多时间尺度下锂电池在线参数辨识及SOC估计

为了解决锂电池内部参数时变性和SOC估计不准确等问题,提出了一种电池模型参数在线辨识与SOC联合估计算法.在二阶RC等效电路模型基础上该联合算法于宏观时间尺度下采用无迹卡尔曼滤波算法在线辨识电池模型参数,并联合微观时间尺度下的扩展卡尔曼滤波算法估计锂电池SOC,在UDDS工况下验证了该联合算法对锂电池SOC的准确实时估算.实验结果表明,传统离线参数辨识下的锂电池SOC估计算法的平均绝对误差和均方根误差分别为1.52％和1.80％,在线参数辨识下的锂电池SOC估计算法的平均绝对误差和均方根误差分别降低到0.90％和1.12％,EKF-UKF联合算法提高了SOC估算的精确性和鲁棒性.     

基于FFRLS-AUKF的锂电池参数在线辨识及SOC估计

针对锂电池模型参数辨识不准确以及传统无迹卡尔曼滤波(UKF)无法对噪声进行实时更新,从而导致锂电池荷电状态(SOC)估计误差偏大的问题,提出遗忘因子递推最小二乘法-自适应无迹卡尔曼滤波(FFRLS-AUKF)算法。先利用遗忘因子递推最小二乘法(FFRLS)对电池二阶RC等效电路模型进行在线参数辨识,再将所辨识的各参数传给由UKF和改进的Sage-Husa算法结合得到的AUKF,从而完成对锂电池的SOC估计,并将其与FFRLS-UKF以及离线UKF所估计的结果相比较。从对SOC估计的误差曲线和平均绝对误差以及均方根误差的数值上对比,均可得出FFRLS-AUKF的精度更高,稳定性更好。     

锂电池PNGV模型与二阶RC模型分析与比较

归纳总结了现有的锂电池模型,提出了二阶RC模型,并与传统的PNGV模型做了对比,分别搭建了PNGV和二阶RC的等效电路模型,并进行了各自的参数辨识,以及MATLAB仿真验证。通过比较得出锂电池二阶RC模型具有更好的动态特性,为锂电池组的成组技术和SOC估计等的研究提供了理论基础。     

一种可用于BMS功能验证的动力锂电池模拟器设计

基于MatlabSimulink的Simscape模块,建立了电池二阶等效电路模型,并进行了参数辨识和模型验证,完成了硬件电路和软件设计,从而构建了一种新的动力锂电池模拟器.仿真和测试结果表明:在对电池模型进行参数辨识时,增加荷电状态在0至0.10区间的间隔点,可进一步提高电池模型精度;在HPPC循环放电工况下,电压最大误差不超过0.07 V;在动态运行工况下,电压最大误差不超过0.12 V;在不同的荷电状态下,动力锂电池模拟器电压输出最大误差为1.9 mV,相对误差为0.53‰,验证了所设计的动力锂电池模拟器具有较高的精度,可用于电池管理系统的功能验证.     

基于多时间尺度锂电池在线参数辨识及 SOC 和 SOH 估计

电池的荷电状态和健康状态是衡量电池续航和寿命的重要指标,为解决电池参数的时变性问题,提高电池 SOC(State of Charge)估算精度,减少硬件计算量,提出一种多时间尺度在线参数辨识双扩展卡尔曼滤波联合算法。 以 18650 三元锂电池为研究对象,采用基于二阶 RC 等效电路模型的多时间尺度 DEKF 算法,针对电池参数的慢变 特性和状态的快变特性进行双时间尺度在线参数辨识和 SOC 估算;通过联邦城市驾驶计划 (FUDS) 测试验证,得 出多时间尺度 DEKF 算法和传统离线辨识 EKF 算法对 SOC 估计的平均绝对误差分别为 0. 97%和 2. 46%,均方根 误差为 1. 19%和 2. 69%,容量估计值对参考值最大误差仅为 0. 007 72 Ah;实验结果表明:所提出的多时间尺度 DEKF 算法,具有更好的鲁棒性和 SOC 估算精度并能实时反应 SOH 变化趋势。     

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。     

基于卡尔曼滤波的动力电池SOC估算

由于传统无迹卡尔曼滤波估算方法具有局限性,为了能准确估算动力电池荷电状态(state of charge,SOC),提出了一种基于无迹卡尔曼粒子滤波的动力电池SOC估算方法.以三元锂电池为研究对象,建立了电池二阶RC等效电路模型,通过对电池进行充放电试验辨识出模型参数,并验证模型准确性.采集了实际工况下的电池数据,分别用无迹卡尔曼滤波算法、粒子滤波算法和无迹卡尔曼粒子滤波算法估算电池SOC,在MATLAB中进行了仿真试验,并对估算的电池SOC进行比较.结果表明：无迹卡尔曼粒子滤波算法可以快速准确地估算出电池SOC,误差小于2.5%,优于另外2种算法.     

基于STEKF的锂离子动力电池SOC估算

为能在线准确估算电动汽车动力电池的荷电状态(SOC),提出了一种基于强追踪扩展卡尔曼滤波(STEKF)的锂离子电池的SOC估算方法,该滤波器引入了多重次优渐消因子;以某型锂离子电池为研究对象,基于电池的外特性及相关机理,建立了电池的二阶RC等效电路模型,使用最小二乘法辨识模型参数,然后按照等效电路模型建立电池的STEKF非线性状态空间方程,最后在ECE15工况下进行仿真。结果表明,STEKF估算电池SOC的误差保持在2%以内,该方法能准确估算电池的SOC。     

基于交互式多模型无迹卡尔曼滤波的锂电池荷电状态估计

为了提高传统卡尔曼滤波法估计锂电池荷电状态(SOC)的精度,在锂电池二阶RC等效电路模型基础上,根据隐马尔科夫模型(HMM)理论并采用遗传算法优化构造出了不同参数状态的电池模型。结合交互式多模型(IMM)算法与无迹卡尔曼滤波(UKF)算法进行SOC估计,提出了一种基于HMM的IMM-UKF算法估计锂电池SOC的方法。锂电池在线SOC估计实验表明,该方法比较其他估计方法有着更高的估计精度,平均绝对误差仅为1%。     

基于二阶Thevenin模型的锂电池建模仿真

介绍了几种典型的电池模型,选取二阶Thevenin模型作为研究对象.对锂电池进行了性能试验,通过HPPC试验对电池模型参数进行辨识.借助Matlab中cftool工具箱对试验数据进行多项式拟合.在Matlab/Simulink中搭建仿真模型并进行仿真试验,通过对仿真和试验结果的对比分析,验证了锂电池模型参数辨识的有效性.分析了仿真误差增大的原因,提出了进一步提高电池模型参数精确度的方法.结果表明:该模型可以准确地描述不同工况下的锂电池外特性,随着电池SOC的降低,仿真误差有所增大,当SOC0.2时,仿真误差增大较明显.     

关于锂离子电池Thevenin模型的仿真研究

针对动力电池组运行时,内部的系统参数会随着环境因素和荷电状态(state-of-charge,SOC)发生动态改变,提出一种参数变化的Thevenin等效电路模型;从荷电状态是影响锂电池各参数特性的主要因素出发,将传统Thevenin模型中模拟各模块使用的不变参数用随着SOC变化的动态变量来表示; HPPC获取模型参数,电池仿真端电压基本上跟实际端电压波形吻合,且趋势大致相同;实验结果表明:在正常工作状态下,建立的模型可以有效地反应电池内部的工作特性,有着良好的精度。     

基于多新息扩展卡尔曼滤波的锂离子电池SOC估计研究

锂电池具有高能量密度、循环寿命长等优点而被广泛应用于电动汽车动力装置,但车辆运行状况复杂多变,且电池内部呈现高度非线性的性质,导致电池荷电状态(SOC)难以准确计算。为优化锂电池SOC估计精度,构建结合Warburg元件的分数阶二阶RC模型,采用自适应遗传算法进行参数辨识;融合多新息理论和扩展卡尔曼滤波算法,提出基于多新息扩展卡尔曼滤波(MIEKF)的锂离子电池SOC估计算法,并利用试验数据验证该方法的有效性,为提高SOC估计精度和车载锂电池的循环使用寿命提供了新的方法途径和实践支撑。     

自适应卡尔曼滤波法磷酸铁锂动力电池剩余容量估计

卡尔曼滤波法在估计动力电池的剩余容量(SOC)时,由于系统噪声的不确定,可能导致算法不收敛,而且算法的估计性能受模型精度的影响,笔者采用自适应卡尔曼滤波法来动态地估计电动汽车用磷酸铁锂动力电池的SOC。首先对电池模型进行了研究,建立了适用于SOC估计的电池模型,然后设计了相应的电池充放电实验检测到模型的参数,并进行了验证,最后将自适应卡尔曼滤波法应用到该模型,在未知干扰噪声环境下,在线估计电池的SOC。仿真结果表明：自适应卡尔曼滤波法能够实时修正微小的模型误差带来的SOC估计误差,估计精度高于卡尔曼滤波法,且自适应卡尔曼滤波法对初值误差具有修正作用。实车循环行驶实验表明算法适用于磷酸铁锂动力电池的SOC估计。     

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。      

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。     

混合动力镍氢动力电池参数辨识

为实现电池SOC(State of Charge)的精确估计与提高电池模型的精确性,采用等效电路模型PNGV电池试验手册中的标准电池模型,基于辅助变量法和最小二乘法相融合的方法提出了混合动力镍氢动力电池在线参数辨识方法,并利用MATLB/SIMULINK建立电池模型.仿真分析结果显示,所建立的电池模型电压最大误差为4....     

磷酸铁锂电池充电后静置的电压预测方法

混合动力电动汽车在行驶过程中的动态充电后静置开路电压不稳定。特别是再生制动充电时开路电压的变化,而导致常用的开路电压法存在SOC估计误差大和混合动力电动汽车动力控制策略难以实施。以磷酸铁锂电池为对象,依据电化学理论分析了其充电后静置过程中正负极表面锂离子扩散对开路电压的影响机理以及开路电压随时间的变化关系。再通过充电后静置实验和参数辨识方法,建立了充电后磷酸铁锂电池静置开路电压预测模型。以此对其充电后静置的开路电压进行了预测实验。结果表明,在实验工况下,该模型的最大预测误差为0.017V。