基于锂电池模型和分数阶理论的SOC-SOH联合估计

基于锂电池荷电状态（SOC）和健康状态（SOH）的耦合关系，设计了SOC-SOH联合估计系统。首先，构建锂电池等效电路模型和自适应扩展卡尔曼滤波（AEKF）算法，进行锂电池SOC估计；其次，建立锂电池分数阶模型，设计模糊控制器辨识分数阶模型参数，基于分数阶模型参数和电池充电工况确立健康因子，引入麻雀搜索算法（SSA）改进反向传播神经网络（BPNN），进行锂电池SOH估计；然后，集成SOC与SOH估计方法，设计联合估计系统；最后，设计锂电池老化实验、动态应力测试（DST）和US06动态实验方案，对比分析不同工况下不同算法的SOC-SOH联合估计效果。结果表明，基于提出的SOC-SOH联合估计方法，估计误差小于1%，具有良好的估计特性。     

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.     

基于双非线性预测滤波法的锂离子电池SOH估计

动力电池的健康状态(SOH)估计是电动汽车电池管理系统的关键技术之一。提出了一种基于双非线性预测滤波法的锂离子电池SOH估计方法。基于Thevenin等效电路模型来表达电池的性能,基于双非线性预测滤波法对电池的容量和内阻进行估计从而实现SOH的在线估计,基于磷酸铁锂电池的循环寿命测试对提出的方法进行验证,结果表明,基于双非线性预测滤波法的SOH估计方法能够在电池的整个生命周期内实现SOH的精确预测。     

基于联合集合卡尔曼滤波的锂电池SOC估计

锂电池的SOC(荷电状态)准确估计是电池管理系统及其控制的基础。现有扩展卡尔曼滤波、无迹卡尔曼滤波等方法需计算高维雅克比矩阵或协方差矩阵,对计算能力要求较高。结合数据同化和集合预报的思想,提出基于联合EnKF(集合卡尔曼滤波)的锂电池SOC估计方法。该方法利用集合的统计特征来表征状态变量,避免了高维矩阵的运算,对SOC和模型参数进行联合估计,可提高算法速度和精度。建立了锂电池等效电路模型并辨识了模型初始参数,得到了开路电压曲线。在EnKF的基础上,针对充放电过程中模型参数的变化,提出了基于联合EnKF的SOC估计方法,可在计算过程中联合估计SOC和模型参数。实验结果表明,所提方法可准确高效地估计锂电池的SOC。     

基于改进GWO-SVR的锂电池SOH估计

为了提高锂电池健康状态的估计精度，提出了一种基于IGWO-SVR的锂电池SOH估计方法。针对支持向量回归(SVR)内核参数选择的问题，采用改进灰狼(IGWO)算法优化支持向量回归的内核参数；选取合适的健康特征作为输入，电池SOH作为输出，建立IGWO-SVR估计模型，实现锂电池SOH的估计。基于NASA电池数据集，对该模型进行训练及验证，并与SVR和GWO-SVR方法相比。结果表明，IGWO-SVR方法能有效提高SOH估计的精度和稳定性，最大估计误差不超过2%。     

动力锂电池折旧率的规律研究

碳酸铁锂电池在使用过程中,各项参数会发生规律性变化,其折旧率的规律是反映锂电池能量的重要指标。通过建立电池模型,研究了锂电池剩余电量的估计方法,列举了常见的电池SOC(电池的荷电状态,State of Charge)的估计方法,分析了各种方法的优点和局限性,提出基于人工神经网络模型的SOC预测方法,并在车仿真软件ADVISOR上进行仿真分析。最后通过动力电池SOC的仿真结果,给出了电动汽车动力电池SOH(电池的寿命状态,State of Health)的预测方法,提出通过曲线拟合模型进行预测,得出电池衰减速度的规律。     

基于AMEsim的锂电池健康状态估计模型实验研究

新能源汽车动力电池健康状态（state of health，SOH）是一个表征电池性能优良的重要评价指标。针对准确估计18650锂电池健康状态这一目标需求，在锂电池单体数学模型的基础上，通过其等效电路模型分析影响锂电池健康状态的因素，采用通用非线性模型（gneral nonlinear model，GNL）电池等效电路和扩展卡尔曼滤波算法，在AMEsim仿真环境下搭建了锂电池SOH估计模型，并对18650锂电池进行充放电循环实验，将采集到的数据集导入AMEsim估计模型的数据模块中进行算法仿真。仿真实验结果表明，SOH估算误差小于8%，建立的锂电池SOH估计模型满足估算精度高，响应速度快的目标需求。     

基于改进PNGV模型的电池SOC估计算法研究

针对储能磷酸铁锂电池并根据磷酸铁锂电池电化学阻抗谱研究,提出一种双RC并联环节的改进PNGV模型,在HPPC实验下辨识模型参数。针对扩展卡尔曼滤波(EKF)算法在估计电池荷电状态(SOC)时不能实时估测噪声的缺点,将Sage-Husa自适应算法引入EKF算法得到自适应扩展卡尔曼滤波算法,并通过对噪声实时预测和修正来提高电池SOC估计精度。在Matlab/Simulink中搭建电池及SOC估计仿真模型并在模拟动态工况下进行仿真。仿真结果表明改进PNGV模型精度优于PNGV模型;自适应扩展卡尔曼滤波算法估计电池SOC时较EKF算法收敛速度更快,估计精度更高。模型及算法的改进取得较好的效果。     

由MIEKPF-EKPF算法协同估计锂离子电池SOC与SOH

针对锂离子电池荷电状态(SOC)和健康状态(SOH)难以直接测量的问题，提出基于多新息的扩展卡尔曼粒子滤波(MIEKPF)与扩展卡尔曼粒子滤波(EKPF)协同估计SOC和SOH。采用EKPF算法在线辨识参数，并估计SOH,将阻容等辨识结果作为输入，弥补估计SOC时应该考虑电池老化影响产生的误差，实现SOH对SOC的修正，提高模型精度。在新欧洲驾驶周期(NEDC)工况下，进行充放电实验，EKPF算法估计SOH的结果符合实际情况。MIEKPF-EKPF算法最终SOC估计的平均误差为0.48%、最大误差为1.97%、均方根误差为0.58%,仿真结果验证了所提方法的可行性和准确性。     

基于双自适应扩展粒子滤波器的锂离子电池状态联合估计

为了更好地优化电池的能量管理,提高电池的利用效率,加强电池的安全性能,有必要对锂离子电池的荷电状态（SOC）和健康状态（SOH）进行精确估计。为解决噪声协方差取值和粒子采样分布问题,该文首先提出自适应扩展粒子滤波（AEPF）算法,根据状态向量预测的准确度自适应调整噪声协方差,并利用扩展卡尔曼滤波实现粒子分布函数的局部线性化。随后利用双自适应扩展粒子滤波（DAEPF）算法进一步实现电池SOC和SOH的联合估计,避免电池使用过程中模型参数变化对SOC估计的影响,并结合多时间尺度的方法节约所需的计算资源。最后在动态工况条件下对不同电池模型与算法进行对照实验,结果表明,改进后的算法收敛速度明显提升,且能够显著地提高电池的SOC与SOH的估计精度。     

Online collaborative estimation technology for SOC and SOH of frequency regulation of a lead-carbon battery in a power system with a high proportion of renewable energy

In this paper, a collaborative online algorithm is proposed to estimate the state of charge (SOC) and state of health (SOH) of lead-carbon batteries that participate in frequency regulation of a power system with a high proportion of renewable energy. The algorithm addresses the inaccurate estimation of energy storage battery states caused by continuous and alternating charging and discharging over a short period. Analysis of lead-carbon battery chemistry and materials reveals that the resistance of the diaphragm is the most influential factor in battery aging. In addition, the hysteresis characteristics of an energy storage battery vary significantly between the charging and discharging stages. A second-order RC equivalent circuit model is proposed that considers the contact and diaphragm resistances, and hysteresis characteristics. Based on this, models for constant current charging interaction, constant voltage charging interaction, and dynamic discharging interaction are developed. The adaptive forgetting factor recursive leassquare (AFF-RLS) method is used to identify the parameters of the interactive models. Then an interactive multiple model with the embedded unscented Kalmanfilter (UKF) is used to estimate the SOC of the energy storage battery. The membrane and contact resistances identified by the interactive multi-model (IMM) are used to estimate the SOH, and online collaborative optimization of the SOC and SOH is achieved. The error of the proposed SOC estimation method is experimentally verified to be within 2%, which is less than 5% of the standard value, and the error of SOH estimation is within 0.5%, demonstrating the high accuracy of the proposed method.     

基于随机片段数据的锂电池状态估计方法

针对锂电池状态估计通常只能采集到不完整的放电数据,导致难以准确判断锂电池状态的问题,提出一种基于随机片段数据的锂电池状态估计方法.以固定健康状态(SOH)差为间隔构建老化数据库,利用随机片段数据进行匹配,并采用粒子群优化算法进行求解,从而判断对应的锂电池初始荷电状态(SOC)及SOH等信息;基于二阶戴维南等效电路模型对锂电池进行建模,并对其参数进行辨识;基于状态匹配结果与所建模型,利用扩展卡尔曼滤波对锂电池SOC进行估计,获得锂电池的剩余放电时间等状态信息.利用锂电池单体放电数据进行实验验证,实验与仿真结果表明:与传统方法相比,所提方法具有较高的稳定性和准确率.     

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。     

基于深度学习的锂离子电池SOC和SOH联合估算

锂离子电池常被作为储能元件以实现电能的存储和转化,然而其荷电状态(state of charge,SOC)和健康状态(state of health,SOH)无法被直接测量。为了实现锂离子电池SOC和SOH联合估算,该文分析SOC和SOH之间的关联性,并提出一种基于深度学习的锂离子电池SOC和SOH联合估算方法。该方法能够基于门控循环单元循环神经网络(recurrent neural network with gated recurrent unit,GRU-RNN)和卷积神经网络(convolutional neural network,CNN),利用锂离子电池电压、电流、温度,实现锂离子电池全使用周期内SOC和SOH的同时估算,而且由于将锂离子电池的SOH估算值考虑到SOC估算中,能够消除锂离子电池老化因素对锂离子电池SOC估算造成的负面影响,从而提升SOC估算精度。两个锂离子电池测试数据集上的实验结果表明,提出的估算方法能够在不同温度和不同工况下实现锂离子电池全使用周期SOC和SOH联合估算,且获得较高的精度。     

基于电压偏移序列的电池健康状态估计方法

针对传统电池健康状态(state of health,SOH)估计方法对充电策略和数据质量的严重依赖问题,提出了一种基于电压偏移序列的SOH估计方法.该方法以新电池的充电曲线为基准序列来构建分段SOC区间的电压偏移序列,提取该序列的分布特征参数后,利用主成分分析法(principal component analysi...     

基于集成ELM的锂离子电池充电截止电压下的SOC和SOH联合估计

充电截止电压是大多数电动汽车用户充电都会经历的电压点。针对传统安时积分法忽略初始容量误差和电池老化等一系列待优化的问题,提出了双层集成极限学习机(extreme learning machine, ELM)算法,实现锂离子电池充电截止电压下的荷电状态(state of charge, SOC)和健康状态(state of health, SOH)联合估计。首先,提取易测的电池健康特征(health indicator, HI),采用集成极限学习机映射HI及充电所需时间与SOH之间的关系。其次,用测得的HI估计难以在线测量的充电所需时间,对充电截止电压下安时积分法的SOC进行在线修正。该方法充分考虑了电动汽车用户初始充电状态的不确定性,指导电动汽车用户合理充电。此外,通过选择合适的集成ELM模型集成度,解决了单个ELM模型输出不稳定的问题。最后,选用NASA和CALCE数据集进行实验验证。验证结果表明,锂离子电池充电截止电压下SOC的估计均方根误差均小于1.5%,集成ELM相比于其他常见算法具有较高的训练、测试精度和较短的预测时间。     

基于改进EKF的飞机蓄电池在线SOC估计方法

蓄电池荷电状态(state of charge,SOC)是电池管理系统最为重要的参数之一,由于飞机蓄电池工作环境恶劣复杂,具有较强的非线性,给蓄电池的在线 SOC估计带来较大的困难。以提高复杂应力条件下飞机蓄电池在线 SOC估计精度为目的,采用性能测试实验对蓄电池性能参数的温度、放电率特性进行研究,并提出递推最小二乘法与扩展卡尔曼滤波算法结合的改进 EKF方法,实现蓄电池等效电路模型参数的在线辨识以及蓄电池在线 SOC 的估计。上述方法通过物理实验进行了验证,实验结果表明,改进后 EKF方法的 SOC 估计误差小于0.5%,估计精度获得明显提高。     

电动汽车动力电池荷电状态估计方法探讨

准确估计电池荷电状态(SOC)是电动汽车电池管理的重要内容,SOC的准确评估对延长电池寿命和提高电动汽车整车性能具有重要意义。各国研究人员对电池SOC估计方法进行大量研究,先后提出了多种估计方法。文中介绍了电池SOC的定义及其主要影响因素,根据电池SOC估计方法的特点,按离线和在线方法对SOC估计方法进行总结和介绍,并比较了各方法的特点及实用效果。最后展望了电池SOC估计方法的两个潜在发展方向,即基于电池模型的非线性滤波方法和具有自学习能力的智能方法,为今后深入研究动力电池SOC估计方法提供借鉴。     

双卡尔曼滤波法估计电动汽车电池健康状态

选用戴维南等效电路模型作为基础电池模型,标定荷电状态(SOC)-开路电压(OCV)曲线,利用指数拟合法拟合等效电路模型中的电阻-电容电路(RC)参数,提出基于安时积分法使用拓展卡尔曼滤波法估计SOC,以及基于容量法使用卡尔曼滤波估计电池健康状态(SOH),建立双卡尔曼滤波SOH估算方法。随机电流激励仿真结果表明:该方法的估计值与真实值变化趋势一致,且估计误差控制在1%以内。SOH估算实验结果表明:在开始阶段,SOH估计值与真实值有一定的偏差,之后变化趋势一致,误差可控制在1%以内。