基于自适应无迹卡尔曼滤波算法的锂离子动力电池状态估计

应用传统的无迹卡尔曼滤波(unscented Kalman filter,UKF)算法估计电动汽车锂离子动力电池核电状态(state of charge,SOC)时,常会出现由于电池模型参数不准确而造成估计误差增大的问题,该文采用了自适应无迹卡尔曼滤波(adaptive unscented Kalman filter,AUKF)算法解决该问题。AUKF算法是一种循环迭代算法,可以实时估计电池模型中的欧姆内阻,提高电池模型准确性,从而提高电池SOC估计精度。另外,电池的欧姆内阻可以表征电池的健康状态(state of health,SOH),因此还可以根据电池的欧姆内阻估计出电池的SOH。在设定工况下对电池做充放电实验,实验分析表明,与UKF相比,AUKF提高了电池SOC估计的精度,并能准确的估计出电池的欧姆内阻。     

基于自适应无迹卡尔曼滤波算法的锂离子动力电池状态估计EI北大核心CSCD

应用传统的无迹卡尔曼滤波(unscented Kalman filter,UKF)算法估计电动汽车锂离子动力电池核电状态(state of charge,SOC)时,常会出现由于电池模型参数不准确而造成估计误差增大的问题,该文采用了自适应无迹卡尔曼滤波(adaptive unscented Kalman filter,AUKF)算法解决该问题。AUKF算法是一种循环迭代算法,可以实时估计电池模型中的欧姆内阻,提高电池模型准确性,从而提高电池SOC估计精度。另外,电池的欧姆内阻可以表征电池的健康状态(state of health,SOH),因此还可以根据电池的欧姆内阻估计出电池的SOH。在设定工况下对电池做充放电实验,实验分析表明,与UKF相比,AUKF提高了电池SOC估计的精度,并能准确的估计出电池的欧姆内阻。     

基于深度学习的锂离子电池SOC和SOH联合估算

锂离子电池常被作为储能元件以实现电能的存储和转化,然而其荷电状态(state of charge,SOC)和健康状态(state of health,SOH)无法被直接测量。为了实现锂离子电池SOC和SOH联合估算,该文分析SOC和SOH之间的关联性,并提出一种基于深度学习的锂离子电池SOC和SOH联合估算方法。该方法能够基于门控循环单元循环神经网络(recurrent neural network with gated recurrent unit,GRU-RNN)和卷积神经网络(convolutional neural network,CNN),利用锂离子电池电压、电流、温度,实现锂离子电池全使用周期内SOC和SOH的同时估算,而且由于将锂离子电池的SOH估算值考虑到SOC估算中,能够消除锂离子电池老化因素对锂离子电池SOC估算造成的负面影响,从而提升SOC估算精度。两个锂离子电池测试数据集上的实验结果表明,提出的估算方法能够在不同温度和不同工况下实现锂离子电池全使用周期SOC和SOH联合估算,且获得较高的精度。     

基于分数阶模型的锂离子电池SOC与SOH协同估计

锂离子电池荷电状态(SOC)和健康状态(SOH)的精确估计对电动汽车稳定运行十分重要.以精确估计电池SOC和SOH为目标,提出了一种基于分数阶模型的协同估计算法.建立基于二阶RC电路模型的分数阶电池模型,采用自适应遗传算法(AGA)辨识模型参数,利用分数阶扩展卡尔曼滤波(FOEKF)算法估计SOC,并结合自适应无迹卡尔曼滤波(AUKF)算法估计SOH,迭代更新内阻与SOC进而实现SOC与SOH精确的协同估计.在城市道路循环工况(UDDS)下使用Matlab工具验证和对比了算法精度,平均误差均控制在2％以内.结果表明,该协同估计算法能够精确估计电池SOC和SOH,为电池状态估计提供了一种方法.     

基于无迹卡尔曼滤波的全钒液流电池状态估计

利用传统的安时积分法估计全钒液流电池(vanadium redox flow battery,VRB)的荷电状态(state of charge,SOC),常常会因为累积误差造成估计误差增大的问题。该文针对这一问题,以一阶RC等效电路模型为基础,采用无迹卡尔曼滤波(unscented Kalman filter,UKF)算法对安时积分法估计结果进行修正,提高SOC估计精度。此外,UKF算法同时可以在收敛后准确地实时估计电池模型中的内阻,而电池的内阻可以表征其健康状态(state of health,SOH),因此UKF算法可根据内阻的估计结果评价电池的SOH。在工况下对电池进行测试性充放电实验,实验结果表明,UKF算法可以快速完成电池SOC的精确估计,绝对误差小于2%,并能准确地估计出电池的内阻,为电池SOH的确定提供参考依据。     

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。     

基于自适应平方根无迹卡尔曼滤波算法的锂离子电池SOC和SOH估计

为提高锂离子电池荷电状态(state of charge,SOC)的估计精度并准确估计健康状态(state of health,SOH),以二阶RC等效电路模型为研究对象,基于Sage-Husa自适应滤波的思想,对传统的平方根无迹卡尔曼滤波(square-root unscented Kalman filter,SRUKF)进行改进,提出一种自适应SRUKF(adaptive square-root unscented Kalman filter,ASRUKF)算法,该算法通过对状态方差阵和噪声方差阵平方根的递推估算,确保了状态和噪声方差阵的对称性和非负定性。验证结果显示,相比于SRUKF算法,ASRUKF算法能够得到精度更高的SOC估计值,并在FUDS工况下将最大SOC估计误差降低4%。针对电池欧姆内阻和容量参数随着电池的老化而变化的现象,对内阻和容量进行实时在线估计,在此基础上完成对SOH参数的预测。验证结果表明,联合估计算法对电池的欧姆电阻和容量有一个较好的估计,进一步提升了电池状态的估计精度。     

基于实时车况的电动汽车电池工作状态检测方法

随着电动汽车的普及,对动力电池的维护问题逐渐成为电动汽车养护的一大研究课题。提出了一种基于电动汽车实时车况电池老化情况的检测方法,通过对电流变化情况的监测,观察动力电池欧姆内阻的变化,并且通过电动汽车行驶时电池荷电状态(state of charge,SOC)的变化趋势,估计电池健康状态,从而有效地为用户的电动汽车保养提供参考。根据对动力电池SOC、健康状态(state of health,SOH)以及欧姆内阻的变化,来判断是否需要对动力电池进行更换。     

基于差分热伏安法的锂离子电池SOH诊断

当前基于容量、端电压和内阻等电特性参数的健康状态(state of health,SOH)估算模型在实际使用过程中难以真实反映电池老化状态.老化前后电池产生的热量必然存在差异,而温度也是反映SOH的关键特性参数.采用考虑电池温度的差分热伏安(differential thermal voltammetry,DTV)作为锂离子电池SOH诊断方法.分析和比较了6种电流倍率下电池DTV曲线,选取2 C和4 C倍率研究电池老化过程中的DTV特性,提取DTV峰特征参数分析电池衰退特性.接着分析峰特征参数与SOH的关联性.结果表明,4 C峰峰容量与SOH的线性关系最好,可以用于估算SOH.     

灰色神经网络模型在线估算锂离子电池SOH

锂离子电池是一个复杂的电化学动态系统,难以通过单一的监测电池内部的物理和化学特性实现健康状态(state of health,SOH)在线估算。为此提出以欧姆内阻增加量、极化内阻增加量和极化电容减少量作为电池的健康因子(health indicator,HI),并引入灰色神经网络离线训练以HI为输入,电池容量退化量为输出的灰色神经网络模型,最后通过在线构建电池HI实现电池SOH估算。实验结果表明所提出的HI能够有效表征电池健康状态,灰色神经网络模型与BP神经网络模型相比,具有更高的SOH在线估算精度,估算误差不超过2%。     

Online collaborative estimation technology for SOC and SOH of frequency regulation of a lead-carbon battery in a power system with a high proportion of renewable energy

In this paper, a collaborative online algorithm is proposed to estimate the state of charge (SOC) and state of health (SOH) of lead-carbon batteries that participate in frequency regulation of a power system with a high proportion of renewable energy. The algorithm addresses the inaccurate estimation of energy storage battery states caused by continuous and alternating charging and discharging over a short period. Analysis of lead-carbon battery chemistry and materials reveals that the resistance of the diaphragm is the most influential factor in battery aging. In addition, the hysteresis characteristics of an energy storage battery vary significantly between the charging and discharging stages. A second-order RC equivalent circuit model is proposed that considers the contact and diaphragm resistances, and hysteresis characteristics. Based on this, models for constant current charging interaction, constant voltage charging interaction, and dynamic discharging interaction are developed. The adaptive forgetting factor recursive leassquare (AFF-RLS) method is used to identify the parameters of the interactive models. Then an interactive multiple model with the embedded unscented Kalmanfilter (UKF) is used to estimate the SOC of the energy storage battery. The membrane and contact resistances identified by the interactive multi-model (IMM) are used to estimate the SOH, and online collaborative optimization of the SOC and SOH is achieved. The error of the proposed SOC estimation method is experimentally verified to be within 2%, which is less than 5% of the standard value, and the error of SOH estimation is within 0.5%, demonstrating the high accuracy of the proposed method.     

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.     

电池管理系统(BMS)算法研究

介绍了首先区分 BMS 应用场景,然后根据数据中心、储能不同应用场景算法不一样的一种电池管理系统(BMS)算法。该算法在判断电池 SOC 与 SOH 时预先对电池状态进行判断,电池处于浮充、放电、充电还是开路状态下的 SOC 与 SOH 计算方法不一样。这种针对数据中心、储能应用场景特点开发的 BMS,其 SOC 和 SOH 精度大幅度提高。     

Lithium-ion Battery Modeling and State of Charge Estimation

Abstract

State of charge (SOC) is an important indicator for guiding the charging-discharging operation of lithium-ion batteries. In this article, the equivalent circuit model of lithium-ion battery and the variable forgetting factor (VFF) least squares model identification method are proposed. This parameter identification method can improve the accuracy of the lithium-ion battery model, thereby ensuring the accuracy of the SOC estimation. Furthermore, based on the lithium-ion battery model, the adaptive unscented Kalman filter (AUKF) algorithm is proposed to estimate SOC of lithium-ion batteries. Experimental results show that the AUKF algorithm is good robustness, fast convergence, practicality and small error in SOC estimation of lithium-ion batteries. In conclusion, the VFF least squares model identification method and the AUKF algorithm are promising engineering application method.     

基于集成ELM的锂离子电池充电截止电压下的SOC和SOH联合估计

充电截止电压是大多数电动汽车用户充电都会经历的电压点。针对传统安时积分法忽略初始容量误差和电池老化等一系列待优化的问题,提出了双层集成极限学习机(extreme learning machine, ELM)算法,实现锂离子电池充电截止电压下的荷电状态(state of charge, SOC)和健康状态(state of health, SOH)联合估计。首先,提取易测的电池健康特征(health indicator, HI),采用集成极限学习机映射HI及充电所需时间与SOH之间的关系。其次,用测得的HI估计难以在线测量的充电所需时间,对充电截止电压下安时积分法的SOC进行在线修正。该方法充分考虑了电动汽车用户初始充电状态的不确定性,指导电动汽车用户合理充电。此外,通过选择合适的集成ELM模型集成度,解决了单个ELM模型输出不稳定的问题。最后,选用NASA和CALCE数据集进行实验验证。验证结果表明,锂离子电池充电截止电压下SOC的估计均方根误差均小于1.5%,集成ELM相比于其他常见算法具有较高的训练、测试精度和较短的预测时间。     

城轨车用超级电容器SOC的估算方法

针对城轨车辆储能用超级电容器的特点,建立等效电路模型。通过遗忘因子最小二乘算法识别模型参数,采用自适应无迹卡尔曼滤波(AUKF)算法估计超级电容器的荷电状态(SOC)。相比传统的卡尔曼滤波(KF)算法,AUKF算法循环迭代运算超级电容器的参数和SOC,可提高估算的准确度。利用混合脉冲功率特性(HPPC)实验,验证算法的可行性与准确性。KF算法的误差较大,最大误差为6%,平均误差为3%;AUKF算法的结果精度较高,平均误差约为1.5%。     

动力锂电池折旧率的规律研究

碳酸铁锂电池在使用过程中,各项参数会发生规律性变化,其折旧率的规律是反映锂电池能量的重要指标。通过建立电池模型,研究了锂电池剩余电量的估计方法,列举了常见的电池SOC(电池的荷电状态,State of Charge)的估计方法,分析了各种方法的优点和局限性,提出基于人工神经网络模型的SOC预测方法,并在车仿真软件ADVISOR上进行仿真分析。最后通过动力电池SOC的仿真结果,给出了电动汽车动力电池SOH(电池的寿命状态,State of Health)的预测方法,提出通过曲线拟合模型进行预测,得出电池衰减速度的规律。     

基于电压偏移序列的电池健康状态估计方法

针对传统电池健康状态(state of health,SOH)估计方法对充电策略和数据质量的严重依赖问题,提出了一种基于电压偏移序列的SOH估计方法.该方法以新电池的充电曲线为基准序列来构建分段SOC区间的电压偏移序列,提取该序列的分布特征参数后,利用主成分分析法(principal component analysi...     

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。