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。     

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.     

锂离子动力电池内阻模型与实验研究

首先,根据多孔电极理论,建立了锂离子动力电池的仿真模型.对仿真模型的分析可知,影响电池内阻的内部因素为锂离子在电极活性材料中的固相扩散系数及由极片的电子电导率、电解液的离子电导率和活性材料的电子电导率组成的电池总电导率.分别设计制作磷酸铁锂和石墨半电池,使用恒电流间歇滴定法(GITT)对半电池进行固相扩散系数的测量.使用交流阻抗法(EIS)对半电池进行总电导率的测量.对比半电池实验数据和磷酸铁锂锂离子动力电池实验数据可知,电池的极化内阻由锂离子在电极活性材料中的固相扩散系数决定;电池的欧姆内阻由电池的总电导率决定.     

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....     

基于模型误差EKF-HIF算法的锂动力电池SOC联合估计

针对锂动力电池荷电状态(State of Charge,SOC)估计策略,提出了一种基于模型误差EKF-HIF算法的SOC联合估计方法。首先,通过建立电池等效电路模型,利用BP神经网络(Back Propagation Neural Network,BPNN)预测该电池模型误差。其次,推导扩展卡尔曼滤波(EKF)和H∞滤波(H Infinity Filter,HIF)算法流程,根据模型误差选择不同算法进行SOC状态估计。最后,通过仿真验证了该联合估计算法的有效性和可行性。     

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RC等效电路的动力电池SOC估计算法

精确的动力电池剩余电量(SOC)是混合动力系统进行动力分配的重要依据,也是整车控制和降低使用成本的关键.因而,采用简化的RC电池等效电路,建立了电池的动态充、放电模型,把该模型转化为状态空间表达式.基于不同温度下的镍氢动力电池开路电压,通过混合脉冲功率性能(HPPC)测试方法测量,得到动力电池的动态工作内阻.根据电池的动态工作电流,在线实时估算动力电池的SOC.仿真及实验室测试结果表明,该方法的估算误差小于8%,验证了该SOC估算方法的有效性.     

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%.      

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。      

锂离子动力电池荷电状态联合估计应用

为了进一步提高锂离子动力电池荷电状态(SOC)的估计精度问题,在分析了电池电压、温度、电流和放电电量对电池SOC值的影响后,提出了一种新颖的混沌萤火虫算法(chaos firefly algorithm,CAF)和小波神经网络(WNN)相结合的锂离子动力电池SOC联合估计方法,该方法首次利用于电池SOC值估计中,通过新颖的混沌萤火虫算法优化小波神经网络,加入动量项优化网络的权值和调整修正参数,提高了网络的学习效率和SOC估计精度。克服神经网络进化缓慢并且容易陷入局部最小的缺陷,通过仿真和电池实际工况下实验,结果表明与WNN算法相比,所提出的方法具有更高的预测精度,均方根误差小于2%,验证了这一算法的可行性和有效性。     

锂离子动力电池荷电状态联合估计

为了进一步提高锂离子动力电池荷电状态(SOC)的估计精度问题,在分析了电池电压、温度、电流和放电电量对电池SOC值的影响后,提出了一种新颖的混沌萤火虫算法(chaos firefly algorithm,CAF)和小波神经网络(WNN)相结合的锂离子动力电池SOC联合估计方法,该方法首次利用于电池SOC值估计中,通过新颖的混沌萤火虫算法优化小波神经网络,加入动量项优化网络的权值和调整修正参数,提高了网络的学习效率和SOC估计精度。克服神经网络进化缓慢并且容易陷入局部最小的缺陷,通过仿真和电池实际工况下实验,结果表明与WNN算法相比,所提出的方法具有更高的预测精度,均方根误差小于2%,验证了这一算法的可行性和有效性。     

基于一致性估计的车用动力蓄电池组SOC修正法

目前车用动力蓄电池组荷电状态(SOC)的估计方法在应用时都将电池组看作一个整体,而忽略了组中单体电池之间的差异对整组SOC估计的影响.提出一种基于单体电池一致性估计的车用动力蓄电池组SOC修正方法.此方法采用了自适应神经模糊推理系统的基本原理,通过对模糊逻辑规则库的离线自适应训练,构建了可用于车载电池管理系统(BMS)的SOC一致性模糊推理系统.通过仿真或者试验验证表明,该方法能够在电池组SOC一致性发生变化的情况下,作出较为准确的判断并结合传统的整组SOC估计结果进行修正.说明通过该方法建立的模糊模型经过神经网络自适应学习后具有较好的泛化能力.     

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。     

基于GA-RBF网络的磷酸铁锂电池SOC预测研究

针对动力电池荷电状态(state of charge,SOC)的精确预测问题,提出了一种基于遗传算法的径向基函数(genetic algorithm-radial basis function,GA-RBF)神经网络的磷酸铁锂电池SOC预测方法,它克服了网络参数选择的随机性,具有更强的适应能力。通过仿真实验,证明了该方法比传统的径向基函数(radial basis function,RBF)神经网络预测结果更加准确,运行更稳定,满足电池管理系统对磷酸铁锂(LiFePO4)动力电池SOC预测的精度和实际使用的要求。     

基于自适应UKF的锂离子动力电池状态联合估计

针对由静态的电池模型参数而造成的状态估计累计误差、噪声统计特性的时变不确定性等实用化的问题,基于无迹卡尔曼滤波(unscented Kalman filter, UKF)框架设计了一种自适应UKF的电池状态联合估计算法.在无迹变换(unscented transform,UT)时,对量测方程进行准线性化处理,降低了循环迭代过程中的计算开销;利用带遗忘因子的Sage-Husa自适应估计方法对过程噪声的统计特性参数进行递推估计与修正,提高了UKF估计算法的自适应容错能力;实时跟踪滤波的收敛性,若呈发散趋势时,通过自适应衰减因子对误差协方差进行调整以抑制滤波发散,保证了滤波过程的数值稳定性;采用联合估计策略对一阶Thevenim电池欧姆内阻模型参数进行在线更新,以确保动态测试工况下电池模型的准确性,从而提高了电池荷电状态(state of charge,SOC)以及电池健康状态(state of health,SOH)的估计精度.实验与仿真结果验证了该电池状态联合估计算法的可行性与有效性.     

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。     

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ECTLBO-ELM模型的荷电状态估计

电池的荷电状态(SOC)表示电池的可用容量,是电池管理系统重要参数之一.以锂离子电池为例,准确的估计可以提高其性能.为了建立锂离子电池的精确计算模型,提出了一种基于增强混沌教与学优化算法(ECTLBO)优化极限学习机(ELM)的SOC估计模型(ECTLBO-ELM).在ECTLBO-ELM模型中,一是利用增强混沌优化策...     

一种基于IMM-ABSE算法的锂离子电池组SOC估算

信号噪声干扰、电池模型对温度与老化的适应性及单体不一致性等因素直接影响电池组电荷状态(State of Charge,SOC)估算精度.为实现锂离子电池组SOC的准确估计,提出了一种使用交互多模型(Interacting Multiple Model,IMM)和自适应电池状态估计器(Adaptive Battery State Estimator,ABSE)相结合的估算方法.首先,基于电池组综合特性建立电池交互模型,通过ABSE对单体SOC进行估算并嵌入IMM模型中.然后,计算各模型的信息分配因子,并根据信息分配因子对各模型的SOC进行概率融合,得到精度较高的电池组SOC.最后,在不同温度的组合工况下,评估该算法的鲁棒性和普适性.实验结果表明,该方法适用于系统输入信号存在噪声、全气候工况和单体间存在不一致性的环境,在有效充放电期间平均误差小于2%.