒子滤波算法的建议分布函数,不但解决了粒子滤波算法的粒子退化问题,而且能够充分结合两类算法的优势实现二次滤波。多组实验的测试结果表明所提出的方法在削减计算负担的基础上,能够进一步提高电池SOC估计精度与鲁棒性。     

基于自适应CKF的锂离子电池SOC估算

扩展卡尔曼滤波(EKF)和无迹卡尔曼滤波(UKF)算法估算电池荷电状态(SOC)依赖等效模型参数的准确性,估算精度低。容积卡尔曼滤波(CKF)算法的滤波性能良好。利用自适应CKF(ACKF)算法估算电池SOC,自适应调节过程噪声协方差和量测噪声协方差,提高估算SOC的精度。对锂离子电池建立二阶RC等效电路模型,在不同工况下进行充放电,用卡尔曼滤波算法在线辨识等效模型的参数,ACKF算法实时估算SOC。ACKF算法估算SOC的鲁棒性较强,精度在1. 5%以内。     

基于 STPF 的 SOC 估计及在多锂电池均衡中的应用

提出一种能跟踪突变状态的锂电池荷电状态(SOC)估计方法,并应用于多锂电池组的SOC均衡中。在粒子滤波算法中引入强跟踪滤波,将当前的采样结果融入到预测误差更新中,得到新的校正项,然后利用该校正项对粒子滤波算法的粒子集进行校正,从而使粒子快速推向高似然区域,抑制粒子退化;渐消因子的引入能实时调整误差协方差矩阵,使粒子滤波算法兼具强跟踪滤波的强鲁棒性和对突变状态的跟踪能力,有效克服模型的不确定性,进一步提高SOC的估计精度。将所提方法应用于多电池主动均衡中,提出一种基于SOC一致性的均衡策略,率先均衡容量差距较大的相邻电池组,再控制能量实时双向传递,提高了整体均衡速度。实验结果表明,改进算法的平均估计误差在0.13%以内,标准差为0.12%;相比传统的粒子滤波算法、扩展卡尔曼滤波算法和强跟踪算法,精度分别提升约64%、85%和75%,并且稳定性也得到了进一步加强。在多电池主动均衡中的应用表明,有效减小了电池组容量在充放电过程中的不一致性,电池组离散度被控制在1%以内,有利于提高电池容量的利用率与使用寿命。     

由MIEKPF-EKPF算法协同估计锂离子电池SOC与SOH

针对锂离子电池荷电状态(SOC)和健康状态(SOH)难以直接测量的问题，提出基于多新息的扩展卡尔曼粒子滤波(MIEKPF)与扩展卡尔曼粒子滤波(EKPF)协同估计SOC和SOH。采用EKPF算法在线辨识参数，并估计SOH,将阻容等辨识结果作为输入，弥补估计SOC时应该考虑电池老化影响产生的误差，实现SOH对SOC的修正，提高模型精度。在新欧洲驾驶周期(NEDC)工况下，进行充放电实验，EKPF算法估计SOH的结果符合实际情况。MIEKPF-EKPF算法最终SOC估计的平均误差为0.48%、最大误差为1.97%、均方根误差为0.58%,仿真结果验证了所提方法的可行性和准确性。     

提升低温下电池SOC估算精度的算法

针对低温环境下电池荷电状态(SOC)估算精度不高的问题,提出一种相应的电池SOC估算方法.在充分考虑模型适配与算法融合的前提下,在低温下对锂离子电池进行充放电测试,采用三阶RC等效电路模型进行参数辨识.利用自适应扩展卡尔曼滤波(AEKF)估算模型进行仿真分析,提升SOC估算精度,并与扩展卡尔曼滤波(EKF)算法进行对比...     

改进仿射粒子群算法在电路参数估计的应用

合理准确地辨识出介质弛豫响应等效电路模型的参数是分析油纸绝缘劣化的重要前提。首先利用一种非破坏性的电气量诊断方法-时域响应回复电压法,从中提取初始斜率特征量建立介质响应等效电路参数辨识的数学优化模型;接着考虑到仪器误差和环境因素等对参数辨识的影响,利用改进仿射粒子群算法对等效电路模型参数进行区间估计,克服了区间算术容易导致参数区间被过估计的不足,发挥了该算法在处理高维多峰值函数中不仅有良好的执行效率,而且能够得到最优可行区间的优点;最后,通过实际变压器现场测试实例,验证了改进仿射粒子群算法对等效电路模型参数估计的准确性与优越性,等效电路模型参数准确的估计为最终分析变压器油纸绝缘老化状态奠定了良好基础。     

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.     

基于改进粒子群算法的开关磁阻电机本体优化

针对开关磁阻电机多变量、高非线性以及传统设计过程无法快速而准确获得最优方案的问题,提出一种基于Kriging模型和改进粒子群算法的参数优化策略。首先建立多目标优化模型,采用田口正交方法进行敏感性分析,依据灵敏度大小将优化变量分为两个子空间;其次为提高多目标粒子群算法的收敛速度和全局寻优精度,引入天牛须搜索算法中环境感应机制和遗传算法中交叉变异策略;最后建立Kriging模型,利用改进粒子群算法对两个子空间参数进行迭代寻优。实验结果表明,优化后的转矩脉动减少23%,平均转矩提高2.3%,在大幅度减少转矩脉动情况下保持了较大平均转矩。结论是改进的粒子群算法与Kriging模型相结合策略适用于开关磁阻电机优化过程,可显著提高优化效率,保证求解精度。     

基于粒子群算法的电力系统非线性谐波状态估计

为增加谐波量测数据的冗余度,提高线性谐波状态估计的可观测度,基于PMU量测数据和SCADA量测数据构成混合量测数据,应用于谐波状态估计,建立非线性谐波状态估计的数学模型。将该非线性数学模型改写为灵敏度模型,并转化为优化问题,应用粒子群算法求解。算例分析表明,非线性谐波状态估计的灵敏度模型是有效的,应用优化算法求解是切实可行的,混合量测数据能提高谐波状态估计的可观测度。     

基于DSLPSO算法的超级电容参数辨识

针对超级电容模型多参数辨识问题以及传统辨识算法收敛精度差,收敛速度慢问题,提出基于动态自学习粒子群算法的超级电容参数辨识方法.根据超级电容等效电路模型,采用双线性变换进行离散化获得辨识模型,使用动态自学习粒子群算法辨识各分支的参数.仿真结果分析表明,与基本粒子群、自适应惯性权重粒子群对比分析,基于动态自学习粒子群算法的超级电容参数辨识方法收敛速度快、收敛精度高、全局寻优能力强,可以更准确地反映出超级电容的动态特性.     

基于混沌加权粒子群算法的频率计权设计

针对声级测量中利用传统双线性变换法设计频率计权滤波器时在标称频率高频段出现的误差问题,采用一种基于混沌加权粒子群算法的设计方法,进行了频率计权的优化设计。首先对频率计权的幅频响应的误差来源展开分析研究,然后根据分析结果设定频率计权滤波器的优化对象与适应度函数,从而构造出基于混沌加权粒子群的频率计权数字滤波器优化模型,并求得最佳解。经仿真实验验证,给出的优化算法准确度更高,且最大误差可限制在0.005 dB范围内,满足国家标准中对1级声级计的设计要求,适用于声级测量中的频率计权,也可用于其他领域的滤波器设计。     

基于文化双量子粒子群优化的RFID 3D-LANDMARC定位算法

射频识别技术(RFID)三维定位是目前室内定位的主要技术,现有的RFID三维定位主要基于LANDMARC定位算法。针对传统的LANDMARC定位算法存在定位精度低、自适应性差的问题,提出一种基于文化双量子粒子群(CDQPSO)优化的RFID 3D-LANDMARC定位算法。该算法首先使用BP神经网络在数据拟合方面的优势对采集信号进行预处理,研究无线信号传输损耗模型,以提升LANDMARC算法的定位精度;然后引入CDQPSO算法在全局搜索与寻优方面的技术优势,求解模型,解决LANDMARC定位算法的自适应问题。实验研究表明,所提算法定位误差在0.56 m以下的标签达到75%,与基本LANDMARC算法和粒子群优化LANDMARC算法相比,定位精度和适应性均得到显著提高,而且能克服粒子群算法收敛速度慢的缺点。     

基于全局粒子群算法的无功优化

针对粒子群(PSO)算法的局限性,提出了全局粒子群(GPSO)算法,并将其应用于电力系统无功优化.建立基于全局粒子群算法的无功优化数学模型,给出全局粒子群算法的具体步骤.通过对IEEE30节点算例的测试,得到全局粒子群算法在无功优化问题上的收敛速度和优化效果.     

基于烟花优化粒子群的室内定位算法研究

针对测距式射频识别室内定位算法定位误差较大的问题,提出了一种基于烟花优化粒子群的室内定位算法。该算法分为测距和定位两个阶段,在测距阶段使用到达相位差进行测距并构建待优化的目标函数。在定位阶段对粒子群优化算法进行改进。为了改进粒子群优化算法在迭代过程中容易落入局部极值的问题,引入了烟花优化算法的爆炸、变异、选择操作,并对选择规则进行改进;算法还根据烟花爆炸算子和变异算子对粒子群算法的速度更新公式进行改进。实验结果表明,该算法能够有效实现对目标的定位,定位平均误差为0.2773m,与基于标准粒子群优化算法的室内定位算法相比具有39.61%的性能提升。     

基于协同粒子群优化算法的电力系统无功优化

为了解决粒子算法应用在电力系统无功优化中存在的问题,提出了一种改进的协同粒子优化算法.笔者根据电力系统无功优化问题非线性、不连续、大范围以及电压等级增多、无功优化控制变量较多的特点,建立了改进的协同粒子优化算法无功优化的数学模型,并将协同粒子群算法在无功优化中进行了应用.算例结果表明,该算法有效地改善了粒子群算法的局部收敛问题,缩短了搜索时间,提高了准确性.