基于扩展卡尔曼滤波算法的锂电池剩余电量估计方法研究

针对非线性系统锂电池剩余电量(State of Charge,SOC)估计常用算法——安时积分法初值精度要求高、累计误差大的问题,提出了基于扩展卡尔曼滤波(Extended Kalman Filter,EKF)算法的SOC估计方法.通过建立合理的电池模型,利用MATLAB仿真在恒流工况下证明:安时积分法的平均误差为2....     

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。     

基于变参数模型的锂电池荷电状态观测方法

锂电池荷电状态(SOC)观测技术作为电池管理系统(BMS)的关键技术,在维持电池系统设备安全高效运作、延长电池组整体生命周期等方面均起着不可或缺的作用.本文以改善锂电池荷电状态的观测结果为目的,对锂离子电池荷电状态的观测方法进行了研究,基于二阶变参数锂电池模型,设计了一种有效的改善SOC观测精度的方法.首先,根据SOC的定义,建立了安时积分估计(AH),通过引入二阶变参数锂电池模型建立扩展卡尔曼滤波估计器(EKF),然后结合Takagi-Sugeno模糊模型原理,设计Takagi-Sugeno和EKF联合估计器(TS–EKF).最后,在Simulink仿真平台上验证了SOC观测方法的准确性和实用性.结果表明,本文所设计的Takagi-Sugeno和EKF联合估计器可以改善SOC观测精度.     

基于变参数模型的锂电池荷电状态观测方法（英文）

锂电池荷电状态(SOC)观测技术作为电池管理系统(BMS)的关键技术,在维持电池系统设备安全高效运作、延长电池组整体生命周期等方面均起着不可或缺的作用.本文以改善锂电池荷电状态的观测结果为目的,对锂离子电池荷电状态的观测方法进行了研究,基于二阶变参数锂电池模型,设计了一种有效的改善SOC观测精度的方法.首先,根据SOC的定义,建立了安时积分估计(AH),通过引入二阶变参数锂电池模型建立扩展卡尔曼滤波估计器(EKF),然后结合Takagi-Sugeno模糊模型原理,设计Takagi-Sugeno和EKF联合估计器(TS–EKF).最后,在Simulink仿真平台上验证了SOC观测方法的准确性和实用性.结果表明,本文所设计的Takagi-Sugeno和EKF联合估计器可以改善SOC观测精度.     

基于OCV分段拟合的电池SOC估计方法研究

电池OCV是影响观测矩阵协方差的关键,因此对锂电池SOC精确估计具有较大影响.根据锂电池SOC-OCV曲线的变化和观测噪声的时变特性,提出了基于OCV分段拟合的锂电池模糊自适应扩展卡尔曼滤波SOC估计方法.建立了锂电池二阶RC模型,通过实验辨识获得电池模型参数.采用分段拟合的方法获得电池精确SOC-OCV曲线,在降低拟合阶数、减少运算量的同时保证了拟合精度.基于模糊控制理论建立了观测噪声协方差模糊调节器,对观测噪声协方差矩阵进行实时调整从而提高算法的自适应能力.在UDDS工况下对算法进行了仿真分析,结果表明,上述算法可以有效提高SOC的估计精度,鲁棒性较好.研究结果为锂电池SOC动态、自适应、高鲁棒性估计方法提供理论依据.     

基于温度补偿的动力锂电池SOC估算方法

动力电池的荷电状态(State of Charge,SOC)是电动汽车的重要参数之一,直接影响电动汽车的安全控制与可续行里程的评估.电池总容量作为估算电池SOC的重要变量之一,其与使用环境温度密切相关,而在SOC估计算法中常被认为是恒定值,从而影响不同环境温度下锂电池SOC估计精度.为实现对锂电池SOC的准确估计,考虑温度对锂电池容量等特性参数的影响,通过引入温度补偿模型,并结合扩展卡尔曼滤波(Extended Kalman Filter,EKF)算法实现对锂电池SOC的动态估计.在不同环境温度下模拟电动汽车实际工况对锂电池进行放电试验,并比较未经温度补偿的SOC算法与补偿后的SOC算法精度.研究结果表明,所提出的方法适用于不同温度的锂电池,能实现较为精确的估计.     

自适应卡尔曼对储能锂电池充放电状态的估算

为了提高对工作状态中动力锂电池组的锂电池荷电状态(SOC)估计,精准的电池模型能够有效地估计SOC值,即提出了非线性模型来描述锂电池的外部特性。自适应性卡尔曼滤波算法有效减小了卡尔曼滤波因为电池模型参数不准确而造成的误差。该算法使系统状态初始化,对下一时刻的不确定性的状态和误差协方差矩阵进行时间更新,计算卡尔曼增益并记录系统观测值,从而有效地修正当前锂电池的SOC估计值、提高滤波精度、降低噪声带来的影响。同时,迭代算法不断用变量的旧值递推新值的过程能够有效地计算卡尔曼增益,不断更新蓄电池工作的SOC而达到更好的收敛效果。根据试验的对比分析,可以得到自适应卡尔曼滤波法(AKF)在电池的SOC值估计上具有更高的精度。算法估计初期能更快收敛,能迅速减小估计误差,并将其计算值和估计值收敛到0.03%,从而有效地延长纯电动汽车的中蓄电池使用时长。     

基于外特性的动力电池参数估计与建模

针对工程中动力电池内部参数无法直接测量的问题,提出一种基于电池外特性的内部参数估计方法,并在此基础上建立动态电池模型,预测电池输出电压。对电池路端放电电压分段分析,通过线性拟合计算电池欧姆电阻,采用基于控制参数的平滑方法估算开路电压有效值,结合Thevenin等效模型估算电池极化阻抗,通过安时积分法计算SOC,构造SOC与电池参数的函数关系,总结经验公式,搭建电池预测模型。通过实验预测不同工况下18650锂电池的电压响应,结果验证了模型的准确性。     

基于MIMO模糊控制的锂离子电池参数自适应等效电路模型及SOC估计

针对锂电池等效电路模型无法在荷电状态(SOC)全区间精确反映锂电池内部真实状态的问题,提出了基于多输入多输出(MIMO)模糊控制的参数自适应等效电路模型.该等效电路模型以新一代汽车伙伴关系(PNGV)模型为自适应原型,根据锂离子电池和PNGV模型的外特性参数差异,由MIMO模糊调节器动态实时修正模型参数,达到精确建模、反映电池内部真实状态的目的.实验验证了自适应参数对模型精度和自适应性能的影响及模型在变工况下的模拟效果.通过对比锂电池参数自适应模型和静态参数PNGV模型的扩展卡尔曼滤波算法估计SOC的误差,验证了参数自适应模型的有效性.     

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.     

噪声特性未知的多传感器协方差交叉融合姿态估计

针对噪声特性未知的多传感器航天器姿态估计过程中互协方差未知的问题, 提出一种鲁棒的协方差交叉(CI) 融合算法. 首先采用容积卡尔曼滤波(CKF) 器获取局部的估计信息; 然后以最小化非线性性能指标为原则求取局部的估计信息权重; 最后使用CI 算法融合各局部估计信息. 此外, 对于由四元数描述航天器姿态时存在的冗余问题, 采用了以误差四元数和误差广义罗德里格参数相互切换的方法来替代. 仿真结果验证了所提出算法的有效性.

     

基于Simulink的锂电池建模仿真

针对锂离子电池SOC(荷电状态)难以估算的问题,通过对电池建立等效的Thevenin电路模型,对不同时刻的SOC的模型参数进行拟合得到动态的模型参数,在Matlab中借助Simulink建立仿真模型,采用模块化结构,建立基于卡尔曼滤波算法的电池SOC估算系统;利用测得的电池电压电流,仿真系统可直接估算出实时的电池SOC,与实际的电池SOC对比,误差保持在2.5%以内,表明该方法可以有效地估计电池的SOC,对于锂离子电池在实际应用的容量估算有着重要意义。     

基于内阻法修正的蓄电池卡尔曼滤波SOC估算

针对蓄电池卡尔曼滤波算法荷电状态SOC（State of Charge）初始值的估计误差较大可能导致前期收敛性较差的问题,通过分析蓄电池放电实验数据,运用灰色关联模型计算电池内阻、电压和电流参数关于SOC的关联度值,将关联度最高的内阻参数作为初始SOC估计值的自变量。然后将初始SOC估计值代入由二阶等效电路模型构建的扩展卡尔曼滤波算法中,进行SOC估计。最后利用电测试平台验证SOC估计准确性,并与电压参数作为初始SOC估计值自变量的方法进行对比。实验结果表明,相对于电压法的初始估计值,内阻法的初始估计值更接近真实值,将其作为卡尔曼滤波算法的起始值,更能提高初期荷电状态估算精度。     

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。     

自动引导车电池SOC估算方法研究

自动引导车(AGV车)工况特殊,电流积分法估算电池剩余容量(SOC)误差较大,而且存在累积误差;为了提高AGV车电池剩余容量估算的准确度,对扩展卡尔曼滤波法估算AGV车电池剩余容量进行了研究,分析了AGV车特殊工况,提出将扩展卡尔曼滤波法的滤波增益改进为动态调整滤波增益,有效提高扩展卡尔曼滤波法的跟踪效果;实验表明使用扩展卡尔曼滤波法估算AGV车电池剩余容量精度较高,采用动态校正的滤波增益提高了估算过程的跟踪效果,解决了AGV车电池剩余容量估算不准确的问题。     

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)。     

基于容积粒子滤波的时延差定位估计算法

在基于粒子滤波的时延差定位估计方法中, 重要密度函数的选取将直接影响估计的性能, 为此, 提出了基 于容积粒子滤波的时延差估计(BCPF-TDE) 算法. 该算法利用最新的数据检测信息, 通过容积卡尔曼滤波(CKF) 获 取粒子滤波的重要性密度函数. 仿真实验表明, 在粒子数目相同的情况下, 基于容积粒子滤波的时延差估计(BCPF- TDE) 方法与基于扩展粒子滤波的时延差估计(BEPF-TDE) 方法相比, 定位估计误差只有后者的50% 左右, 而运行时 间相当.

     

Fractional Modeling and SOC Estimation of Lithium-ion Battery

This paper proposes a state of charge (SOC) estimator of Lithium-ion battery based on a fractional order impedance spectra model. Firstly, a battery fractional order impedance model is derived on the grounds of the characteristics of Warburg element and constant phase element (CPE) over a wide range of frequency domain. Secondly, a frequency fitting method and parameter identification algorithm based on output error are presented to identify parameters of the fractional order model of Lithium-ion battery. Finally, the fractional order Kalman filter approach is introduced to estimate the SOC of the lithium-ion battery based on the fractional order model. The simulation results show that the fractional-order model can ensure an acceptable accuracy of the SOC estimation, and the error of estimation reaches maximally up to 0.5% SOC.      

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。     

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。