基于RTS-IEKPF算法的锂电池SOC估算

针对瞬间大电流充放电使电池非线性加剧,使用迭代扩展卡尔曼滤波算法(IEKF)估算电池荷电状态(SOC)时会有较大误差。为了减小误差,进一步提高SOC的估算精度,提出一种基于锂电池复合电化学模型的融合RTS最优平滑的迭代扩展卡尔曼粒子滤波算法(RTS-IEKPF)。该方法利用RTS(Rauch-Tung-Streibel)最优平滑算法与IEKF算法结合生成粒子滤波的建议分布,得到RTS-IEKPF,并用该方法来估算锂电池的SOC。实验结果表明,RTS-IEKPF算法SOC的估算精度优于PF,IEKF和IEKPF算法SOC的估算精度。     

电动汽车锂离子电池模型参数辨识和荷电状态估算

针对电动汽车锂离子电池荷电状态在线估算准确率低、实时性差等问题,文中建立一种精确在线估算荷电状态的有效方法,采用MAFF-RLS和EKF对荷电状态进行估算。建立锂离子电池的等效电路模型,将MAFF-RLS应用在电池等效电路模型的参数辨识上,可以有效在线辨识模型参数。在模型参数辨识的基础上,将辨识出的模型参数作为荷电状态估算的输入,采用EKF估算动力电池实时荷电状态。经过实验仿真发现,采用MAFF-RLS和EKF联合估算荷电状态能够提高估算精确度,估算误差仅在2%以内。     

动力型锂电池SOC与SOH协同估计

锂电池及其应用近年来逐渐成为研究热点。以提高电池管理系统(BMS)对电池荷电状态(SOC)和健康状态(SOH)的估算精确度为目标,在建立二阶Thevenin等效电路模型基础上提出一种能在线协同估算电池荷电状态和健康状态的改进扩展卡尔曼滤波算法。通过分阶段脉冲放电实验,并利用最小二乘法求得模型参数。在动态应力测试工况(DST)下借助Matlab对比分析了改进扩展卡尔曼算法在SOC和SOH估计精确度、错误初值时算法收敛性、算法复杂度等方面的性能。实验表明,利用该算法可以精确估计出各采样点处的SOC和SOH,误差低于1%;且在初值不准确情况下,运行算法可快速收敛至真值附近,算法估算结果的准确性与模型参数的微调无关,鲁棒性较好。     

电动汽车锂离子电池荷电状态估算方法研究综述

锂离子电池具有循环寿命长、能量密度高、自放电率低、环境污染小等优点,在电动汽车产业中得到广泛应用。电动汽车中的电池管理系统(BMS)可以维护和监测电池状态,确保电池的安全性和可靠性。电池荷电状态(SoC)表示电池中剩余的电量,是BMS的重要参数之一,实时精确的SoC估算可以延长电池寿命,保障行驶安全。然而锂离子电池是一个高度复杂的非线性时变系统,电池寿命、环境温度、电池自放电等许多未知因素均会对估算精度造成影响,使估算难度大大增加。为了满足不同条件下对锂离子电池SoC精确、快速、实时估算的要求,需要对SoC估计算法进行进一步研究与改进。近年来已有相关文献对锂离子电池SoC的估算方法进行了综述,然而已有相关综述对估算方法的总结不够全面且缺少流程表达。该文首先介绍了锂离子电池的工作原理,阐述了影响电池SoC估算的因素;其次,通过总结最新的研究成果对电池SoC估算方法进行了归纳分析,根据各类算法的不同特性将其分为查表法、安时积分法、基于模型的方法、数据驱动的方法以及混合方法五大类,说明了各类估算方法的主要特征并对模型或算法的优缺点进行综合的比较和讨论;最后,对电动汽车中锂离子电池SoC估算方法的未来发展方向做出展望。     

电动汽车锂离子电池荷电状态估算方法研究综述

锂离子电池具有循环寿命长、能量密度高、自放电率低、环境污染小等优点,在电动汽车产业中得到广泛应用.电动汽车中的电池管理系统(BMS)可以维护和监测电池状态,确保电池的安全性和可靠性.电池荷电状态(SoC)表示电池中剩余的电量,是BMS的重要参数之一,实时精确的SoC估算可以延长电池寿命,保障行驶安全.然而锂离子电池是一个高度复杂的非线性时变系统,电池寿命、环境温度、电池自放电等许多未知因素均会对估算精度造成影响,使估算难度大大增加.为了满足不同条件下对锂离子电池SoC精确、快速、实时估算的要求,需要对SoC估计算法进行进一步研究与改进.近年来已有相关文献对锂离子电池SoC的估算方法进行了综述,然而已有相关综述对估算方法的总结不够全面且缺少流程表达.该文首先介绍了锂离子电池的工作原理,阐述了影响电池SoC估算的因素;其次,通过总结最新的研究成果对电池SoC估算方法进行了归纳分析,根据各类算法的不同特性将其分为查表法、安时积分法、基于模型的方法、数据驱动的方法以及混合方法五大类,说明了各类估算方法的主要特征并对模型或算法的优缺点进行综合的比较和讨论;最后,对电动汽车中锂离子电池SoC估算方法的未来发展方向做出展望.     

基于多元算法的锂电池SOC估算研究

电池的荷电状态(SOC)是反映电池剩余电量状态的重要参数,精确估计SOC值是电池管理系统(BMS)最重要的功能之一。传统的SOC估算方法如安时积分法、开路电压法、内阻法等的单独使用很难做到对SOC值的精确估计。针对电池SOC前期估算不准、后期累积误差逐渐变大的问题,以Thevenin模型为基础,对传统的安时积分法进行了改进。前期配合开路电压法获取SOC的精确初值,后期结合扩展卡尔曼滤波法修正安时积分法的累积误差,最后用MATLAB对整个过程及其结果进行曲线拟合和分析,实验结果显示所提方法在SOC估算的过程中误差都可以保持在8%范围内,具有较高的估算精度。     

一种基于预测开路电压的SOC估算方法

估算锂离子动力电池荷电状态（SOC）是电池管理的一个难点,通过对电池放电曲线及恢复曲线分析,拟合出电池开路电压的计算公式,解决了动态情况下预测电池开路电压的问题,使开路电压估算SOC在电动车上使用成为可能。本文采用建立电池模型的方法,通过实验所得数据对模型进行曲线拟合,得到最优参数,并通过另外几组数据进行验证。实验结果...     

基于扩展卡尔曼滤波模型的电动汽车锂电池SOC估算研究

针对新能源电动汽车锂电池电荷状态SOC估算问题,在锂电池二阶RC等效电路模型基础上,引入扩展卡尔曼滤波方法,利用扩展卡尔曼滤波方法处理复杂非线性系统能力,建立了扩展卡尔曼滤波锂电池SOC估算模型,并通过MATLAB/Simulink对新建模型仿真分析。仿真结果显示,建立的扩展卡尔曼滤波锂电池SOC估算模型具有较高估算精度,整体误差小于±0.05%,满足新能源电动汽车对锂电池SOC估算要求。     

基于神经网络与UKF结合的锂离子电池组SOC估算方法

锂离子电池组作为电动汽车的主要动力能源,对荷电状态的准确估计是电动汽车的关键技术之一。准确的SOC估计,对锂离子电池组的寿命维持及电动汽车的行车安全,具有十分重要的意义。基于此设计一种基于神经网络与无迹卡尔曼滤波器(UKF)相结合的SOC估算方法,既克服了UKF需要等效电池组电路模型的缺点,也能显著减小神经网络估算方法的最大误差。该实验数据来源于高级车辆仿真器(ADVISOR2002)基于实际工况的仿真结果,经实验数据证明,该方法具有有效性和实用性。     

基于人工智能的锂电池SOC预测建模与优化

为了实现退役动力锂电池荷电状态(State of Charge,SOC)的预测,针对退役锂离子电池特殊的非线性关系,提出自适应法和列文伯格算法(Levenberg-Marquardt,LM)相结合优化BP神经网络估算退役锂电池SOC的VLLM动态模型,并验证了随机工况下退役锂电池SOC预测的可靠性。实验结果表明,该模型用优化神经网络法估算SOC的误差能控制在1%以内,随机工况误差在5%以内,提高了退役锂电池SOC的预测精度,为退役锂电池的梯次利用奠定了基础。     

动力电池荷电状态估算方法的研究

由于电池本身特性决定了电池电量的预测成为电动汽车开发的一个难点。但目前各种方法都难以精确地测量蓄电池的剩余电量,并以此计算电动汽车蓄电池的荷电状态（SOC）。在对目前常用的剩余电量计量方法分析基础上,提出了一种基于开路电压法和安时法复合的估算方法,然后利用卡尔曼滤波估计递推算法对蓄电池SOC进行实时估算,并在MATLAB下进行了仿真,实现了电池荷电状态（SOC）的精确估算。     

基于ARM电池组均衡控制系统算法应用

为了弥补单体电池因电压差造成过充过放性能较弱的缺陷,同时为保护电池组,以提高其有限容量利用率,提出并设计了一种优化的基于ARM Cortex-M3电池组均衡控制算法应用系统。以EXP-LM3S811作为开发平台,实现上、下位机数据通信、荷电状态(SOC)算法、电池参数及报警功能,采用一种优化的电量复合估算方法,对电池组SOC进行准确计算,并且利用Labview人机界面实时监控电池组工作状态。通过仿真和实验证明,该系统提高了均衡控制效率和精度,具有较好的电池利用率。     

串联锂离子电池组荷电状态评估方法对比

分析了多芯串联锂离子电池组中各组成电芯初始荷电状态差异引起的安全问题,研究了充电电压、放电电压和开路电压与荷电状态对应关系,并进行了试验验证,定量分析和试验验证了电芯间的初始开路电压差异、初始放电电压差异、初始荷电状态差异三者与锂离子电池组安全性的对应关系,提出了初始荷电状态差异的考核方法。     

基于CKF的系统误差与目标状态联合估计算法

针对量测信息中系统误差对目标状态估计精度造成 的不利影响,提出了一种基于容积卡尔曼滤波(CKF)的系统 误差与状态联合估计(JE-CKF)算法。在算法实现中,首先采用状态向量维数扩展方法建立 非线性滤波框架下的系统误差配 准模型,其次根据系统误差配准模型对量测信息中的系统误差进行估计,进而通过对CKF实 现中量测预测值 的修正,改善量测残差中系统误差对滤波精度的影响。理论分析和仿真结果验证了算法的可 行性和有效性。     

一种锂电池组无损均衡管理系统设计

针对动力锂电池组充放电过程中,各单体电池之间存在的不一致性,设计了超级电容与双向DC-DC变流器相结合的无损均衡管理系统。采用无迹卡尔曼滤波法估算锂电池的荷电状态,与通常采用的扩展卡尔曼滤波器进行了对比研究,经实验验证,本系统能够快速、高效地实现锂电池组的均衡控制,实现精确地锂电池SOC(State of Charge)估计,提高了动力锂电池组的可靠性和安全性。     

混合卡尔曼滤波在外辐射源雷达目标跟踪中的应用

为了提高无迹卡尔曼滤波(UKF)中误差协方差矩阵的估计精度,该文结合外辐射源雷达目标跟踪模型,提出了一种混合卡尔曼滤波(MKF)算法,首先通过UKF对目标状态进行一次后验估计,然后重新建立一个观测方程,把UKF滤波输出的状态估计值转化为新建观测方程的量测值,并通过线性卡尔曼滤波对状态进行二次最优估计。实验结果表明,与扩展卡尔曼滤波(EKF), UKF相比,MKF明显提高了外辐射源雷达目标跟踪的精度。      

基于ARM电池检测管理系统的设计与实现

针对电池组进行充放电时,电池组内每个电池存在荷电状态(SOC)值不一致的问题,设计并实现了电池检测管理系统.提出了基于开路电压法、安时计量法以及卡尔曼滤波算法相结合的SOC值估计方法,通过飞渡电容实现每个电池之间能量的转移,最终使每个电池的SOC值趋向于一致.测试和实验结果表明,电池组进行充放电时,电池检测管理系统能够有效地解决每个电池SOC值不一致的问题,大大地提升了电池的使用寿命和使用效率.     

基于VMD和DAIPSO-GPR解决容量再生现象的锂离子电池寿命预测研究

锂离子电池应用时表现出的时变、动态、非线性等特征,以及容量再生现象,导致传统模型对锂离子电池剩余使用寿命(RUL)预测的准确性低,该文将变分模态分解(VMD)和高斯过程回归(GPR)以及动态自适应免疫粒子群(DAIPSO)结合,建立RUL预测模型。首先利用等压降放电时间分析法,提取健康因子,利用VMD对其进行分解处理,挖掘数据内在信息,降低数据复杂度,并针对不同分量,利用不同协方差函数建立GPR预测模型,有效捕获了数据的长期下降趋势和短期再生波动。利用DAIPSO算法优化GPR模型,实现核函数超参数的优化,建立了更准确的退化关系模型,最终实现剩余使用寿命的准确预测,以及不确定性表征。最后利用NASA电池数据进行验证,离线预测结果表明所提方法具有较高预测精度和泛化适应能力。     

基于主成分分析的液流电池状态估计策略研究

为克服放电后期电压拐点对锌溴液流电池（ZBFB）荷电状态（SOC）辨识精度的影响,研究基于主成分分析（PCA）的锌溴液流电池荷电状态估计方法。以提高锌溴液流电池SOC参数辨识精度为目标,特别是解决锌溴液流电池在放电后期特有的电压拐点非线性特性,在兼顾实际算力限制与运行速率要求的条件下,对锌溴液流电池SOC参数辨识算法进行分析。研究结果表明,所提方法兼顾空间维度特征提取以及系统降维建模,可有效改善电压拐点处的电池SOC的辨识精度,为锌溴液流电池的长时储能应用提供理论与算法分析基础。     

基于改进型极限学习机的锂离子电池健康状态预测

针对目前利用机器学习方法预测锂离子电池健康状态( SOH)存在的训练时间长和预测精度低的问题,本文提出了一种基于改进型极限学习机(ELM)的SOH预测模型。首先利用灰色关联分析法选取出健康因子(HI)并将其作为模型的输入,然后通过自适应粒子群优化(APSO)算法对多层极限学习机(ML-ELM)的输入权重和隐层偏置进行了优化,最后利用NASA的3组锂离子电池数据对所提出的模型进行验证,并且与其他机器学习算法进行了比较。仿真实验结果表明,本文提出的APSO-ML-ELM算法的预测结果的RMSE小于2％并且MAPE小于1％,训练时间也相对更短。