锂离子电池健康状态多因子在线估计方法

针对传统的锂离子电池健康状态估计方法仅用电池欧姆内阻作为单因子评估指标时存在较大误差的问题,提出了一种利用电池欧姆内阻、极化内阻与极化电容共3个模型参数构建的多因子评估模型。选用一阶RC等效电路模型作为基础电路模型,并通过仿真实验验证了所选择电路模型的准确性。对同一型号的多组三元锂离子电池进行循环老化实验,得到离线辨识的模型参数,发现等效电路模型中的欧姆内阻、极化内阻、极化电容与健康状态存在确定的关系。通过带约束的最小二乘算法求解对应模型参数的权重,并以卡尔曼滤波算法在线辨识模型参数,实时获得基于多因子模型的综合电池健康状态。将所提方法与仅用欧姆内阻评估的方法进行了对比,结果表明:所提方法评估锂离子电池真实健康状态的误差变化范围较小,基本在1%左右,精度更高。     

动力锂离子电池建模及其动态特性研究

由于动力锂离子电池管理系统设计及电池剩余电量预测依赖于电池等效电路模型的建立,在几种常见的动力锂离子电池等效电路模型分析与比较的基础上,通过对动力锂离子电池进行多次充放电实验,分析了动力锂离子电池的动态特性,提出了基于Thevenin等效电路模型的双电源模型;并辨识了模型的相关参数。运用Matlab/Siumlink仿真工具建立仿真模型,对双电源模型进行仿真验证,结果表明双电源模型可准确模拟动力锂离子电池的工作特性,为动力锂离子电池的高效管理奠定基础。     

车用锂离子电池荷电状态参数辨识的建模仿真

为得到较为准确的电池荷电状态（SOC）参数,以厦门理工学院纯电动赛车用锂离子电池作为研究案例,采用二阶RC等效电路模型对锂离子电池进行HPPC充放电试验;然后,将实验数据导入Matlab的参数估计模块后,对电池荷电状态性能参数进行辨识。在Matlab的Simscape模块中建立锂离子电池的仿真模型,将仿真结果与实验结果进行比较,利用拟合工具箱对比不同阶次下RC等效电路模型的拟合精度。结果表明,锂离子电池的电压在放电脉冲开始及结束阶段时偏差较大,静置阶段则趋于平稳,二阶RC等效电路模型能够较为简便地反应锂离子电池的工作特性,且具有较好的拟合精度。锂离子电池仿真模型与实验测试的误差在2%以内,验证了所建立的仿真模型的可行性。     

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。     

高精度锂离子电池组电压采集及SOC预测

为了进一步提高锂离子电池组单体电池电压采集精度和荷电状态(SOC)预测精度,设计了优化型串联母线电压采集系统和改进型灰色非等间隔灰色模型SOC预测。电压采集系统通过光耦电路把电池动态加载到母线上,利用74HC595移位控制寄存器实现单体电池电压采集,再经过信号转换、隔离电路处理后由STM32F103ZET6 AD模块处理;SOC预测通过MATLAB建立模型,模型中的参数辨识采用粒子群优化算法。仿真和实验表明,本文设计电压采集系统硬件电路和软件操作更为简化,采集精度更高,易于拓展,SOC预测方法准确性高,有很强的工程适用价值。     

高精度锂离子电池组电压采集及荷电状态预测

为了进一步提高锂离子电池组单体电池电压采集精度和荷电状态(SOC)预测精度,设计了优化型串联母线电压采集系统和改进型灰色非等间隔灰色模型SOC预测。电压采集系统通过光耦电路把电池动态加载到母线上,利用74HC595移位控制寄存器实现单体电池电压采集;再经过信号转换、隔离电路处理后由STM32F103ZET6 AD模块处理。SOC预测通过MATLAB建立模型,模型中的参数辨识采用粒子群优化算法。仿真和实验表明,设计电压采集系统硬件电路和软件操作更为简化,采集精度更高,易于拓展,SOC预测方法准确性高,有很强的工程适用价值。     

基于权值选择粒子滤波算法的锂离子电池SOC估计

针对锂离子动力电池的荷电状态(SOC)估计问题,以三元锂(MNC)电池为研究对象,选用Thevenin等效电路模型,建立电池模型的状态方程和观测方程,完成了带遗忘因子的递推最小二乘法(FFRLS)的理论推导。进行电池单体混合动力脉冲功率特性测试(HPPC测试),基于测试数据和FFRLS算法完成电池模型的在线参数辨识,并通过锂离子电池的端电压精度来验证算法的可行性;在此基础上,提出一种权值选择粒子滤波(WSPF)算法来实现锂离子电池SOC估计,该算法中全部粒子都参与粒子滤波过程,但只选择较优权重粒子用于电池状态估计,从而解决粒子滤波的粒子退化问题,提高粒子的多样性。通过HPPC测试和动态工况测试(DST)结果验证,WSPF算法的估计精度能控制在2%以内。与重采样粒子滤波(SIR-PF)算法相比,WSPF算法的估计精度高,鲁棒性好。     

基于DAEKF算法的锂离子电池主要状态在线联合估计

为实现三元锂离子电池荷电状态（SOC）、能量状态（SOE）和健康状态（SOH）这3种主要状态的在线联合估计，并应对电动汽车实际使用工况中各种噪声干扰带来的开环累积误差问题，提高锂离子电池在线估计的稳定性，提出了一种基于双自适应扩展卡尔曼滤波（DAEKF）算法的三元锂离子电池多时间尺度主要状态在线联合估计方法。在二阶RC模型基础上推导DAEKF算法的状态空间方程，用带遗忘因子的递推最小二乘法（FFRLS）进行在线参数辨识，以微观时间尺度进行锂离子电池SOC和SOE的在线估计，以宏观时间尺度进行锂离子电池SOH的在线估计，从而实现锂离子电池3种主要状态的在线联合估计。最后，以NVR18650B型三元锂离子电池的不同运行工况对所提出的方法进行实验验证。实验结果表明：在两种验证工况下，文中方法都能够快速收敛辨识模型参数，微观时间尺度中SOC和SOE的估计误差均稳定保持在1%以内，宏观时间尺度中SOH的估计误差稳定保持在1.6%以内；与EKF算法相比，文中所提出的方法具有更高的估算精度以及更好的估计收敛性和稳定性。     

模型法估计电动汽车动力电池健康状态

本文对动力锂离子电池的不同数学模型进行了分析,提出不同的参数辨识方法。利用不同电池模型及参数辨识方法对电池的健康状态进行了估计,并进行实验验证。研究结果表明:可通过电池模型的内阻变化对电池健康状态进行估计,估计误差绝对值不大于3%,并且随着模型精度的提高,其对电池健康状态的估计也越准确。     

基于BCRLS-AEKF的锂离子电池荷电状态估计及硬件在环验证

研究有色噪声下的锂离子电池参数辨识与荷电状态（SOC）估计,并进行硬件在环实验验证.在动力电池模型的参数辨识过程中,利用带遗忘因子的偏差补偿递推最小二乘法进行偏差补偿,提高了有色噪声数据的参数辨识精度.在此基础上,利用自适应扩展卡尔曼算法进行SOC估计,使得滤波算法中的估计结果可以随着噪声统计特性的变化而自适应更新,实现了模型参数和电池状态的联合估计.最后,借助BMS测试系统模拟电池电压电流信息输出,完成了硬件在环实验以验证所提出的方法.实验结果表明,利用所提出算法估计得到的电池端电压和SOC误差分别小于10 mV和0.5%.      

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.     

变压器漏电感参数在线辨识方法研究

利用变压器等值回路平衡方程原理,提出了利用加权递推最小二乘法的变压器漏电感参数辨识方法,给出了变压器漏电感参数辨识的等效模型,对变压器模型参数辨识的可行性进行研究,针对不同的情况,分别提出了归算到一次侧的变压器绕组参数辨识方法及变压器原副边漏电感参数辨识方法.利用动模实验数据对变压器漏电感参数辨识的结果表明,参数辨识算法稳定,不受负荷波动以及功率因数变化的影响,辨识结果具有较高的精度.     

含饱和特性的双采样率数据Hammerstein系统辨识

针对含有饱和特性的双采样率数据Hammerstein系统提出了一种新的辨识方法。首先,将含有饱和特性的静态非线性环节和线性动态环节的串联,整理成一个非线性基函数和线性动态环节的串联。在此基础上,利用辅助模型辨识原理解决数据缺失、中间未知变量、被辨识参数之间存在耦合的问题, 通过递推辨识算法利用双率采样数据辨识单率Hammerstein模型中的参数。最后,以一个含饱和特性非线性系统实例的建模来验证提出辨识算法的有效性。     

Identification of dynamic model parameters for lithium-ion batteries used in hybrid electric vehicles

An electrical equivalent circuit model for lithium-ion batteries used for hybrid electric vehicles (HEV) is presented. The model has two RC networks characterizing battery activation and concentration polarization process. The parameters of the model are identified using combined experimental and extended Kalman filter (EKF) recursive methods. The open-circuit voltage and ohmic resistance of the battery are directly measured and calculated from experimental measurements, respectively. The rest of the coupled dynamic parameters, i.e. the RC network parameters, are estimated using the EKF method. Experimental and simulation results are presented to demonstrate the efficacy of the proposed circuit model and parameter identification techniques for simulating battery dynamics.     

锂离子电池的多状态模型剩余寿命预测方法

针对锂离子电池的容量恢复现象导致的剩余寿命预测精度不高的问题,提出了一种锂离子电池的多状态模型剩余寿命预测方法.首先通过分析锂电池的衰退数据将锂离子电池的退化过程分为正常退化、容量恢复和加速退化三种状态,然后分别对三种状态的退化过程进行建模并验证了模型的有效性,将3种状态的模型组合得到锂离子电池多状态容量衰退模型.然后基于建立的模型提出了粒子群优化粒子滤波算法,用于多状态容量衰退模型进行参数识别和状态更新.最后实现了锂离子电池的剩余寿命预测和预测结果的不确定性表达.与其他方法相比,实验结果表明:所提出方法精度更高,鲁棒性更强.     

基于RBF神经网络的水轮机振源参数识别方法

在对水轮机进行力学建模和分析时,其振动荷载特性往往是未知的,但却是十分重要的.基于径向基函数(RBF)神经网络,提出了水轮机振动荷载参数识别方法.根据在丰满水电站现场观测的水轮机振动响应数据,识别出了水轮机在不同运行状态下的振动荷载参数,其中包括振动力的频率、相位差和幅值.利用人工神经网络具有解决参数识别反问题不适定性的能力,建立了水轮机系统响应与模型参数之间近似的非线性函数关系.现场实际应用结果表明,经过充分训练的神经网络具有较快的收敛能力和较高的预测精度.     

基于温变双极化模型的锂离子电池荷电状态估计

电池荷电状态（SOC）的准确估计对延长电池使用寿命、提高电池利用率和保障电池安全性具有重要意义。在不同环境温度下进行了锂离子电池的基本性能试验和动态工况试验,建立了温变双极化等效电路模型。基于该模型,采用H无穷滤波算法代替传统的扩展卡尔曼滤波算法,在无需假设过程噪声和测量噪声均服从高斯分布的前提下,实现了SOC的精确估计。在考虑温变和电池模型存在误差的条件下进行验证,不同温度条件下的SOC估计最大误差保持在±0.03范围内,证明了所提出的SOC估计算法具有较高的温度适应性和鲁棒性。     

基于改进微分进化和分散辨识算法的炼钢模型研究

在炼钢过程模型辨识中,被控对象的动态特性往往表现出非线性、慢时变、大迟延和不确定性等特点,使得难以对其建立比较精确的模型。为实现精确建模,提出了一种基于微分进化和分散辨识算法的辨识方法。该方法通过改进的微分进化算法,对系统进行参数优化,接着采用分散辨识在设定点输入阶跃信号,待系统进入稳态后再采样,使得到的稳态输出值能够更快、更精确地逼近实际系统的输出,达到精确建模的目的。仿真结果表明,通过微分进化算法可进一步确定炼钢过程的最佳参数,在采用分散辨识方法对炼钢复杂对象进行辨识后,可以建立更好的数学模型。     

基于MRAS变参数无速度传感器矢量控制系统的研究

利用电动机定子电压方程和电流方程得到电动机转速的模型参考自适应（MRAS）辨识算法，在此基础上建立了一个改进的变参数MRAS速度辨识数学模型，并在无速度传感器异步电动机矢量控制系统中对该速度辨识模型进行了研究，仿真结果验证了该变参数MRAS速度辨识模型具有满意的辨识精度和动态性能．