基于模型参数在线辨识技术的SOC估算方法

针对遗传算法(genetic algorithm,GA)存在收敛速度慢、易陷入局部最优以及难以实现在线应用的问题,面向如动力电池等效电路模型一类非线性较强、实时性要求高的模型辨识问题,提出一种能够快速缩小搜索空间,且有效避免陷入局部最优的在线快速搜索的优化辨识框架,实现电动汽车动力电池等效电路模型参数在线快速辨识,扩展全局搜索优化算法的应用范围.进一步,将此算法应用于电池剩余荷电状态(SOC)估算问题,提出基于改进GA参数辨识技术的无迹粒子滤波SOC估算方法(IGA-UPF).并将此SOC估算方法与基于最小二乘参数辨识技术的无迹粒子滤波的SOC估算算法(LS-UPF)作比较,结果验证了本文提出的在线快速参数辨识框架具有更好的模型参数辨识精度.     

基于改进粒子滤波算法的动力锂离子电池荷电状态估计

传统电池荷电状态(SOC)估计中常用的扩展卡尔曼滤波(EKF)和无迹卡尔曼滤波(UKF)方法仅适用于线性系统和高斯条件,虽然粒子滤波(PF)算法能用于非线性和非高斯系统,但PF算法在滤波更新时存在粒子退化现象,使粒子集无法表示实际后验概率分布,导致估计精度降低.采用改进的扩展粒子滤波(EPF)和无迹粒子滤波(UPF)算法对电池SOC进行估计,抑制了粒子权重退化.以Thevenin模型对电池进行建模,利用带遗忘因子的最小二乘方法进行模型参数辨识,结合改进后的滤波算法对电池SOC进行估计.实验结果表明,以UKF为建议密度函数进行重采样的UPF方法平均估计误差为0.71%,低于以EKF为建议密度函数的EPF方法平均误差(1.09%),两种方法的估计误差均小于PF估计误差(1.36%),有效抑制了粒子权重退化.     

改进的PNGV模型估算全钒液流电池荷电状态

针对全钒液流电池(VRB)充放电时,循环泵产生的支路电流对荷电状态(SOC)估算有影响的问题,提出了一种基于无迹卡尔曼滤波的全钒液流电池SOC估算方法。通过改进的新一代车辆伙伴关系(PNGV)等效电路模型,在考虑了电池堆极化、支路电流分流和温度对电池内阻影响的情况下,建立了VRB仿真模型。采用无迹卡尔曼滤波(UKF)算法和扩展卡尔曼滤波(EKF)算法对电池SOC分别进行估算,并与试验测量值进行对比分析。仿真结果表明:UKF算法比EKF算法更接近试验测量值,其估算误差不超过±0.02。     

基于改进粒子滤波的LiFePO_4电池二元SOC估算

准确估算电池荷电状态是电池管理系统的核心技术之一。为提高估算电池荷电状态精度,构建了可描述蓄电池倍率容量特性的二元荷电状态模型,并采用一种改进的粒子滤波算法对LiFePO_4电池进行荷电状态估算。从标准粒子滤波结构入手,先引入残差重采样算法,缓解了传统序贯重要性采样的粒子退化问题;而后在重采样过程中,采用Thompson-Taylor算法对粒子进行随机线性组合,并生成新粒子,可以抑制标准粒子滤波算法执行过程中的粒子贫化问题。基于这种改进的粒子滤波算法实现了对LiFePO_4电池二元荷电状态估算。实验结果表明,改进的粒子滤波算法相比无迹卡尔曼滤波算法,估算电池荷电状态具有更高的精度,估算误差不超过±0.2%。研究结果对电池管理系统估算电池荷电状态具有现实指导意义。     

自适应无迹卡尔曼滤波动力电池的SOC估计

无迹卡尔曼滤波法(Unscented-Kalman Filter,UKF)在估计动力电池的剩余容量(State of Charge,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,为此采用自适应无迹卡尔曼滤波法(Adaptive-UKF,AUKF)动态估计电动汽车动力电池的SOC.建立了适用于SOC估计的电池模型,辨识相应的电池模型的参数并进行验证,将AUKF应用到该模型,在未知干扰噪声环境下,在线估计电池的SOC.试验仿真结果表明:UKF算法的估计误差在-0.04~0.06之间跳动,而AUKF算法的估计误差平稳的保持在0.05以内,实时修正微小的模型误差带来的SOC估计误差.     

基于融合方法预测锂离子电池剩余寿命

为了准确地预测锂离子电池剩余寿命,创新性地用无迹卡尔曼、遗传算法和粒子滤波算法融合得到的融合方法研究了锂离子电池剩余寿命预测。用无迹卡尔曼算法的滤波结果所构造的建议分布代替标准粒子滤波算法中的重要性密度函数,用遗传算法的选择、交叉和变异过程代替其重采样过程,将3种算法相融合,用于电池的剩余寿命预测。结果表明,相较于标准粒子滤波算法的估算结果,所提的融合方法有效地降低了粒子退化程度,并抑制粒子多样性丧失,其对电池剩余寿命预测的误差更小,更接近实际值。用该融合方法预测锂离子电池剩余寿命时有更高的精确性和适用性。     

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...     

基于IUPF算法与可变参数电池模型的SOC估计方法

针对常用电池模型参数固定和适用范围有限的问题,建立受温度和SOC影响的可变参数的Thevenin模型,并利用实验设计(DOE)方法和最小二乘法对模型参数进行辨识.针对系统噪声较大时影响算法估计精度的问题,提出了一种改进的无迹卡尔曼粒子滤波(IUPF)算法.将系统状态噪声和量测噪声两者同时引入到采样点中,对其进行对称采样处理,同时将其引入到算法计算过程中以保证算法的精度.在可变参数Thevenin模型基础上采用的IUPF算法,在保证模型适用范围的同时减小了噪声对系统估计精度的影响.实验及仿真结果表明,基于IUPF算法与可变参数电池模型的SOC估计方法在解决现有电池模型适用范围有限、保证模型精度的同时,在多个温度下对SOC有较高的估算精度.尤其在系统状态噪声、量测噪声影响较大时,算法估算精度有了明显提高,且对由模型参数所带来的扰动具有良好的鲁棒性.     

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。     

基于改进粒子滤波算法的Bouc-Wen模型参数在线识别方法

在线模型参数更新是提高结构混合试验中数值子结构模型精度的有效手段。为了提高强非线性模型参数在线识别精度,在标准粒子滤波算法的基础上提出了一种改进的辅助无迹粒子滤波算法。在重要性采样中,基于最新观测信息采用无迹卡尔曼滤波方法计算每一个粒子估计,以提高粒子非线性变换估计精度;在重采样过程中,引入辅助因子修正粒子权值,以丰富粒子多样性、削弱粒子退化现象。采用改进粒子滤波算法针对Bouc-Wen模型进行了在线参数识别,并与标准粒子滤波算法、扩展卡尔曼粒子滤波算法以及无迹粒子滤波算法的参数识别精度和计算效率进行对比分析。结果表明,与其它3种算法相比,辅助无迹粒子滤波算法在单步计算耗时增加的基础上,在线参数识别精度明显提高,参数识别值波动幅度显著降低。最后,通过橡胶隔震支座拟静力试验,验证了采用改进粒子滤波算法在线识别Bouc-Wen模型参数方法的有效性。     

电动汽车电池SOC的估计

为了解决电动汽车电池荷电状态估算不准确的问题,以最常用的磷酸铁锂电池作为研究对象,以二阶RC等效电路作为电池模型,对模型参数进行在线识别,采用无迹卡尔曼滤波算法估算电池SOC,并与理想状态下AH法计算得到SOC进行比较。MATLA仿真结果表明,UKF算法的估计结果与AH法的结果大致相同,说明UKF算法对SOC的估算具有相当高的精度,高精度工程中具有一定的应用价值。     

无迹卡尔曼滤波对锂电池荷电状态估算的研究

由于动力锂电池参数具有受外界干扰影响大、电池模型非线性的特点,现有的荷电状态(SOC)估算方法并不能完全满足精度和实时性的需要。在综合考虑模型的精确性和实际工程计算复杂程度后,提出使用经验公式模型,在模型的基础上采用无迹卡尔曼滤波(UKF)算法对电池SOC进行估算。通过对比动力锂电池放电实验得到的数据,检验算法估算效果。实验结果表明:UKF算法能够准确跟踪动力锂电池放电变化情况,对动力锂电池SOC的估算误差在2%左右,相比于传统算法在精度上有较大的提高。     

锂离子电池参数辨识与SOC估算研究

电池SOC的估算精度是影响电动汽车性能的重要因素之一.针对传统的卡尔曼滤波方法在滤波时,需要已知系统噪声统计特性这一问题,本文在采用RC等效电路模型,运用多元线性回归方法辨识得到电池模型参数后,提出了采用模糊自适应卡尔曼滤波算法来估算电池SOC.城市道路循环工况仿真对比结果表明,该算法相比传统卡尔曼滤波方法具有更高精度,且能够将误差保持在2%以内,较好地提高了SOC估算精度.     

双自适应衰减卡尔曼滤波锂电池荷电状态估计

针对卡尔曼滤波法在锂离子电池荷电状态(SOC)估计时存在误差较大、收敛较慢等问题,提出了一种双自适应衰减扩展卡尔曼滤波荷电状态估计(DAFEKF)算法。该算法首先设计了针对动力电池的荷电状态估计观测器,利用测得的电流和电压值分别作为观测器的输入和观测值,结合双自适应衰减扩展卡尔曼滤波估计出观测器中的电池荷电状态,在卡尔曼滤波算法的基础上加入时变衰减因子来减弱过去数据对当前滤波值的影响,并自适应地调整卡尔曼算法中过程噪声和测量噪声协方差。利用DAFEKF算法估计出的SOC结果与扩展卡尔曼滤波(EKF)和自适应扩展卡尔曼滤波(AEKF)算法进行了比较,结果表明,DAFEKF方法具有较好的准确性、鲁棒性和收敛性,使SOC估计误差控制在2%以内。     

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GNL模型自适应无迹卡尔曼滤波的电动汽车荷电状态估计

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(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,因此采用在二阶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荷电状态进行实时估计及更新。在间歇恒流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时不能及时收敛到荷电状态真值附近并跟随,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%之内。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,满足了荷电状态估计的实际需求。     

基于粒子滤波方法的LiFePO_4电池SOC估计

为了准确获取磷酸铁锂电池的荷电状态(state of charge,SOC),针对直接测量法和扩展卡尔曼滤波方法 (extended kalman filter,EKF)估计SOC存在的不足,在分析电池的充放电过程和电池的Thevenin等效电路模型基础上,基于粒子滤波算法(particle filter,PF)对电池的SOC进行了估计。实验结果表明,PF方法比EKF方法的准确度提高了5%,采用PF算法估计SOC更加准确有效,在实际应用中更有价值。     

改进的AUKF锂电池SOC估算算法研究

为了能够精确地估计锂电池的电池荷电状态(SOC),考虑了影响电池SOC估计精度的主要因素及传统电池SOC估计的优缺点,在自适应无迹卡尔曼滤波(AUKF)的基础上,提出了一种改进的AUKF算法,并且对影响SOC估计的主要因素在算法上进行了参数校正。该算法基于电池的二阶RC等效电路模型,把每次测量的输出偏差协方差作为噪声协方差,得到改进的AUKF算法,使得噪声的协方差能够随着时间进行更新,解决了噪声的协方差为常量带来误差的问题。实验结果表明,利用改进后的AUKF算法可以精确地估算出电池SOC值。     

电池双滤波结构下模型参数与状态在线估计

在使用贝叶斯族估算电池SOC时由于电池初始参数及系统模型的不确定性,此类算法可能致使算法在运行中的某个时间点出现发散的情况。对此,本文采用改进型容积卡尔曼双滤波算法在线联合估计电池模型参数和SOC。同时,在对电池进行容量测试以及混合功率测试的基础上,使用对该算法电池进行评估。实验结果表明了电池状态估计的最大绝对误差2.95%,平均绝对误差位1.20%。通过与单一滤波结构的算法进行对比,说明了本双滤波结构在估算精度以及算法稳定型方面更优。