基于复合模型动力蓄电池SOC估算

采用安时计量法、开路电压法和卡尔曼滤波法相结合估计磷酸铁锂电池初始荷电状态(SOC)。为了修正电池容量特性对SOC的影响,在安时计量法中引入等效电流系数和温度系数,对修正后的安时计量法离散化处理,建立了电池的非线性复合模型的状态方程;结合Shepherd模型、Unnewehr universal模型和Nernst模型获得复合模型的观测方程。建立了基于电池复合模型的扩展卡尔曼滤波法(EKF)来估计SOC。通过Matlab进行了实验研究,经过与实验室测量出的SOC数据对比,EKF收敛很快,设计的估算方法可行实用。     

基于DKF的锂电池SOC与内阻估算

电动汽车电池管理系统(BMS)需要满足对电池荷电状态(SOC)进行准确地估算。为提高传统安时法估算SOC的精度,根据二阶RC等效电路模型,提出了双卡尔曼滤波(DKF)来完成对电池SOC及其欧姆内阻R0联合在线估算的算法。通过进行某型号三元锂电池的复合脉冲功率特性测试(HPPC)实验及放电实验等,离线拟合得到所需模型参数。将Matlab仿真结果与同等条件下的实验结果进行对比分析,证明了DKF算法能够有效地在线估算电池SOC及其欧姆内阻R0,且误差在3%以内。最后,证明了DKF算法能够比安时法更好地估算出各点处的SOC值。     

基于UKF和AH法的磁悬浮人工心脏泵用锂电池SOC估计复合算法

针对锂电池的非线性特性,提出电池状态模型在不同循环次数、不同温度下的具体改进方法;提出安时积分法和无迹卡尔曼滤波算法结合的锂电池荷电状态(state of charge, SOC)复合估计算法,分析新算法的收敛速度、估计精度以及算法复杂度。试验表明,这种复合算法复杂度低,精度高,能快速实现锂电池SOC的准确估计,估算误差为4.036 2%,适合实时在线计算。     

适用于无人水下潜航器电池管理系统的SOC-SOH联合估计

为了提高无人水下潜航器(UUV)电池管理系统状态的估计精度,提出荷电状态-健康状态(SOC-SOH)联合估计方法.搭建测试台架,采用4组锂离子电池进行全寿命周期下的充放电测试,获取不同老化程度下的特性数据.经理论推导和实验分析设计四维表征因子,建立基于改进支持向量回归(SVR)的SOH估计模型.探究电池状态的耦合关系,建立基于扩展卡尔曼滤波(EKF)的SOC估计模型,采用遗忘因子递推最小二乘算法(RLS)更新模型参数,利用SOH对SOC估计结果进行修正.通过不同工况的实验进行验证,结果表明：四维表征因子和电池容量相关性好,SOH估计模型精度高,SOC估计模型精度在联合修正后得到提升.所提的联合估计方法具有较高的通用性和可靠性,可以作为有效的嵌入式电池管理系统状态估计算法.     

锂离子电池新型SOC安时积分实时估算方法

为了准确估算锂离子电池荷电状态SOC,结合传统安时积分法、开路电压法及负载电压法,综合考虑充放电效率、温度等因素的补偿措施,提出一种新型SOC安时积分实时估算方法。建立SOC实时估算仿真模型,并搭建锂离子电池充放电试验平台进行SOC实时估算方法验证。仿真与试验对比分析结果表明:SOC误差值的偏差在3%以内,说明新型安时积分实时估算法具有理论上的可行性,估算方法精确度较高,可为电池SOC实时估算和检测提供重要的参考。     

动力锂电池管理系统的设计及SOC的估算

采用一种分布式控制方案,实现了对120节动力锂电池的电压、电流、温度等数据实时采集;为准确估计蓄电池的荷电状态(SOC)提供了一种可靠的硬件设计方案.结合安时积分法、开路电压法以及卡尔曼滤波器的复合方法,实现该蓄电池组在放电状态下SOC的估计.利用MATLAB工具建立数学模型,结果表明,该算法对锂电池组的SOC估计具有较高精度.     

基于极化效应PNGV模型的动力锂电池SOC估算

为提高锂电池荷电状态的估算精度及模拟锂离子电池实际充放电特性的准确性,本文通过改进现有的PNGV等效电路模型,在PNGV模型基础上,增加一节RC并联模块,使模型更好的反映电池的极化效应。同时,通过实验获取电池充放电特性,为卡尔曼滤波器提供精确的参数,并提出了电池的开路电压曲线模型,通过Matlab拟合验证满足精度要求。最后采用扩展卡尔曼滤波(extended kalmanfilter,EKF)算法对锂电池荷电状态(state of charge,SOC)进行估算,并与安时积分法进行比较。实验结果表明,估算最大误差不超过4.5%,平均不超过3%,提高了SOC的估算精度。该研究为电动汽车运行工况提供了理论依据。     

基于修正参数的电动汽车SOC估算方法仿真

电动汽车电池管理系统中最为重要的一个指标就是电池荷电状态（SOC）的估算。针对铅蓄电池的反应机理和工作特性,提出了一种带修正参数的安时-开路电压结合法,分析了将电池老化、放电效率以及温度等参数进行修正后对估算结果的影响,在Matlab中建立了SOC估算仿真模型。仿真结果和实验结果对比表明,该方法具有较高精度,可以精确地反映动力电池组使用情况。     

基于UKF方法的锂离子电池荷电状态估计研究

选用二阶RC回路的电池模型,以单体的磷酸铁锂动力电池为研究对象,通过充电/放电电流脉冲实验获得电池模型中的各个参数变化范围,研究其荷电状态(SOC)的估算方法.根据电池模型的状态方程和输出方程,运用MATLAB软件,利用无迹卡尔曼滤波(UKF)方法来估算锂离子电池的SOC,并将其估算结果与扩展卡尔曼滤波(EKF)方法的估算结果进行比较.实验结果表明UKF方法能够更精确地估计出动力电池的SOC.     

基于人工神经网络的电池容量预测

为有效地对电动车蓄电池的剩余容量SOC进行预测,引入了人工神经网络BP改进算法的Levenberg-M arquardt(LM)算法;建立了基于镍氢电池的神经网络模型;实现了对镍氢电池充放电过程中任一状态下的剩余容量的预测。结果表明,通过该网络模型可以方便快速的得到电池的SOC值,所得结果满足要求,为电池管理系统提供了一种新的电池SOC的预测方法。     

基于 SHEKF-GPM 融合的锂电池 SOC 估算

荷电状态（SOC）是电池控制策略和管理系统的重要参数。针对积分法和电压法估算锂电池 SOC 时不能减少误差累积现象,提出一种基于平方根高阶扩展卡尔曼滤波（SHEKF）与灰色预测模型（GPM） 融合的算法,用于估算锂电池 SOC。该方法结合遗忘因子递推最小二乘法（FFRLS）和二阶 RC 等效电路模 型实时在线辨识和修改锂电池模型参数,结合 SHEKF-GPM 融合模型进行锂电池 SOC 状态方程的线性部分 和非线性部分估算。通过仿真分析,得到 SHEKF-GPM 融合算法估算 SOC 时的误差低于 0.3%,协方差误 差为 0% 左右,不会产生误差累积。仿真结果表明,该方法能减少误差累积,提高电池管理系统估算锂电池 SOC 时的实用性、有效性和估算精度。     

基于强跟踪卡尔曼滤波的电池SOC估计

针对锂电池模型不准确和状态突变导致SOC估计精度不佳的问题,提出了引入时变渐消因子的强跟踪卡尔曼滤波算法.以HPPC试验方法辨识了锂电池的等效二阶RC模型,对比分析了现有的扩展卡尔曼滤波原理及提出的强跟踪卡尔曼滤波算法.通过结合强跟踪原理和卡尔曼滤波算法并引入时变渐消因子,提出的方法能够强制估计残差保持正交特性,并保证残差满足高斯白噪声特性.仿真验证表明,与扩展卡尔曼滤波原理相比,在模型不准确和状态突变的情况下,强跟踪卡尔曼滤波算法具有更高的估计精度,估计误差低于2.5%,提高了近45%.     

基于变采样率UKF算法的动力锂电池SOC估算

电动汽车处于不同行驶工况时,固定采样率的无迹卡尔曼滤波（Fixed Sampling Rate Unscented Kalman Filter, FSR-UKF）算法不能精确估算荷电状态（State of Charge,SOC）。为克服这一缺点,以传统的UKF算法为基础,针对电动汽车不同行驶状态下电池电流的变化特点,将变采样率采集方法与UKF算法融合,根据受控电压源电池等效电路模型及其参数辨识结果,将变采样率UKF（Variable Sampling Rate UKF, VSR-UKF）算法应用于电池SOC的估算中,并设计估算流程图。最后,通过仿真实验,获得最大相对误差不超过1%的电池端电压仿真结果以及最大相对误差不超过5%的SOC估算结果,验证了本研究的正确性和准确性。     

电动汽车锂电池SOC估算研究

为了精确估算电动汽车锂电池的荷电状态(state of charge,SOC),本文通过对主流SOC估算方法进行分析与比较,提出了一种基于卡尔曼滤波算法的电动汽车能量管理系统(energy management system,EMS)SOC估算方法,同时采用联合模型以保证估算过程中有较好的精度,并在实验室条件下进行实测数据及MATLAB仿真分析。仿真结果表明,卡尔曼滤波算法对锂电池SOC进行在线实时估计是有效的,能够较为准确地计算出SOC值,且估算结果与实测值基本一致,该方法可以用于电动汽车锂电池SOC的估算,具有很强的实际应用价值。     

电动汽车电池管理系统和剩余容量计研究

目的研究和开发电动汽车电池管理系统,实现铅酸储能蓄电池的剩余容量计量技术。方法通过对电动汽车铅酸储能电池基本电化学特性分析,采用了以安时法－Ｐｅｕｋｅｒｔ公式－开路电压法为基本算法,进行电池管理系统的开发,同时考虑了温度、自放电、使用循环寿命等因素对铅酸电池剩余容量预测的影响。结果所开发的管理系统铅酸电池剩余容量静态充放电实验计量误差小于５％,提供给驾驶员一个较准确的剩余容量,并对电池组中每声池进行监测,对铅酸电池的过放电和过充电等非正常工作情况及时报警,实用性强。结论电动汽车电池管理系统可以有效延长电池的使用寿命,优化电池能量的利用,提高电动汽车的性能。     

镍氢电池剩余容量检测系统的研究

为了达到准确测量镍氢电池剩余容量的目的,在传统的检测镍氢电池剩余容量的安时法基础上引入人工神经网络的自适应特性,从而建立基于BP神经网络的电池状态检测数据预测模型,并对该模型进行分析计算,最终的试验结果表明该模型精度可以满足要求.     

基于改进多新息扩展卡尔曼滤波的电池SOC估计

为了提高SOC估计精度,提出基于遗忘因子改进多新息扩展卡尔曼滤波（FMIEKF）方法. 建立锂离子电池的双极化等效电路模型,开展开路电压测试. 通过递归最小二乘法,实现电池模型参数在线辨识. 提出FMIEKF进行SOC估计,该方法在融合多新息辨识理论和卡尔曼滤波基础上,引入遗忘因子削弱历史数据修正权重,解决数据过饱和问题. 通过实验和硬件在环进行验证. 结果表明,FMIEKF具有较高的准确性和收敛性,最大估计误差为0.948%,平均误差为0.214%,在不同SOC初值下20 s内收敛,可以适用于实际的电池管理系统中.     

A comparative study of different online model parameters identification methods for lithium-ion battery

Precise states estimation for the lithium-ion battery is one of the fundamental tasks in the battery management system (BMS), where building an accurate battery model is the first step in model-based estimation algorithms. To date, although the comparative studies on different battery models have been performed intensively, little attention is paid to the comparison among different online parameters identification methods regarding model accuracy, robustness ability, adaptability to the different battery operating conditions and computation cost. In this paper, based on the Thevenin model, the three most widely used online parameters identification methods, including extended Kalman filter (EKF), particle swarm optimization (PSO), and recursive least square (RLS), are evaluated comprehensively under static and dynamic tests. It is worth noting that, although the built model’s terminal voltage may well follow a measured curve, these identified model parameters may significantly out of reasonable range, which means that the error between measured and predicted terminal voltage cannot be seen as a gist to determine which model is the most accurate. To evaluate model accuracy more rigorously, battery state-of-charge (SOC) is further estimated based on identified model parameters under static and dynamic tests. The SOC prediction results show that EKF and RLS algorithms are more suitable to be used for online model parameters identification under static and dynamic tests, respectively. Moreover, the random offset is added into originally measured data to verify the robustness ability of different methods, whose results indicate EKF and RLS have more satisfactory ability against imprecisely sampled data under static and dynamic tests, respectively. Considering model accuracy, robustness ability, adaptability to the different battery operating conditions and computation cost simultaneously, EKF is recommended to be adopted to establish battery model in real application among these three most widely used methods.

     

混合动力挖掘机用镍氢电池SOC估算策略

针对混合动力液压挖掘机上电池充放电工况复杂的问题,提出一种新的结合能量守恒模型和改进型电阻、电容等效电路（RC）模型的电池剩余电荷状态（SOC）综合估算方法,其中能量守恒模型增加了电池的反应热,改进型RC模型在RC模型基础上增加了迟滞效应电压,并运用sigma点卡尔曼滤波法对改进型RC模型的数据进行精确观测,通过调节权重系数将两者结合.针对镍氢(NiMH)池进行充放电实验,并采用能量守恒法、改进型RC模型法以及两者相结合的综合估算方法进行SOC估算的对比研究,结果表明：综合估算方法精度较高,适用混合动力液压挖掘机上电池的SOC估算.