基于无迹H∞滤波的锂电池SOC估计研究

新能源汽车中锂电池的荷电状态(SOC)估计是电池管理系统的关键技术,对其准确估算有重要意义.所提的算法参考无迹卡尔曼滤波(UKF),将无迹变换(UT)融入到扩展H∞滤波中,用以估计锂电池系统状态均值和协方差,避免线性误差累积、增加算法的数值稳定性.在仿真实验中,在不同动态工况下分析了该算法的估计误差,证明算法在面对噪声干扰时具有较好的鲁棒性和准确性,是一种有效可行的算法.     

基于LM-RLS和渐消因子EKF算法的锂电池SOC估计

为提高复杂工作环境下锂电池荷电状态估计精度,以三元锂离子电池为研究对象,采用限定记忆递推最小二乘法与渐消因子扩展卡尔曼滤波算法相结合进行荷电状态估计。以有限组数据计算当前时刻模型参数,解决数据饱和问题。在扩展卡尔曼滤波算法中加入渐消因子,弱化旧数据的影响,实时调整误差协方差矩阵。为验证算法的合理性,建立二阶RC等效模型,对不同工况进行荷电状态估计。验证结果表明,算法估计精确度高且稳定性好。系统稳定后,HPPC、BBDST工况中的荷电状态最大估算误差分别为0.014 4和0.008 5,且波动范围较小,验证了改进算法估计锂电池荷电状态时的良好性能。     

基于改进PNGV建模的锂电池SOC估算研究

锂电池通常以成组的方式使用,以满足大功率范围的需要。因此,需要电池管理系统(BMS)进行实时状态监控和安全控制,以确保使用过程中的安全性、动力性和耐久性。有效的等效建模和精确的荷电状态估计是电池管理系统中的关键技术。为了更好地对电池组的状态进行监控,在对三元动力锂电池进行大量试验研究的基础上,对传统的新一代汽车合作伙伴(PNGV)等效电路模型进行了改进,并在Matlab/Simulink下进行仿真。模型模拟值与实际端电压的偏差小于0.06 V,模型精度可达98%以上。在试验研究和电池精确建模的基础上,采用扩展卡尔曼滤波算法进行荷电状态(SOC)估算,其准确率可达96%以上。当初始荷电状态值偏离时,实际荷电状态值可以在50 s内快速恢复跟踪,实现锂电池荷电状态的准确估计。该方法为多状态变量模型的荷电状态估算提供了可靠依据。     

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.     

动力电池SOC估算复杂方法综述

荷电状态(SOC)是动力电池管理系统的重要参数。准确估算动力电池SOC是促进电动汽车发展的关键技术。因为动力电池的工作环境复杂多变,传统方法难以准确估算其SOC。首先分析了SOC估算的影响因素,然后对不断改进的复杂方法进行了综述,分析并对比各自的优缺点。最后对动力电池SOC估算复杂方法进行总结并提出展望。     

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。     

矿用储能电池荷电状态精确估计方法

针对基于安时积分法的矿用储能电池荷电状态估计易产生累计误差的问题,提出一种基于改进安时积分法的矿用储能电池荷电状态精确估计方法。该方法引入温度校正系数、老化程度校正系数和充放电倍率校正系数,通过校正电池容量实现电池荷电状态精确估计;在电池荷电状态为0~15%,90%~100%时,用电池端电压代替开路电压,对改进安时积分法所得结果进行实时校正。实验结果表明,该方法可提高矿用储能电池荷电状态估计精度,估计误差基本控制在±3%以内。     

锂离子电池组SOC估计算法的比较研究

锂离子电池组的荷电状态SOC是描述电池剩余电量的重要参数,常用SOC估算方法有:安时法、开路电压法、神经网络法、卡尔曼滤波法、扩展卡尔曼滤波算法等。本文分析了影响电池荷电状态的SOC的影响因素,对各种SOC估算算法进行了比较研究,并对扩展卡尔曼滤波算法进行了Matlab仿真。仿真结果表明,卡尔曼滤波法对电池荷电状态的估算有较好的修正能力,并且容错能力较强。     

电动车蓄电池SOC估计的神经网络方法

针对蓄电池荷电状态估计问题,将神经网络方法用于电动车蓄电池荷电状态的估计。依据蓄电池荷电状态与可测量参数之间的非线性关系,建立了基于BP神经网络与RBF神经网络的蓄电池荷电状态预测模型。仿真结果表明,经过训练后的预测模型,可以通过蓄电池的端电压、工作电流以及蓄电池的内阻参数预测蓄电池的实时荷电状态。通过比较,RBF预测模型具有较好的泛化能力且稳定性更强,能够更精确的估计出蓄电池的剩余容量。     

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。     

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。     

基于RLS和EKF算法的全钒液流电池SOC估计

针对全钒液流电池的荷电状态(SOC)估计精度低、估计成本较高等问题,提出一种基于递推最小二乘算法(RLS)与扩展卡尔曼滤波算法(EKF)相结合的估计方法.该方法通过RLS算法辨识所建立的钒电池数学模型参数,通过EKF算法估计钒电池的SOC,将二者结合实现电池参数发生变化时准确估计钒电池的SOC.以5kW/ 30kWh的钒电池为对象,应用所提出的算法实现钒电池的SOC估计.结果表明,该算法可以准确估计钒电池的SOC,且可节省额外增加单片检测电池测量SOC的费用.     

基于Thevenin模型和自适应卡尔曼的SOC估算研究

精确的荷电状态(SOC)值在电池的应用开发中具有重要的意义.选择合适的滤波算法是精确估算的前提.由于扩展卡尔曼滤波(EKF)中噪声的给定值与实际工况下噪声的统计特性不符,导致估算精度低.为提高SOC估算精度,构建能准确反映锂电池工作特性的Thevenin电路模型.在此基础上,构建状态方程和观测方程,提出自适应卡尔曼滤波...     

基于安时积分和粒子滤波修正的锂电池SOC估计

针对安时积分（ AH）法的累积误差问题和卡尔曼滤波算法对系统噪声的限制,提出了粒子滤波（ PF）修正安时积分误差的方案,并基于钴酸锂电池测试数据和电池等效电路模型,对算法进行仿真验证。通过与传统的AH和卡尔曼滤波法对比得出：基于AH和PF修正的方法荷电状态（ SOC）估计效果较好,平均误差与标准误差均控制在2%以内。     

基于免疫遗传算法的动力电池SOC估计研究

锂离子动力电池SOC（电池荷电状态）难以直接测量且由于高度非线性所导致估计误差较大。为了减少动力电池SOC估计误差,提高估算精度。在分析了锂离子动力电池电压、温度、电流和放电电量对电池SOC影响后,提出一种新颖的免疫遗传算法（Immune Genetic Algorithm,IGA）和BP神经网络相结合的锂离子动力电池SOC值联合估计方法,该方法首次使用在锂离子动力电池SOC值估计中,采用新颖的免疫遗传算法通过对BP神经网络进行参数寻优,优化网络结构模型,增强神经网络自适应学习效率。通过仿真和动力电池实际工况下实验,结果表明使用新颖的联合估计算法提高了网络的运行效率和电池SOC值估计精度,估计均方根误差控制在2%以内,验证了这一联合估计算法的可行性和有效性,解决了动力电池SOC值估计误差较大的问题。