基于EKF的动力锂电池SOC状态预测

在研究与分析影响SOC值的因素及传统SOC估算方法优缺点的基础上,提出一种基于扩展Kalman滤波(EKF)的算法对SOC进行估算,依据Thevenin模型建立了电池的非线性状态空间方程,通过引入库仑效率因子计算出电量的动态变化量,并利用此变化量对状态方程进行扩展,使得极化效应的影响大大减弱。实验表明,此方法提高了电池SOC计算的精度,达到了动力汽车的应用要求。     

基于ARWLS-AEKF的锂电池SOC估计

根据SOC在电池管理系统中的应用需求,针对锂离子电池的模型准确度低、SOC估算精度差的问题,提出了一种ARWLS-AEKF联合算法。该方法以二阶R-C网络模型为基础,通过加权自适应算法引入自适应遗传因子,优化参数辨识精度,并搭建MATLAB仿真平台联合自适应扩展卡尔曼滤波算法(AEKF)算法对SOC进行在线估算。将三种测试工况下的算法仿真结果与电池实验平台所得测量数据进行对比,结果表明:ARWLS-AEKF算法相对于离线EKF算法有更高的准确度与适应性,能适应随机变化的噪声环境。在LA_92、UDDS、HWFET工况下,ARWLS-AEKF算法的误差在2%以内,MAE分别为0.45%、0.74%、0.87%,RMSE值分别为0.54%、0.71%、0.42%。     

一种基于EKF和Thevenin的锂电池SOC估算新方法

估算锂电池的剩余电量一直是当前研究的热点,由于锂电池充放电过程中复杂的电化学反应,电池荷电状态(SOC)与其影响因素呈现非线性动态关系,导致难以实时精确估算SOC。本文提出了一种基于扩展卡尔曼滤波(EKF)算法,并选用戴维南(Thevenin)模型来对锂电池的剩余电量进行估算。本文在戴维南模型的基础上建立了电池的非线性状态空间方程,通过实验和仿真的结果表明,该算法的误差小于3.00%,精度达到了应用的要求。     

基于EKF算法的铅酸蓄电池SOC在线估计

针对快速充电设备需要快速、准确检测蓄电池荷电状态(SOC)的应用需求,在分析传统SOC估计方法不足的基础上,采用了扩展卡尔曼滤波法进行铅酸蓄电池SOC的估计。通过对铅酸蓄电池充放电过程的分析,基于改进的Thevenin模型,建立了7-HK-182型铅酸蓄电池的等效电路模型。通过Matlab仿真,对比安时积分法估计SOC数据,验证了扩展卡尔曼滤波法能够实时、准确估计蓄电池SOC的变化。     

基于多时间尺度Cholesky分解AEKF的锂电池SOC估计

建立可靠的锂电池荷电状态估算模型,获取精确估算值已成为锂离子电池组能源和安全管理的核心。选择锂离子电池的二阶等效电路模型为研究对象,提出了一种基于Cholesky分解优化多时间尺度自适应扩展卡尔曼滤波算法。状态方程中,对应不同状态变量子方程,选择不同采样周期,解决不同状态变量的不同时间尺度问题。考虑噪声变化,在扩展卡尔曼滤波的基础上,引入噪声的迭代估计,实现噪声的自适应矫正,结合Cholesky分解方法以克服计算的舍入误差问题。在不同工况下,选用不同型号的锂电池进行实验验证,验证该算法的普适性和有效性。     

基于ABC-RFEKF算法的锂电池SOC估计

准确、可靠的荷电状态(SOC)估计可以为电池管理系统的安全高效使用提供保障。针对锂电池SOC估计精度不足的问题,提出人工蜂群算法(ABC)和随机森林优化EKF算法(RFEKF)分别实现电池模型的参数辨识和SOC估计。在建立双极化模型的基础上,为解决在线辨识初始误差累积的问题,采用ABC算法搜索最小模型电压误差下的全局最优阻抗参数值,实现模型参数的精确辨识。在获得精确的模型参数基础上,使用随机森林(RF)对SOC后验估计误差进行在线补偿,达到弥补传统EKF算法高阶项误差的目的,进而实现SOC高精度估计。联合半实物仿真系统和电池测试平台,在EPA城市动力工况下对SOC估计算法实现快速控制原型验证。结果表明：基于ABC-RFEKF的锂电池SOC估计算法各项误差指标均低于传统SOC估计算法,平均误差在1%左右,满足实际工程需求。     

基于改进扩展卡尔曼滤波的锂电池SOC估计

为了减小模型参数发生变化带来的影响,提高锂电池荷电状态(SOC)的估计精度,提出了一种改进的扩展卡尔曼滤波算法(I-EKF)。建立Thevenin等效电路模型,采用遗忘因子最小二乘法进行参数辨识,将辨识的参数用局部加权回归(Lowess)算法与电池电压、电流进行拟合,利用拟合函数求出每一时刻对应的模型参数,再采用I-EKF算法进行SOC估计。实验分析表明,与传统的扩展卡尔曼滤波算法(EKF)相比,当模型参数发生变化时,I-EKF算法的估计精度更高,收敛后的估计误差基本在0.5%以内。     

基于ICDKF的锂电池SOC在线估计

动态的实时估计锂离子电池荷电状态(state of charge,SOC)是锂离子电池管理系统研究的关键技术。针对扩展卡尔曼滤波(EKF)估计SOC误差大的不足,基于二阶RC等效电路模型,提出了一种基于迭代中心差分卡尔曼滤波(ICDKF)算法的磷酸铁锂电池SOC估计方法。利用Matlab进行了仿真,并与扩展卡尔曼滤波和中心差分卡尔曼滤波(CDKF)算法进行了效果对比,从仿真结果可以看出,该SOC算法有效地降低了估计误差,与EKF相比,具有更好的滤波估计精度。     

基于双卡尔曼滤波的锂电池SOC估算

以锂电池的荷电状态估算为目的,对传统锂电池等效电路模型进行改进,提高了模型的准确性,使之能更好地反应锂电池内部状态。以标称容量为2 000 m Ah,额定电压为3.7 V的18650锂电池作为研究对象,采用最小二乘法分别对该锂电池模型进行充放电方向的参数辨识。运用双卡尔曼滤波算法估算锂电池的SOC,并设计了基于安时计量法的相关测试实验。研究结果表明,双卡尔曼滤波算法估算18650锂电池SOC的绝对误差值小于0.019,具有较高的估算精度,在锂电池SOC估算领域内具有很高的实用价值。     

基于扩展卡尔曼滤波的LiFePO4电池荷电状态估计

为了准确估计电池的荷电状态(state-of-charge),在研究电池电化学阻抗谱模型的基础上得出了适合工程应用的电池简化等效电路模型,通过实验对模型进行了参数估计,并在模型的基础上采用扩展卡尔曼滤波法(EKF)对电池的SOC进行估计并使用Matlab进行了仿真验证,结果证明扩展卡尔曼滤波法能准确地估计电池的SOC。     

永磁同步电动机系统参数和状态的推广卡尔曼滤波估计

永磁同步电动机系统具有力矩系数大、力矩波动小以及控制灵活等优点，在许多精密伺服控制系统中得到广泛应用。本文在得到系统模型的基础上，利用推广的卡尔曼滤波器对非线性的永磁同步电动机系统参数和状态进行了估计，仿真结果验证了估计方法在数学上的可行性。     

基于模型估计的LiFePO_4电池EKF滤波算法SOC估计研究

常规LiFePO_4动力电池组SOC(state of charge)估计方法难以同时满足复杂工况下SOC预测的可靠性与初值不敏感性,为解决该问题,提出一种针对电池组工况特性下的扩展卡尔曼滤波算法。该算法基于电池组工况放电特性,提取其特征参数并进行模式分类,根据在电池充放电时不同参数与区间,对卡尔曼滤波模型进行动态参数补偿,加快SOC向真值的收敛速度,并减少SOC估计误差,实现算法对SOC估计初值的不敏感性。最后使用美国机车工况测试UDDS标准模型,对实际采集的电池模型进行仿真实验,其结果验证了所提出的算法可行性和有效性。     

基于Kalman滤波的车用锌空电池组SOC估算

锌空电池因其较好的工作特性,是极具潜力的电动汽车用电池,而对锌空电池SOC的估算是车用电池管理系统研究的关键。在基于传统安时累积法估算基础上,以Thevenin电池模型结合Kalman滤波算法,提高对SOC的估算精度。通过基于SAE J227a工况的仿真与实验,验证了该算法能够较好地解决SOCi对SOC估算的影响因素,进而有效改进估算结果,在环境温度和空气流通性充分的情况下,达到小于4.5%的误差值。     

基于卡尔曼滤波器的蓄电池剩余容量估算法

蓄电池剩余容量是反映蓄电池性能的重要参数,蓄电池剩余容量的准确估算可以防止电池过度充放电,提高电池寿命。在分析现有估算方法的基础上,建立了一种基于卡尔曼滤波器的蓄电池数学模型,利用卡尔曼滤波器实现了蓄电池剩余电量的最小均方差估算。给出了算法的软件流程和试验结果,证明了此种估算法的可行性。     

卡尔曼滤波在电池检测中的应用

针对电池检测系统中对电池充放电电流高精度的要求,论述了卡尔曼滤波算法在电池检测系统中的应用。它增强了系统对随机干扰信号的抑制能力,保证了电流的检测精度。实验结果表明,采用卡尔曼滤波算法的系统具有可靠、高精度、实时性好等优点。     

基于推广卡尔曼滤波算法的SOC估算策略

为了估算锂离子动力电池的荷电状态,以Thevenin模型为基础,建立了数学关系简单,易于工程实现的状态空间模型.在此基础上,对模型进行了线性化处理,采用推广卡尔曼滤波算法实现了对电池荷电状态的估算.仿真结果表明,该模型能较好地体现电池的动静态特性,推广卡尔曼滤波算法在估算过程中能保持很好的精度,并对初始值的误差有很强的修正作用,对噪声有很强的抑制作用.     

三电平扩展卡尔曼滤波异步电机滑模控制

传统异步电机闭环控制中转速和磁链外环采用比例积分(PI)控制,针对其有超调和动态响应慢等问题,提出了一种新型的滑模控制器用于外环转速和磁链控制,改善了动态性能.采用五阶扩展卡尔曼滤波(EKF)来估计转速和磁链并用于闭环反馈,进一步研究了引入转矩观测后的六阶EKF,考察了转动惯量对速度估计的影响,在三电平逆变器驱动异步电机平台上进行了各种实验.结果表明,基于EKF和滑模控制的无速度传感器控制系统在较宽的速度范围内具有良好的动静态性能.     

纯电动汽车电池管理系统及SOC精确估计

基于阀控式密闭铅酸蓄电池,设计了一套纯电动汽车电池管理系统。依据Randles二阶等效电池模型,应用扩展卡尔曼滤波算法,对电池荷电状态(SOC)进行估计,并将估算结果与传统的安时积分和开路电压结合算法进行比较分析,经实验与仿真验证,此法对预测SOC值有较高的精确度和可靠性。