基于自适应无迹卡尔曼滤波算法的锂离子动力电池状态估计

应用传统的无迹卡尔曼滤波(unscented Kalman filter,UKF)算法估计电动汽车锂离子动力电池核电状态(state of charge,SOC)时,常会出现由于电池模型参数不准确而造成估计误差增大的问题,该文采用了自适应无迹卡尔曼滤波(adaptive unscented Kalman filter,AUKF)算法解决该问题。AUKF算法是一种循环迭代算法,可以实时估计电池模型中的欧姆内阻,提高电池模型准确性,从而提高电池SOC估计精度。另外,电池的欧姆内阻可以表征电池的健康状态(state of health,SOH),因此还可以根据电池的欧姆内阻估计出电池的SOH。在设定工况下对电池做充放电实验,实验分析表明,与UKF相比,AUKF提高了电池SOC估计的精度,并能准确的估计出电池的欧姆内阻。     

基于DAUKF的锂电池SOC值和SOH值的估算研究

为提高锂离子电池荷电状态(state of charge,SOC)值和健康状态(state of health,SOH)值的估算精度,基于二阶戴维南等效电池模型,提出双自适应无迹卡尔曼滤波(double adaptive unscented Kalman filter,DAUKF)算法。通过AUKF1和AUKF2这2个滤波器,可以同时计算出电池的SOC值和电池内阻,内阻既可以更新电池的模型参数,又可依靠函数关系,估算出电池的SOH值。仿真结果表明,DAUKF能够准确估算出SOC值和SOH值,精度保持在2%以内,由此验证了该方法的可行性和精确性。     

基于无迹卡尔曼滤波的全钒液流电池状态估计

利用传统的安时积分法估计全钒液流电池(vanadium redox flow battery,VRB)的荷电状态(state of charge,SOC),常常会因为累积误差造成估计误差增大的问题。该文针对这一问题,以一阶RC等效电路模型为基础,采用无迹卡尔曼滤波(unscented Kalman filter,UKF)算法对安时积分法估计结果进行修正,提高SOC估计精度。此外,UKF算法同时可以在收敛后准确地实时估计电池模型中的内阻,而电池的内阻可以表征其健康状态(state of health,SOH),因此UKF算法可根据内阻的估计结果评价电池的SOH。在工况下对电池进行测试性充放电实验,实验结果表明,UKF算法可以快速完成电池SOC的精确估计,绝对误差小于2%,并能准确地估计出电池的内阻,为电池SOH的确定提供参考依据。     

基于自适应平方根无迹卡尔曼滤波算法的锂离子电池SOC和SOH估计

为提高锂离子电池荷电状态(state of charge,SOC)的估计精度并准确估计健康状态(state of health,SOH),以二阶RC等效电路模型为研究对象,基于Sage-Husa自适应滤波的思想,对传统的平方根无迹卡尔曼滤波(square-root unscented Kalman filter,SRUKF)进行改进,提出一种自适应SRUKF(adaptive square-root unscented Kalman filter,ASRUKF)算法,该算法通过对状态方差阵和噪声方差阵平方根的递推估算,确保了状态和噪声方差阵的对称性和非负定性。验证结果显示,相比于SRUKF算法,ASRUKF算法能够得到精度更高的SOC估计值,并在FUDS工况下将最大SOC估计误差降低4%。针对电池欧姆内阻和容量参数随着电池的老化而变化的现象,对内阻和容量进行实时在线估计,在此基础上完成对SOH参数的预测。验证结果表明,联合估计算法对电池的欧姆电阻和容量有一个较好的估计,进一步提升了电池状态的估计精度。     

基于自适应无迹卡尔曼滤波的动力电池SOC估计

针对传统无迹卡尔曼滤波(unscented Kalman filter,UKF)算法估计电池SOC时,在未知的干扰噪声条件下滤波精度较低和稳定性较差等问题,基于等效的二阶RC电路模型,提出自适应无迹卡尔曼滤波(adaptive unscented Kalman filter,AUKF)算法.在模型参数辨识的基础上,构建...     

基于无迹卡尔曼滤波的动力电池健康状态估计

准确估计动力电池的荷电状态(SOC)及健康状态(SOH)是电池领域的关键性技术,对正在服役的动力电池进行全面安全精确的管理是保障电动汽车安全高效运行的前提。以二阶RC等效电路模型为基础,运用无迹卡尔曼滤波算法(UKF)对电池SOC和欧姆内阻进行实时估计,再利用电池欧姆内阻与SOH的关系,实现了对SOH的实时估计。与传统的扩展卡尔曼滤波算法相比,无迹卡尔曼滤波算法无需对状态方程进行线性化处理,不存在截断误差,具有更高的估算精度与稳定性。     

基于自适应无迹卡尔曼滤波的电力系统动态状态估计

无迹卡尔曼滤波(unscented Kalman filter,UKF)是种非线性滤波方法。由于假设系统噪声的方差为常数,UKF的估计结果会受到未知系统噪声的影响。为减小未知系统噪声对动态状态估计的影响,提出了种改进的自适应UKF(adaptive unscented Kalman filter,AUKF)算法。该方法通过在UKF中引入渐消记忆指数加权的Sage-Husa噪声统计估值器,能够估计时变系统噪声的均值和方差。利用IEEE57和IEEE 118测试系统,在典型日负荷条件下对AUKF方法的有效性进行仿真验证,结果表明所提出的AUKF算法与传统UKF方法相比,在不增加计算复杂度的同时,能够提高状态估计精度。     

基于AUKF的锂离子电池健康状态估计

针对锂离子动力电池健康状态(SOH)估计问题,提出一种自适应无迹卡尔曼滤波算法(AUKF),通过协方差自适应匹配方法抑制噪声干扰,实现SOH的准确估计。建立了锂离子动力电池的状态空间模型,采用AUKF实时估计电池内阻,利用电池欧姆内阻和SOH之间的内在关系,进而得到电池的SOH。实验结果表明,利用所提方法估计SOH准确、可靠,为电池管理系统中状态估计提供了一种有效的方法。     

基于分数阶模型的锂离子电池SOC与SOH协同估计

锂离子电池荷电状态(SOC)和健康状态(SOH)的精确估计对电动汽车稳定运行十分重要.以精确估计电池SOC和SOH为目标,提出了一种基于分数阶模型的协同估计算法.建立基于二阶RC电路模型的分数阶电池模型,采用自适应遗传算法(AGA)辨识模型参数,利用分数阶扩展卡尔曼滤波(FOEKF)算法估计SOC,并结合自适应无迹卡尔曼滤波(AUKF)算法估计SOH,迭代更新内阻与SOC进而实现SOC与SOH精确的协同估计.在城市道路循环工况(UDDS)下使用Matlab工具验证和对比了算法精度,平均误差均控制在2％以内.结果表明,该协同估计算法能够精确估计电池SOC和SOH,为电池状态估计提供了一种方法.     

基于SRCKF的电动汽车锂离子电池荷电状态估计

精确的电池荷电状态(state of charge,SOC)估计对提高新能源汽车电池管理系统的性能、电池使用安全性以及整车能量管理策略的准确性具有至关重要的作用.综合考虑电池模型精度和复杂度,建立了锂离子电池二阶RC等效电路模型,运用自适应遗忘因子递推最小二乘法(adaptive forgetting factor-recursive least square,AFF-RLS)在线辨识模型参数.在此基础上,采用平方根容积卡尔曼滤波(square root cubature Kalman filter,SRCKF)估算电池SOC,使用动态应力测试工况(dynamic stress test,DST)对模型参数和SOC进行验证.研究结果表明,与无迹卡尔曼滤波(unscented Kalman filter,UKF)估算相比,SRCKF估算误差小、鲁棒性好.     

基于改进无迹卡尔曼滤波法的大容量电池储能系统SOC预测

大容量电池储能系统的荷电状态(state of charge,SOC)是电池管理系统(battery management system,BMS)的重要参数,必须准确预测,由于电池单体存在较强的差异性,传统的SOC预测技术很难达到准确预测的效果。针对上述问题,提出基于改进无迹卡尔曼滤波法(unscented Kalman filter,UKF)的大容量电池储能系统SOC预测方法,利用遗传算法(genetic algorithm,GA)优化无迹卡尔曼滤波的滤波参数,进一步提高SOC的预测精度。在设定工况下对串联型电池储能系统进行仿真实验,仿真结果表明该文提出的改进无迹卡尔曼滤波方法可以获得有效可靠的SOC预测结果,具有良好的工程应用前景。     

基于自适应容积卡尔曼滤波的主动配电网状态估计

有效的状态估计算法是确保电力系统安全、稳定、经济运行的前提条件。针对传统无迹卡尔滤波(unscented Kalman filter,UKF)参数选取难、灵活性差、高阶系统滤波精度低等缺陷,将数值稳定性较好的容积卡尔曼滤波(cubature Kalman filter,CKF)算法引入到配电网进行动态状态估计,并与改进后的自适应无迹卡尔滤波(Adaptive unscented Kalman filter,AUKF)算法进行对比,仿真分析表明CKF算法较AUKF算法具有较高的滤波精度以及较好的数值稳定性。该算法在系统负荷发生突变时滤波精度有所下降,为此进一步提出了自适应容积卡尔曼滤波(Adaptive cubature Kalman filter, ACKF)算法以改善状态估计性能。对三相不平衡电网进行算例仿真表明：ACKF算法相比较于CKF算法而言,滤波精度更高、鲁棒性更强。     

基于SREKF的锂电池健康状态估计

健康状态(state of health,SOH)估计在电池管理系统中起着非常关键的作用。为了进一步提高锂电池SOH估计精度,提出基于平方根扩展卡尔曼滤波算法(square root extended Kalman filter,SREKF)的锂电池SOH估计方法。通过建立二阶RC等效电路模型(equivalent circuit model,ECM),将表示SOH的欧姆电阻(R_0)塑造为状态向量,利用锂电池欧姆内阻与SOH之间的内在关系,可得到锂电池的SOH。通过SREKF实时估计电池的内阻,该方法能保证状态协方差矩阵的对称性和非负性。在恒流工况与混合动力脉冲特性(HPPC)工况的验证结果表明,与EKF算法相比,SREKF算法能够更准确、更可靠地估计欧姆内阻,为电池SOH估计提供了一种有效的方法。     

基于神经网络和MS-AUKF算法的蓄电池荷电状态估计

蓄电池的荷电状态(state of charge,SOC)是表征电池当前剩余电量的重要参数。提出一种基于神经网络和主从式自适应无迹卡尔曼滤波(masterslaveadaptiveunscented Kalmanfilter,MS-UKF)算法的SOC估计方法。首先,建立蓄电池的戴维南(Thevenin)二阶模型,针对开路电压与电池SOC之间的非线性关系,采用神经网络模型代替多项式模型,以提高拟合精度。根据实时测量数据,基于最小二乘法在线确定电池模型的参数。针对传统的扩展卡尔曼滤波(extendedKalmanfilter,EKF)和无迹卡尔曼滤波(unscented Kalman filter,UKF)方法存在噪声方差固定,会产生误差造成估计精度不高的问题,采用MS-AUKF算法。该算法的主滤波器用来估计系统状态,辅助滤波器用来估计噪声方差矩阵。算法每次迭代时更新系统模型的噪声方差,克服了传统卡尔曼滤波算法中,噪声方差初值人为设定可能导致滤波发散的缺点。仿真结果表明,相比于EKF、UKF算法,MSAUKF在估计电池SOC时具有更高的精确度和收敛速度。     

基于无损卡尔曼滤波的锂离子电池组SOC估计

锂离子电池组容量和内部参数随温度变化明显,在不同温度下准确估计电池电荷状态(state of charge,SOC)是电动汽车电池管理系统研究的关键技术。基于Thevenin模型,采用无损卡尔曼滤波(unscented Kalman filtering,UKF)实现不同温度和不同放电电流条件下对锂离子电池组SOC的估计。实验研究表明,UKF算法适应不同放电电流下的电池SOC估计。随着温度降低,虽然UKF方法对锂离子电池组SOC估计的收敛速度变慢,但对初始误差有较强的修正作用,且有较高的稳态精度。因此,UKF方法适合不同温度和放电电流下对锂离子电池组SOC的估计。     

基于无迹卡尔曼滤波的超级电容SOC估计

超级电容是电动车辆常用车载电源之一,其荷电状态(state of charge,SOC)估计是车载电源领域的研究重点.以超级电容为研究对象,首先,完成超级电容混合动力脉冲测试,基于遗传算法进行Thevenin等效电路模型参数辨识;其次,依托无迹卡尔曼滤波(unscented Kalman filter,UKF)实现超级电容SOC估算;最后,基于城市道路循环工况下验证UKF算法的效果和准确性.结果表明,基于UKF算法的超级电容单体SOC估计误差仅为0.71％,超级电容组的误差为1.5％.     

基于UKF-AUKF锂电池在线参数辨识和SOC联合估计

锂电池荷电状态(SOC)的精确估计是电动汽车安全行驶的保障。为了降低实际复杂工况下电池模型不契合实际电池参数时变特性造成的误差,采用无迹卡尔曼滤波算法(UKF)对电池模型进行在线参数辨识,再联合自适应无迹卡尔曼滤波算法(AUKF)估计锂电池SOC,将时变参数反馈到SOC估计的模型中,提高SOC估计精度和对各工况适应性,UDDS工况下通过与离线扩展卡尔曼滤波算法(EKF)、在线双扩展卡尔曼滤波算法(DEKF)进行比较分析,实验结果验证了UKF-AUKF的精确性和鲁棒性。     

机场摆渡车动力电池荷电状态估算算法研究

车载动力电池的荷电状态(state of charge,SOC)不仅影响电池的循环寿命,而且影响整车的安全性。快速而准确的荷电状态估算是电源管理系统的重要组成部分。通过对实验数据进行曲线拟合,分析了荷电状态的影响因素。将扩展卡尔曼滤波算法(extended kalman filter,EKF)和无迹卡尔曼滤波算法((unscented kalman filter,UKF)应用到动力电池SOC估算中,针对机场电动摆渡车特殊的运行特点,设计合理的SOC估算算法,用MATLAB进行仿真并分析算法的快速性和准确性。     

基于平方根无迹卡尔曼滤波的锂电池状态估计

在充电式混合动力电动汽车(plug-in hybrid electric vehicle,PHEV)和电动汽车(electric vehicle,EV)中,对电池进行精确、可靠的荷电状态估计(state of charge,SOC)非常重要。传统估计方法存在计算量大、估计不精确等缺点,提出一种平方根无迹卡尔曼滤波(square root unscented Kalman filter,SRUKF)算法对SOC进行实时估计及更新。利用无迹变换(unscented transformation,UT)精确估计系统方程的均值和协方差,使估算值达到二阶精度。利用平方根算法保证状态协方差的半正定性,提高数字计算的稳定性。通过实验对比,验证了该算法的有效性。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。     

无迹卡尔曼滤波及其平方根形式在电力系统动态状态估计中的应用

针对扩展卡尔曼滤波(extended Kalman filter,EKF)的不足,将不需要对非线性系统函数进行线性化的无迹卡尔曼滤波(unscented Kalman filter,UKF)方法引入电力系统动态状态估计,采用生成Sigma点数量最少的比例最小偏度单形采样策略进行无迹变换.以IEEE14系统为算例,仿真结果表明引入UKF后,估计结果的精度有所提高,但算法的效率较低,且数值稳定性较差.进一步引入平方根形式的UKF(square root UKF,SRUKF)模型,IEEE 14及IEEE 30测试系统的仿真结果证明:在不需要大量牺牲计算时间的同时,算法的数值稳定性得到了改善.表明SRUKF的引入对动态状态估计方法的改进是有效的.