基于双扩展卡尔曼滤波的电池荷电状态估计

以磷酸铁锂动力电池为研究对象,以精确估算电动汽车动力锂电池组在实际运行工况中的SOC为目的,基于Thevenin等效电路模型和扩展卡尔曼滤波算法,结合脉冲功率特性实验（HPPC Test）对模型参数进行辨识,采用双扩展卡尔曼滤波对SOC和模型参数进行在线估算,并分析算法在不同温度下的适应性和不同SOC初始值条件下的收敛特性。仿真结果表明,在不同的工况下,相比于单扩展卡尔曼滤波该算法具有更高的精度、更好的环境适应度和对初始误差的收敛性。     

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。     

基于扩展卡尔曼滤波法的矿用可移动救生舱蓄电池荷电状态估计

针对基于安时计量法的矿用可移动救生舱蓄电池荷电状态SOC估计在环境温度或放电电流波动较大的情况下精度较低的问题,提出了一种基于扩展卡尔曼滤波法的矿用可移动救生舱蓄电池SOC估计方法。该方法在安时计量法的基础上,把影响蓄电池SOC估计的环境温度和放电电流因素作为蓄电池系统的噪声,采用扩展卡尔曼滤波法的优化估计递推算法对蓄电池SOC进行实时滤波与估计,从而提高了蓄电池SOC的估计精度。实验结果表明,该方法的蓄电池SOC估计结果与实测值基本一致,可用于矿用可移动救生舱蓄电池管理系统中。     

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.     

基于卡尔曼滤波算法的锂离子电池荷电状态估算

提出并建立了一种锂离子电池二阶电路等效动态模型,在对模型的适应性验证的基础上,设计了一种卡尔曼滤波算法来估算锂离子电池荷电状态。仿真和实验结果表明,卡尔曼滤波算法能有效减少测量噪声以及同一生产工艺下电池的参数不稳定性所带来的影响,并显示了很高的精确度,其中快速估算的精确度为96.1%,缓慢估算的精确度为99.0%。     

基于自适应UKF算法的锂电池荷电状态估计策略

针对噪声的未知统计特性会导致锂电池荷电状态估计精度不高的问题,提出一种自适应无迹卡尔曼滤波算法.算法以锂电池的Thevenin一阶RC模型为研究基础,初始阶段基于协方差匹配判据对状态初值偏差情况进行判断,若存在偏差则引入次优渐消因子修正均值协方差进行抑制,能有效克服状态初值偏差问题,在后继估计过程中,利用Sage-Hu...     

基于Vmin-EKF的动力锂电池组SOC估计

动力电池组的荷电状态(SOC)是电动汽车能量控制的重要参数.针对串联锂电池组的SOC估计问题,建立电池组的Vmin状态空间模型,电池组内单体电池负载电压的最小值Vmin和电池组的SOC分别作为模型的观测变量和状态变量.应用扩展卡尔曼滤波算法,实现对SOC的动态估计.对模拟电动汽车的实际工况进行电池组放电实验,结果表明,该方法能实时准确地估计电池组SOC.     

基于鲁棒H∞滤波的蓄电池荷电状态估计

针对蓄电池系统的荷电状态(SOC)受蓄电池材料及加工制作、工作温度、充放电大小及频率等因素的影响,是一个典型的非线性时变系统,相应的状态估计模型在测量过程中存在噪声干扰引起模型参数不确定性的特征。以安时法为基础,建立SOC的状态方程并应用鲁棒H∞滤波算法预测SOC估计值。仿真研究表明,提出的鲁棒H∞滤波算法在有色噪声干扰下比卡尔曼滤波(Kalman filter)有更好的估计精度;在白噪声情况下,鲁棒H∞滤波算法可通过调节其参数达到和卡尔曼滤波器相同的估计精度。     

18650型锂电池荷电状态的估计

锂电池状态的准确估计,能够延长电池的使用寿命和减少安全事故的发生。为提高BP神经网络估计锂电池荷电状态的精度,提出一种使遗传粒子群算法有目的性的优化BP神经网络初始权值的改进方法。该算法引入K均值算法优化遗传粒子群算法初始粒子分布的随机性带来的误差问题,寻找BP神经网络算法初始权值的权重分配与输出误差的关系,在遗传粒子群算法随机产生的粒子群中进行最优粒子群选优,以降低误差。通过对采集到的18650型锂电池的充放电数据和未改进遗传粒子群算法优化的BP神经网络训练产生的200组BP神经网络的初始权值数据的研究分析,得到具有锂电池特性的BP神经网络的初始权值特征公式。并用MATLAB和FPGA联合仿真验证了改进BP神经网络方法的可行性。该方法也优化了遗传粒子群算法,减小了初值不确定带来的误差。     

基于UKF的电动汽车锂电池SOC估计方法

准确估计电池的荷电状态(SOC,state of charge)是电动汽车电池管理系统研究的关键技术。基于Thevenin模型建立了状态空间方程组,采用无色卡尔曼滤波(UKF,unscented Kalman filtering)算法实现非线性条件下的SOC准确估计。硬件在环仿真试验表明:UKF估计误差小于5%,且当SOC值低于50%时,其估计结果明显优于扩展卡尔曼滤波(EKF,extended Kalman filtering)方法,有较高的实用价值。     

欠观测条件下的增量容积卡尔曼滤波

在工程实践中,由于环境影响、量测设备不稳定等因素,非线性滤波系统中的量测方程可能会出现较大的系统误差,而标准的非线性滤波算法不能消除这类系统误差。针对该问题,假定过程噪声和量测噪声服从高斯分布,利用相邻量测时刻的量测值之差建立增量量测方程,采用3阶球面径向规则获得容积点及其权值。使用容积点对贝叶斯滤波过程中的积分进行数值近似,从而提出增量容积卡尔曼滤波算法。仿真实验结果表明,增量容积卡尔曼滤波算法滤波精度优于标准容积卡尔曼滤波算法与增量卡尔曼滤波算法,能够成功消除量测方程中的系统误差。     

A New Derivation of the Cubature Kalman Filters

This paper investigates the cubature Kalman filtering (CKF) for nonlinear dynamic systems. This third‐degree rule based filter employs a spherical‐radial cubature rule to numerically compute the integrals encountered in nonlinear filtering problems, thereby removing the requirements of explicitly computing the Jacobians. The cubature rule, however, requires computing the intractable integrals over a high‐dimensional spherical region for multidimensional applications. Moreover, the cubature formula that has been used to construct the spherical cubature formula has some demerits, most notably its inconvenient properties in computation and low estimation accuracy. Aimed at these issues, a general class of CKFs that uses only cubature rules is derived in this paper. It can be shown that the conventional CKF is a special case of the proposed algorithm. The paper also includes higher‐degree CKFs, especially two representative types of the fifth‐degree CKFs. Performance of the proposed algorithms is demonstrated via two target tracking problems. The experimental results, presented herein, illustrate the superior performance of higher‐degree CKFs to conventional nonlinear filters.     

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Kalman滤波的Wiener状态估值器

应用经典稳态Kalman滤波理论提出了设计Wiener状态估值器的新方法,其原理是:基于在Wiener滤波器形式下的稳态Kalman滤波器和预报器及ARMA新息模型,由稳态最优非递推状态估值器的递推变形引出Wiener状态估值器.所提出的Wiener状态估值器可统一处理状态滤波、预报和平滑问题.它们具有ARMA递推形式,且具有渐近稳定性和最优性,仿真例子说明了它们的有效性.     

基于CKF的GPS定位误差估计及故障检测

针对卡尔曼滤波(KF,Kalman filter)算法无法解决非线性系统估计的问题和扩展卡尔曼滤波(EKF,extended Kalman filter)算法在GPS卫星导航定位误差估计中存在的线性化误差大、需求解繁琐的Jacobian矩阵等问题,将较新型的卡尔曼滤波算法——容积卡尔曼滤波(CKF,cubature Kalman filter)应用于GPS定位计算,在算法精度上与KF和EKF算法进行了比较,并利用定位误差进行GPS故障卫星的检测.利用实测导航电文数据进行实验,结果表明:CKF用于导航定位估计不仅精度高,而且实现简单,无可调参数,性能明显优于KF和EKF,并可进一步用于故障检测.     

一种卡尔曼增益约束滤波算法

在滤波过程中,将卡尔曼增益结合约束条件,可以有效地提高滤波精度.论文推导了含有卡尔曼增益约束条件的代价函数,根据Karush-Kuhn-Tucker（KKT）最小化的一阶必要条件,使用高斯牛顿法求出约束卡尔曼增益的最优约束解.最后对具有约束条件的目标跟踪问题进行了仿真实验,结果表明该算法的跟踪精度要高于普通卡尔曼滤波算法.