共查询到20条相似文献,搜索用时 62 毫秒
1.
基于灰色扩展卡尔曼滤波的锂离子电池荷电状态估算 总被引:1,自引:0,他引:1
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。 相似文献
2.
估算能量状态是电池管理系统的主要功能之一,因为对于电动汽车而言能量状态是预测续航里程、能量管理分配和优化以及实现电池组均衡的的重要参数。传统的功率积分方法,其准确性依赖于较高精度的电压、电流传感器,因而成本高。因此,基于改进的戴维南电路模型,将扩展卡尔曼滤波法(EKF)用来估算电池的剩余能量状态和荷电状态,且使用遗忘递推最小二乘法在线实时辨识模型参数。结果表明,此方法具有较好的估算精度,在复杂动态电流测试工况估算误差可以保持在2%以内,而且能量状态(SOE)比荷电状态(SOC)更适合反映能量的变化。 相似文献
3.
针对锂离子电池的荷电状态(SOC)估算问题,给出一种综合型卡尔曼滤波算法。该算法采用递推最小二乘算法(RLS)对锂离子电池模型参数进行实时在线辨识和参数更改;采用综合型卡尔曼滤波器估计电池SOC,即针对模型状态空间方程中的线性部分和非线性部分,分别使用线性卡尔曼滤波器(KF)和平方根高阶容积卡尔曼滤波器(SHCKF)计算。两种卡尔曼滤波器结合的综合型策略能够有效减小计算复杂度。其中,SHCKF结合了五阶球面-径向容积法则和平方根滤波技术,比扩展卡尔曼滤波器(EKF)、无迹卡尔曼滤波器(UKF)和容积卡尔曼滤波器(CKF)等传统非线性滤波器的估计精度更高,数值稳定性更强。实验结果证明了该综合型算法的可行性和有效性。 相似文献
4.
传统的锂离子电池SoC估算以固定参数的电池模型为基础,不能反映电池内部的真实状态,进而影响了估算精度。为此,提出一种模型参数自适应辨识与SoC估算相结合的协同估算方法。首先建立电池二阶RC等效电路模型,通过脉冲充放电实验获取开路电压与SoC关系并进行分段线性化,得到模型状态空间表达式。然后采用限定记忆递推最小二乘法进行模型参数自适应辨识与逐步更新,并设计PI观测器以实现SoC估算,两者协同从而提高估算精度。理论分析证明了PI观测器的鲁棒性。实验和仿真结果表明,该算法具有很高的SoC估算精度,估计误差范围在1.5%以内,平均估算误差只有1.28%。 相似文献
5.
估算算法先进性与否是影响锂离子电池荷电状态(SOC)估算准确度的重要因素。用扩展卡尔曼滤波(EKF)算法估算锂离子电池SOC时在低容量区和估算后期误差较大,为此将EKF算法和安时积分法(AH)相结合,提出EKF-AH联合算法。选用恒流放电及动态工况对联合算法进行实验验证。结果表明,在两个实验工况下对SOC的估算误差分别小于2%和3%。因此EKF-AH相比于EKF,估算精度提高。 相似文献
6.
针对电动叉车的动力电池组荷电状态(SOC)的实时估计,考虑到电池存在的差异性,采用电池选型外部滤波过程,建立了二阶RC等效电路模型与电池组均值模型,并提出了FFRLSEKF联合算法。运用带遗忘因子的最小二乘法(FFRLS)进行模型参数辨识,结合扩展卡尔曼滤波算法实现SOC估计。通过试验测试与MATLAB计算验证,结果表明开路电压(OCV)模型估计值与实际值的误差均值约为0.02V,动力电池组SOC值与各单体电池均值的误差小于2%。该方法应用于电池组,可实现电池组内各单体电池的最大可用容量和荷电状态一致性估计。 相似文献
7.
对目前的锂离子电池荷电状态估算方法进行了总结和分类。估算方法有两大类—直接法和间接法。直接法包括库仑计数法、开路电压法和内阻法。间接法包括基于模型、数据驱动和融合的方法。 相似文献
8.
9.
10.
11.
电池的荷电状态(State of charge,SOC)是锂电池组电池管理系统的重要参数,而电池的SOC估算受到很多因素的综合影响,难以保证其估算精度。准确的电池模型是精确估算SOC的基础,通过对电池模型的改进、模型参数的实时更新,提高了模型参数的精确度;修正的扩展卡尔曼滤波并结合修正的安时积分法,减小了温度、充放电倍率等因素的影响,从而提高了SOC估算的精度。 相似文献
12.
13.
实现电池荷电状态(SOC)的估算预测是电池管理系统(BMS)的重要任务之一。电池模型参数的辨识是实现锂离子电池SOC估算的前提,也是决定其估算精度的关键因素。本文以18650型锂离子单体电池为研究对象,采用带时变遗忘因子的递推最小二乘法(TVFFRLS)对电池参数进行在线辨识,实现遗忘因子自适应的自动寻优,提高参数在线辨识的稳定性。在此基础上,采用自适应容积卡尔曼滤波(ACKF)对锂离子电池SOC进行估算,对过程噪声、量测噪声的协方差实时更新,并在不同工况下进行算法验证。结果表明,该算法噪声抑制性能良好,可以提高SOC的估算精度,最大估算误差不超过1.5%,且ACKF算法具有较强的鲁棒性。 相似文献
14.
15.
精确估计锂离子电池荷电状态(SOC)是电池管理系统的关键技术之一,直接影响着动力锂电池组的使用效率和安全
性。 锂离子电池特性复杂,其 SOC 无法直接测量,且受电流、温度等因素的影响较大。 为此,提出了一种基于门控循环单元
(GRU)神经网络与无迹卡尔曼滤波(UKF)相结合的组合算法。 该方法利用 GRU 网络获得可测量的电流、电压、温度与锂电池
SOC 之间的非线性关系,并以此作为 UKF 的观测方程。 然后,通过 UKF 估计 SOC 值以提高算法的估计精度。 实验结果表明,
在不同温度以及不同的工况下,本文所提方法的均方根误差(RMSE)和平均绝对误差(MAE)分别小于 0. 51%和 0. 46%,均能提
高 SOC 的估计精度。 相似文献
16.
准确估计三元锂电池的荷电状态(SOC)是保障电动汽车安全稳定运行的基础。针对传统BP神经网络估计精度不高,而RBF神经网络也容易陷入局部最优的问题,提出一种基于自适应麻雀搜索算法与RBF神经网络联合的三元锂电池SOC估计方法。首先,对标准麻雀搜索算法进行改进,采用精英混沌反向机制初始化麻雀种群,采用柯西-高斯变异策略优化麻雀种群中跟随者位置更新公式;然后,使用改进后的麻雀搜索算法对RBF神经网络的初始权值和宽度参数进行寻优,以提升算法对SOC的估计精度;最后,基于三元锂电池的充放电实验数据进行模型验证。结果表明,动态应力测试工况下,所提联合算法模型SOC估计均方根误差为0.694%,平均百分比误差为3.15%,能很好的应用于三元锂电池SOC估计。 相似文献
17.
18.
19.