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0.02 V,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。     

基于ESP模型的锂电池参数辨识和SOC估计

精准的电池模型是电动汽车电池管理系统的关键,它为准确估计电池荷电状态(SOC)提供保证。基于电化学反应机理,建立扩展单粒子(ESP)模型。基于ESP模型参数较多的特点,利用改进遗传算法分不同SOC阶段进行多组参数辨识,通过充放电实验验证模型的准确性。基于ESP模型和卡尔曼滤波算法,引入强跟踪滤波器和自适应滤波方法,且对模型状态方程进行修正,建立自适应强跟踪Sigma点卡尔曼滤波算法来进行SOC估计。结果表明,ESP模型有较高的精度,且基于此模型和所建立的算法可以实现对SOC的精确估计,其最大误差在2.3%以内。     

基于粒子群优化粒子滤波算法的 SOC 估算研究

准确的获得电池的荷电状态(SOC)有助于缓解汽车行驶过程中的里程焦虑。针对粒子滤波估算SOC中存在的粒子退化的问题,将粒子群算法与粒子滤波融合的改进粒子滤波算法(GPSO-PF)算法应用于SOC的估计。在迭代中不断优化粒子所处位置,从而解决了粒子贫化的问题,提高了SOC的估算精度。同时,针对SOC估算容易受到温度的影响,建立基于温度的等效电路模型,并将其应用于提出的SOC估算算法中。选取两节相同型号的磷酸铁锂电池,分别在不同工况下利用GPSO-PF算法估算SOC值,SOC的最大估算误差均低于0.72%。通过对比,与基于温度等效电路模型相结合后,GPSO-PF算法能够有效提高SOC的估算精度。     

基于二阶斯特林插值滤波器的电池SOC估计

锂离子电池荷电状态(SOC)精确估计是延长电池寿命和安全使用的关键。为了准确估计电池的荷电状态,本文采用混合二阶RC模型和二阶斯特林插值滤波算法对锂电池的SOC值进行估计。首先对混合二阶模型的锂电池动态特性跟踪性能进行了研究,随后给出了一种基于二阶斯特林插值滤波器的锂电池SOC估计算法,并在安时积分法中加入不可用容量作为新的标准值。最后用实验数据与仿真结果进行了对比。仿真和实验的结果表明,该模型能很好地体现锂电池的动态特性,且二阶斯特林插值滤波算法有着比扩展卡尔曼滤波算法更好的估计精度,而且比起EKF能更准确的跟踪锂电池的非线性程度。     

锂电池的电量估计仿真研究

锂电池的荷电状态(SOC,State-of-Charge)直接反映电池的剩余电量,是电池组管理的核心参数。然而,电池循环次数的增加、瞬间大电流、温度等因素将导致电池特性发生变化,因此使用扩展卡尔曼滤波(EKF,extended kalman filtering)对锂电池的荷电状态进行估计会引入较大的误差甚至算法发散。为了有效抑制参数扰动和系统的非线性,基于一种改进的二阶RC等效电路模型,应用粒子滤波算法(PF,particle filtering)实现了锂电池荷电状态的估计。最后,根据锂电池放电实验所得数据进行仿真,结果显示了该算法的优越性。     

基于复合EKF算法的锂电池组的SOC估计

动力锂电池组的荷电状态SOC估计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,利用扩展卡尔曼滤波法(EKF)和传统的安时积分法相结合(复合EKF算法)优势互补,并运用对于扩展卡尔滤波法较准确地估计电池的Thevenin模型,以电池组的最小单体电池的电压作为参考电压值,用提出的算法结合所选用的电池模型,对模拟电动车的实际工况进行电池组放电实验,证明这种复合算法不但比EKF法估计SOC准确,对误差还有一定的修正能力,而且还能满足电动车SOC准确度的需要。     

基于卡尔曼滤波的锂离子蓄电池组SOC估算方法研究

针对电动汽车锂离子蓄电池组SOC估算精度问题,采用卡尔曼滤波算法进行估算。建立电池组的状态空间模型,根据实际工况进行模型参数辨识,并实时校正电池组实际容量和库伦效率,通过仿真验证此模型的可行性和精度。仿真结果表明,该方法能够实时估算电池组SOC,最大误差仅为1.8%。卡尔曼滤波算法能够大大提高电池组SOC估算精度,通过改进此算法将能够适应电动汽车复杂行驶工况的安全保障要求。     

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Buck-Boost电路的能量转移型均衡方案

提出了一种基于Buck-Boost电路的新型均衡电路,实现了锂离子串联电池组充放电均衡。根据均衡能量流向,采取两种不同的均衡策略:电池组放电时,均衡能量由电池组向组内荷电状态(state of charge,SOC)较低的单体电池转移;电池组充电时,均衡能量由电池组中SOC较高的单体电池向电池组转移。以单体电池开路电压在线估计为基础,运用开路电压法估算SOC,选取SOC值在一定阈值范围之外的单体电池作为均衡对象,对6节串联的磷酸铁锂电池进行了充放电均衡实验。实验结果表明,该方案可以有效减小单体电池间的不一致性,提升电池组的整体性,同时提高了电池组充放电容量。     

基于ICDKF的锂电池SOC在线估计

动态的实时估计锂离子电池荷电状态(state of charge,SOC)是锂离子电池管理系统研究的关键技术。针对扩展卡尔曼滤波(EKF)估计SOC误差大的不足,基于二阶RC等效电路模型,提出了一种基于迭代中心差分卡尔曼滤波(ICDKF)算法的磷酸铁锂电池SOC估计方法。利用Matlab进行了仿真,并与扩展卡尔曼滤波和中心差分卡尔曼滤波(CDKF)算法进行了效果对比,从仿真结果可以看出,该SOC算法有效地降低了估计误差,与EKF相比,具有更好的滤波估计精度。     

锂离子电池组容量差异辨识方法研究

电池组中普遍存在的不一致性问题,是制约电池组可用容量的重要因素之一。电池组内电池单体参数的差异性是描述电池组性能的重要指标,其中容量差异直接与电池组可用容量和优化控制等息息相关。文中对充电电流变化时电压曲线可进行简单缩放进行合理假设。基于该假设,建立一种快速容量差异辨识的方法,并从多种角度分析验证该方法的合理性和适应性。采用容量增量分析法修正SOC和内阻造成的估算误差。将该方法应用于具有较高电压采样精度和宽SOC工作范围的电池组充电数据上,基础算法误差低于2.5%,经修正后辨识误差可小于1.5%。该方法可以用于描述电池组内单体容量的不一致性,为电池组的均衡和维护提供参考。     

车用动力锂电池的SOC估计

给出了动力锂电池管理系统的整体结构,并且对主控板和子控板的布局与功能进行了详尽介绍。建立了适合于Kalman滤波估计的锂离子动力电池的状态空间模型,该数学模型关系简单,易于工程实现。在此基础上,对模型进行了线性化处理,采用安时积分法、开路电压法结合扩展卡尔曼滤波(EKF)算法实现了对电池荷电状态(SOC)的准确估算。实验结果表明,EKF算法在估算过程中能保持很好的精度,对初始值的误差有很强的修正作用,在SOC估计中有很强的应用价值。     

基于自适应模糊PID算法的锂电池组双层均衡控制

为提高电池重组时的均衡效率,在传统Buck-Boost均衡拓扑电路的基础上,设计了一种锂电池组双层均衡拓扑电路。组内采用Buck-Boost电路均衡,组间利用双向反激变压器进行均衡。均衡控制策略采用自适应模糊PID算法,以电池荷电状态(state of charge, SOC)为均衡变量,利用模糊控制算法对PID参数进行调节,缩短了均衡时间,提高了均衡效率。在Matlab/Simulink中搭建了锂电池组双层均衡拓扑电路和自适应模糊PID控制算法模型。实验结果表明：在不同工作状态下,所提出的电池组均衡拓扑及其控制策略将均衡时间效率平均提高了58.36%,验证了该方案的有效性。     

基于TVFFRLS-ACKF的锂离子电池SOC估算

实现电池荷电状态(SOC)的估算预测是电池管理系统(BMS)的重要任务之一。电池模型参数的辨识是实现锂离子电池SOC估算的前提,也是决定其估算精度的关键因素。本文以18650型锂离子单体电池为研究对象,采用带时变遗忘因子的递推最小二乘法(TVFFRLS)对电池参数进行在线辨识,实现遗忘因子自适应的自动寻优,提高参数在线辨识的稳定性。在此基础上,采用自适应容积卡尔曼滤波(ACKF)对锂离子电池SOC进行估算,对过程噪声、量测噪声的协方差实时更新,并在不同工况下进行算法验证。结果表明,该算法噪声抑制性能良好,可以提高SOC的估算精度,最大估算误差不超过1.5%,且ACKF算法具有较强的鲁棒性。     

基于 GRU-UKF 的锂离子电池 SOC 估计方法研究

精确估计锂离子电池荷电状态(SOC)是电池管理系统的关键技术之一,直接影响着动力锂电池组的使用效率和安全 性。 锂离子电池特性复杂,其 SOC 无法直接测量,且受电流、温度等因素的影响较大。 为此,提出了一种基于门控循环单元 (GRU)神经网络与无迹卡尔曼滤波(UKF)相结合的组合算法。 该方法利用 GRU 网络获得可测量的电流、电压、温度与锂电池 SOC 之间的非线性关系,并以此作为 UKF 的观测方程。 然后,通过 UKF 估计 SOC 值以提高算法的估计精度。 实验结果表明, 在不同温度以及不同的工况下,本文所提方法的均方根误差(RMSE)和平均绝对误差(MAE)分别小于 0. 51%和 0. 46%,均能提 高 SOC 的估计精度。     

基于改进粒子滤波的综合能源系统预测辅助状态估计

高效准确的状态估计是综合能源系统安全稳定的基础。粒子滤波具有精度高且对于非线性系统适应性更强的优点,已应用于电力系统的状态估计。为了提高综合能源系统的状态估计精度,研究粒子滤波在综合能源系统中的应用,提出了一种基于改进粒子滤波的综合能源系统预测辅助状态估计方法。首先,本文构建了包含电-气-热网络的区域综合能源系统模型;其次,将粒子滤波算法拓展到电-气-热网络,在详细分析粒子滤波相关理论的基础上,针对粒子滤波算法存在的跟踪误差问题对粒子滤波的预测步进行改进;最后,利用经典的综合能源系统算例对文中提出的改进粒子滤波算法进行验证。结果证明该方法能够有效解决传统粒子滤波算法的跟踪误差问题,提高系统的估计精度。     

基于耦合绕组的锂电池组主动均衡方案研究

针对锂电池组在充放电过程中出现能量不一致的问题,采用传统的Buck-Boost均衡电路和Flyback均衡电路的均衡方法,提出一种可减小电路尺寸、提高均衡速度和均衡效率的基于耦合绕组的新型主动均衡电路.通过对耦合绕组的选择性充放电,会有三种不同的工作模式来实现单体之间的能量转移,并调节PWM驱动信号占空比来提高均衡器的...     

基于改进的 AEKF 铅酸电池 SOC 在线估计

为了提高铅酸电池在随机工况下荷电状态(SOC)估计精度,减小误差变化对估计精度的影响。针对自适应扩展卡尔曼滤波中误差新息序列长度固定选取的局限性,本文提出一种改进的自适应扩展卡尔曼滤波算法估计SOC。通过似然估计来监测协方差匹配算法中的误差新息序列分布变化时刻,根据误差新息的分布变化来自适应调整新息序列长度,进而降低估计SOC时的误差。首先通过带遗忘因子的递推最小二乘法(FFRLS)辨识获得等效模型参数,其模型平均误差电压为13.63 mV,然后在随机工况实验下发现,改进后的算法在估计SOC时的RMSE和MAE性能上精度分别提高了14.44%和17.26%,结果表明改进后的算法拥有更好的稳定性和精度。