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.     

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。     

电动汽车锂离子电池荷电状态估算方法综述

电动汽车动力锂电池内部荷电状态估计是电池管理系统状态估计模块的核心,其无法通过仪器直接测量,仅能通过对电池外部电流、电压等参数进行测量并由此估计。准确的荷电状态估计对电池的寿命、容量和安全性管理至关重要。本文综述了用于电动汽车动力锂电池荷电状态估算的主要方法,根据算法差异将其分为传统的基于传感器测量的开路电压法、电流积分法和阻抗法,基于数据驱动的机器学习类算法以及基于模型的卡尔曼滤波器及粒子滤波器算法与融合类算法。深入介绍了不同估计算法的计算原理并由此分析比较了不同估计算法的计算复杂度、计算精度等特点。总结了现阶段锂离子电池荷电状态估算研究存在的问题,指出其研究趋势和未来发展方向将是更具泛化性和更高精度以及更佳实时性的多融合类估算方法。     

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.     

利用改进SCE算法的锂离子电池参数辨识

针对传统参数辨识方法中存在的易陷入局部最优和精度低问题,提出一种改进洗牌复杂演化算法。首先,根据锂离子电池动态特性的二阶RC等效电路模型,确定待辨识参数。其次,通过本算法来寻找最优模型参数,以更好的模拟电池真实状态。最后,在马里兰大学先进寿命周期工程中心提供的锂离子电池动态工况数据集上进行验证,并对比本算法和其他优化算法的仿真结果。仿真结果表明, 该方法在辨识精度、泛化性能和可靠性方面具有优势。     

融合阻抗模型与扩展卡尔曼滤波的锂离子电池荷电状态估算

随着电动汽车(electric vehicles,EV)的发展,电池荷电状态(state of charge,SOC)估计受到越来越多关注.荷电状态的精确估计对于电动汽车的能量管理至关重要,然而,估算精度成为限制其发展的瓶颈.本文在阻抗谱分析基础上,利用恒相元件(constant phase element,CPE)导...     

电动汽车锂离子电池组参数辨识与SOC估计

针对电动汽车用锂离子电池组,提出了一种能修正初始误差的荷电状态估算方法,即采用扩展卡尔曼滤波与安时积分的组合算法.在分析电池各种等效电路模型优缺点的基础上,选用具有双阻容并联网络的PNGV改进型电池模型,并以某锂电池为实验对象,对其进行模型参数识别.然后依据电池模型建立电池的非线性状态空间方程,并对电池开路电压与SOC的关系进行多项式拟合.恒流脉冲放电和ECE15工况下的两种实验均表明,文中算法可有效修正SOC的初始误差,并能保证估算精度.     

不同荷电状态高比能锂离子电池热失控特性的研究

随着新能源汽车锂电池市场的高速发展,电池能量密度不断提升,从而导致车用锂电池在外部滥用条件下更易引发热失控,并且会释放出更多的能量,产生更大的破坏力。以不同荷电状态的某方形三元锂电池为研究对象,在密封环境下对其进行加热触发的热失控试验。通过对各试验组电芯失效时的温度、产气量及瞬间压力等关键参数进行分析和比对,得知荷电状态的高低对锂电池热失控行为有显著影响。在荷电状态增大的情况下,锂电池的温度、产气量和瞬间压力等各项指标的热失控值均显著上升,说明电池失控造成的破坏性也随之增强。研究成果可以为该型三元锂电池在运输、存储过程中安全荷电状态阈值的确定提供参考。     

锂离子电池荷电状态预测方法研究

针对电动汽车锂离子动力电池组能量管理中的荷电状态(SOC)预测问题,提出一种根据SOC及电流(SOC-I)计算库仑效率的方法,并建立电池SOC、充放电电流及充放电库仑效率的关系.以无迹卡尔曼滤波(UKF)算法为基础,采用自适应无迹卡尔曼滤波(AUKF)算法预测电池SOC,并将提出的库仑效率计算方法与UKF算法相结合构造了SOC-I-AUKF算法,该算法在预测过程中不断调整库仑效率、系统噪声协方差以及量测噪声协方差,以实现系统状态最优化预测.实验结果表明,SOC-I-AUKF算法有较好的SOC预测效果,与UKF算法相比,其SOC预测绝对误差、相对误差和平均误差水平都有显著提高.     

带有电池模型参数辨识的电池管理系统在线维护平台的实现

为了能够实时监控电池包状态,并且通过与电池管理系统进行通讯,以实现对电池管理系统的控制、查询及数据回放,本文设计了一种全面监控电池单体状态的电池管理系统在线维护平台,并开发了一种基于Thevenin模型的参数辨识方法,用于定期维护电池,更新电池管理系统参数,以便准确估计电池的荷电状态.实际应用表明,本平台减轻了电池维护人员的工作量,并提高了电池荷电状态估计的准确性.     

锂离子电池系统建模仿真

动力电池测试是动力电池研究的基础,而建立和选择合适准确的电池模型对于电池管理系统开发具有重要意义.为了解决电动汽车仿真时电池模型选取的问题,分别系统的建立了Thevenin模型,Gassing模型以及AVL电池模型,其中,Thevenin模型和AVL电池模型实质上分别为一阶等效电路模型和三阶等效电路模型,而Gassing模型是一种半机理半经验模型.三种模型在非极限工况下,都具有较高的精度,Thevenin模型和AVL电池能够更加准确地描述电池极化环节,AVL电池模型和Gassing模型在剧烈变化工况下误差很小,而Gassing模型能够很好地描述电池在极限工况下的动态特性,且可以反映出温度与内阻的动态变化.     

基于电化学机理模型的锂离子电池参数辨识及SOC估计

采用Fisher信息矩阵进行参数可辨识性分析,解决了参数的辨识问题,进而提出了基于简化电化学机理模型SP2D(simple pseudo-two-dimensional)的SOC(电池电量)在线估计方法。实验表明,该SOC估计方法较基于等效电路模型(一阶RC模型)的SOC估计方法,可将SOC估计的平均误差减小近30%,而在电池放电中后期更可减小达60%,有效解决了在电池全工作范围内的SOC高精度估计问题。     

阶次自适应AR等效电路模型的锂电池SOC滑模观测

基于等效电路模型的一类车载动力电池剩余荷电状态(state of charge,SOC)的估算方法,其估算精度高度依赖于模型精度,模型精度又正比于模型复杂度,以至于难以较好地应用于嵌入式控制单元.提出复杂度相对较低、能够自适应确定最优模型阶次的全新等效电路模型——基于阶次自适应AR模型的车载动力电池等效电路灰箱模型.基...     

基于最小二乘法的锂离子电池参数辨识方法研究

目的 针对使用戴维南等效电路模型对锂电池进行参数辨识不够精确的问题,提出一种二阶 RC 等效电路模 型并对锂电池进行参数辨识。 方法 通过脉冲放电实验得到锂电池的相关数据,在 MATLAB 上使用最小二乘算法 对所建立的二阶 RC 等效电路进行参数辨识,并对不同 SOC(State of Charge)下锂电池各个参数的变化情况进行分 析,通过计算锂电池的端电压来判断参数辨识的精确度,最后将辨识结果与戴维南等效电路模型所辨识的结果进 行对比并分析。 结果 随着锂电池 SOC 下降,锂电池的各个参数会有轻微的波动,在锂电池的 SOC 处在较低的水平 时,锂电池的各个参数变化比较剧烈,这是由于锂电池的化学浓差极化所导致的,当将辨识的参数用来求解锂电池 的端电压时,随着时间的推移,发现锂电池的端电压的误差波动比较稳定,且最大误差不超过 0. 05 V,反观使用戴 维南等效电路模型求得锂电池的端电压误差波动比较大,且最大误差超过了 0. 08 V。 结论 在锂电池参数辨识上 二阶 RC 等效电路比戴维南等效电路更加准确,能够更好地描述锂电池的动静态特性,为后续对锂电池的荷电状 态估计提供了有力的基础。     

超级电容器时变等效电路模型参数辨识与仿真

为能更准确地描述超级电容器在工作过程中的外特性,在超级电容器经典等效电路模型的基础上,将其扩展为模型参数随时间变化的时变等效电路模型,并选用限定记忆最小二乘法辨识模型的时变参数.在Matlab/Simulink环境下利用实验数据对经典等效电路模型和时变等效电路模型进行仿真比较.结果表明,时变等效电路模型具有更高的精度,可以更精确地反映超级电容器的动态特性.     

动力锂离子电池电路建模与仿真

以锂离子电池为研究对象,分析了多种电池等效电路模型的优缺点,最终选取分数阶等效电路模型进行研究,但由于模型中涉及分数阶电路,不便于计算处理,从而提出对其进行降阶处理的方法,采用改进分数阶的电路模型来确定动力锂离子电池的传递函数,并且求解出这个分数阶电路模型的阶跃电流响应解析解.最后,对由R1∥CPE1,R2∥CPE2和Zw∞分数阶电路构成的电路模型进行降阶处理.时域仿真表明,在0. 1～10. 0s时间范围内,降阶模型近似解和分数阶模型的解析解非常逼近,电路一阶降阶模型相对误差低于10. 0%,而其中的二阶降阶模型相对误差更是低于2. 0%.给出的分数阶电路降阶模型不仅可以降低运算的复杂性,同时在精度上能满足工程应用控制的要求.     

改进PSO优化LSSVM的锂电池SOC估算模型

为提高锂电池荷电状态(SOC)的估算精度,提出一种改进粒子群优化(PSO)算法;对最小二乘支持向量机(LSSVM)的惩罚参数C和核函数参数σ进行寻优,建立基于改进PSO-LSSVM的锂电池SOC估算模型.对磷酸铁锂充放电实验数据进行仿真分析,结果表明:改进PSO-LSSVM模型的平均相对误差为2.96%,均方根误差为0.018,全局最大相对误差为4.79%;改进PSO-LSSVM模型明显提高锂电池SOC估算精度.     

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.