采用多模模型的锂离子电池荷电状态联合估计算法

针对单一的等效电路模型难以准确描述全时段的锂离子电池、估计电池荷电状态(SOC)准确度低的问题,提出采用多模模型的锂离子电池荷电状态联合估计算法。利用电化学阻抗谱分析不同SOC下锂离子电池的阻抗分布,并以此构建等效电路模型来描述整个充放电过程中的锂离子电池,得到一种基于变阶RC模型的多模模型。利用贝叶斯定阶准则综合模型的准确度和实用性来确定具体阶数,采用带有遗忘因子的递推最小二乘法对模型参数进行在线辨识,利用扩展卡尔曼滤波算法(EKF)求得锂离子电池的实时SOC。在恒流工况以及动态应力测试工况下,与传统基于一阶RC模型和二阶RC模型的EKF算法进行了多组实验对比。结果表明:采用多模模型的联合算法在不同工况下估计的SOC精度提高了30%以上,并均可在两个迭代周期内追踪到准确值。     

锂离子电池荷电状态预测方法研究

针对电动汽车锂离子动力电池组能量管理中的荷电状态(SOC)预测问题,提出一种根据SOC及电流(SOC-I)计算库仑效率的方法,并建立电池SOC、充放电电流及充放电库仑效率的关系.以无迹卡尔曼滤波(UKF)算法为基础,采用自适应无迹卡尔曼滤波(AUKF)算法预测电池SOC,并将提出的库仑效率计算方法与UKF算法相结合构造了SOC-I-AUKF算法,该算法在预测过程中不断调整库仑效率、系统噪声协方差以及量测噪声协方差,以实现系统状态最优化预测.实验结果表明,SOC-I-AUKF算法有较好的SOC预测效果,与UKF算法相比,其SOC预测绝对误差、相对误差和平均误差水平都有显著提高.     

基于FFRLS-AEKF的6轮足机器人电池SOC估计

针对6轮足机器人动力电池的荷电状态(state of charge, SOC)估计精度低、电池模型准确度不高等问题,提出一种基于带遗忘因子的递推最小二乘(recursive least squares with forgetting factor,FFRLS)与自适应扩展卡尔曼滤波(adaptive extended Kalman filtering,AEKF)相结合的估计算法。首先通过FFRLS算法辨识建立动力电池等效模型参数;然后利用AEKF对SOC在线估计,并为参数辨识提供准确的开路电压;最后以机器人锂电池包为对象,在动态应力测试工况(dynamic stress test , DST)下实验验证了该算法可以准确地估算动力电池SOC,SOC估计相对误差在2.5%以内。      

电动汽车蓄电池荷电状态的卡尔曼滤波估计

对电动汽车剩余里程的预测需要一个准确的蓄电池荷电状态(SOC)值，但目前任何方法都不能精确地测量蓄电池的剩余电量，以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的基础上，提出了一种基于电流的测量，然后利用卡尔曼滤波估计递推算法对蓄电池SOC进行实时估计，并在MATLB下进行了仿真。     

基于改进粒子滤波算法的动力锂离子电池荷电状态估计

传统电池荷电状态(SOC)估计中常用的扩展卡尔曼滤波(EKF)和无迹卡尔曼滤波(UKF)方法仅适用于线性系统和高斯条件,虽然粒子滤波(PF)算法能用于非线性和非高斯系统,但PF算法在滤波更新时存在粒子退化现象,使粒子集无法表示实际后验概率分布,导致估计精度降低.采用改进的扩展粒子滤波(EPF)和无迹粒子滤波(UPF)算法对电池SOC进行估计,抑制了粒子权重退化.以Thevenin模型对电池进行建模,利用带遗忘因子的最小二乘方法进行模型参数辨识,结合改进后的滤波算法对电池SOC进行估计.实验结果表明,以UKF为建议密度函数进行重采样的UPF方法平均估计误差为0.71%,低于以EKF为建议密度函数的EPF方法平均误差(1.09%),两种方法的估计误差均小于PF估计误差(1.36%),有效抑制了粒子权重退化.     

融合阻抗模型与扩展卡尔曼滤波的锂离子电池荷电状态估算

随着电动汽车(electric vehicles,EV)的发展,电池荷电状态(state of charge,SOC)估计受到越来越多关注.荷电状态的精确估计对于电动汽车的能量管理至关重要,然而,估算精度成为限制其发展的瓶颈.本文在阻抗谱分析基础上,利用恒相元件(constant phase element,CPE)导...     

小波降噪卡尔曼滤波锂电池荷电状态估计

针对锂离子电池充放电电压信号(DCV)中存在的噪声信号导致荷电状态(SOC)估计精度降低、波动较大的问题,提出了一种基于离散小波变换(DWT)的降噪扩展卡尔曼滤波(EKF)算法。该算法利用多分辨率分析(MRA)分解携带噪声的DCV信号,通过对比4种阈值硬阈值降噪规则对携带噪声的DCV信号的降噪处理效果,选择Stein无偏风险阈值硬阈值降噪规则调整小波系数,通过含自适应遗忘因子的递推最小二乘法辨识电池模型参数后,利用扩展卡尔曼滤波算法估计SOC。仿真结果表明:使用Stein无偏风险阈值硬阈值降噪规则有效地降低了DCV信号中的噪声信号;所提算法具有较好的鲁棒性,能够有效地提高SOC估计精度,使SOC估计误差范围控制在3%之内。     

基于自适应卡尔曼滤波的梯次电池荷电状态估算

针对梯次电池荷电状态初始值不明确、估算不准确的问题,提出基于自适应卡尔曼滤波算法的梯次电池荷电状态的估算方法;建立梯次电池的全寿命周期模型,在卡尔曼滤波算法的基础上引入自适应估算原理,实时估算时变噪声,提高滤波稳定性,增强自适应特性.仿真结果表明,当荷电状态初始值为30％、50％、60％时,该算法表现出优良的自适应特性...     

锂离子电池荷电状态的在线融合估计方法

为提高安时积分法对荷电状态估计的精度,解决其估计误差随时间不断增大的问题,采用极限学习机算法建立了安时积分法的误差预测模型,该模型以电池工作电流作为输入,对应的安时积分法荷电状态估计误差作为输出,将误差预测模型与安时积分法进行融合,对安时积分法的荷电状态估计值进行校正,形成了安时积分法和极限学习机方法融合的锂离子电池荷电状态在线估计方法.仿真分析结果表明,相比安时积分法,融合方法可有效减小荷电状态估计误差,克服安时积分法估计误差随时间不断增大的问题.     

修正参数的安时法估算锂离子电池剩余电量

安时法是目前估算锂离子电池荷电状态(SOC)最常用的方法之一.由于安时法不能估计初始荷电状态(SOC0),且难于准确测量库仑效率和电池可用容量变化,会造成累计误差,影响SOC估算精度.考虑锂离子电池的可用容量会随环境温度、放电电流以及电池老化等性能影响,结合开路电压法和安时法,对比实验数据进行误差分析与校正,提出了一种提高SOC估算精度的修正参数方法.仿真结果表明,用修正参数的安时法估算电池剩余电量可以减少误差,提高精度.     

锂电池SOC参数识别、优化及监测研究

为了延长微网系统中储能装置的使用寿命,保证微网系统的稳定可靠运行,需对锂电池荷电状态(SOC)进行实时准确的监测。提出一种基于递推最小二乘法(RLS)和扩展卡尔曼滤波算法(EKF)的电池SOC参数识别优化及检测方法,并在MATLAB/Simulink仿真环境下进行可行性验证。结果表明,该方法能够在极小误差范围内实现对锂电池SOC的实时监测。     

等效滞回模型在锂离子电池SOC估计中的应用

锂离子电池荷电状态的快速准确估计是电池管理系统的关键技术之一.针对锂离子电池这一动态非线性系统,通过测试分析锂离子电池的滞回特性,建立了锂离子电池的二阶RC滞回模型,并利用容积卡尔曼滤波算法对电池荷电状态进行估算.实验结果表明,该模型能较好地体现电池的动态滞回特性,而且容积卡尔曼滤波算法在估算过程中能保持较高的精度.     

基于GNL模型自适应无迹卡尔曼滤波的电动汽车的荷电状态估计

随着电动汽车的高效发展,逐年递增的退役动力电池回收利用已刻不容缓,对电池进行精确、可靠的荷电状态(state of charge,SOC)估计是实现电池梯次利用的关键技术。传统估计方法均未考虑对老化电池影响较高的自放电因素,本文采用在二阶RC模型基础上考虑了自放电因素的GNL电路等效模型,通过脉冲放电对模型参数进行辨识。对相应的状态空间方程利用矩阵二次型方法进行离散化,并利用自适应无迹卡尔曼滤波算法对SOC进行实时估计及更新。在间歇恒流工况和变电流工况下以老化电池为实验对象对算法进行了对比验证,结果表明双卡尔曼滤波法在初值估计不准确的时候不能及时收敛到SOC真值附近并跟随,基于二阶RC模型的自适应滤波算法估计的误差在工况后期较大,基于GNL模型的自适应滤波算法对老化电池的估计精度较高,误差在0.5%之间。结果表明该方法可使状态估计值具有较小的误差和快速跟随性,满足了SOC 估计的实际需求。     

基于CNN-Transformer的锂离子电池健康状态估计

目的 健康状态是评估锂离子电池状态的关键参数,对锂离子电池的安全使用有着十分重要的意义,为了获得准确可靠的健康状态估计结果,建立基于卷积神经网络和Transformer的锂离子电池健康状态估计方法,利用不同模型的数据挖掘特性,将健康指标的深层信息和随循环周期增加的时序信息并行提取。方法 从锂离子电池放电过程中的部分电压和温度曲线中提取3个与健康状态相关性较强的健康指标作为模型输入,利用卷积神经网络强大的特征提取能力挖掘健康指标的局部特征,利用Transformer的顺序处理能力挖掘健康指标的时序特征,将健康指标的局部特征和时序特征进行特征融合,通过卷积和全局平均池化层输出健康状态估计值。结果 本研究使用MIT数据集进行实验验证,并与卷积神经网络和长短时记忆神经网络进行对比分析,所提出的方法的均方根误差和平均绝对误差是最低的,为0.11和0.08,最小相对误差为0.61%。结论 所提出的CNN-Transformer健康状态估计采用不同模型挖掘健康指标不同的特征信息,能够充分利用锂离子电池放电数据,且具有良好的估计效果。     

改进PSO优化LSSVM的锂电池SOC估算模型

为提高锂电池荷电状态(SOC)的估算精度,提出一种改进粒子群优化(PSO)算法;对最小二乘支持向量机(LSSVM)的惩罚参数C和核函数参数σ进行寻优,建立基于改进PSO-LSSVM的锂电池SOC估算模型.对磷酸铁锂充放电实验数据进行仿真分析,结果表明:改进PSO-LSSVM模型的平均相对误差为2.96%,均方根误差为0.018,全局最大相对误差为4.79%;改进PSO-LSSVM模型明显提高锂电池SOC估算精度.     

基于改进DAEKF的锂电池SOC和SOH联合估计

为提高锂离子荷电状态（state of charge,SOC）及健康状态（state of health,SOH）的精度,提出改进双自适应扩展卡尔曼滤波（dual adaptive extended Kalman filter,DAEKF）算法。基于二阶RC模型,建立空间状态方程;选取电池容量作为SOH的表征量,在双扩展卡尔曼滤波算法基础上引入改进的Sage-Husa自适应算法,实现系统协方差矩阵的实时更新;为降低系统计算量,进一步加入多时间尺度理论进行优化。实验结果表明,提出的算法能较准确地估计锂电池的SOC与SOH,SOC的平均误差为0.58%,SOH最大估计误差为0.8%,该算法正确有效。     

基于Burg算法与卡尔曼滤波的有色噪声状态估计

探讨一种有色噪声卡尔曼滤波算法。基于静态环境下多传感器的噪声信号,借助Burg算法和自回归模型,获得可在线估计噪声信号的噪声模型,进而结合经典卡尔曼滤波算法,获得可估计系统状态的有色噪声卡尔曼滤波模型。数值实验结果比较显示该模型对系统的状态估计精度高、噪声抑制能力强。     

基于扩展卡尔曼滤波器的液压驱动器状态估计

本文的液压驱动器属于不可观测的非线性系统,普通的状态观测器难以胜任系统的状态估计,故采用扩展卡尔曼滤波器对液压缸活塞腔和杆腔压力进行估计.建立了液压系统的4阶非线性状态空间模型,用高斯-牛顿法拟合模型参数,用关节角度信号通过扩展卡尔曼滤波器估计液压驱动器状态.仿真结果表明该方法可以精确估计液压缸压力,实验结果显示该方法估计的关节扭矩接近测量值;从而验证了扩展卡尔曼滤波器估计液压系统状态的有效性,为基于状态的故障诊断和液压驱动器控制提供了一定的借鉴.