磷酸铁锂电池的改进建模及SOC估计

由于磷酸铁锂电池在多方面的优越性能,它在电动汽车领域的应用已经越来越广泛。文章针对磷酸铁锂电池,给出了其改进的PNGV模型,并通过电池恒流充放电特性和脉冲充放电特性实验,利用插值和最小二乘拟合方法进行电池模型参数辨识,实现了磷酸铁锂电池的较准确建模,并采用扩展卡尔曼滤波算法(EKF)完成了电池荷电状态(SOC)的准确估计。     

典型温度下磷酸铁锂电池PNGV模型研究

温度是影响电池性能的重要因素之一。本文对典型温度下磷酸铁锂电池PNGV模型进行研究。通过大量的试验得出了磷酸铁锂电池充放电特性曲线,在此基础上建立了PNGV模型。应用混合脉冲功率性能测试试验(HPPC)对典型温度下模型参数进行了辨识,分析了典型温度下模型参数的变化规律。最后应用基于北京公交的纯电动客车用动力电池动态测试工况(BBDST)对模型进行了验证。验证结果表明PNGV模型在一定程度上能够反映磷酸铁锂电池的特性。同时,该模型在磷酸铁锂电池上的应用也存在一定的累积误差。     

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。     

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.     

基于双卡尔曼滤波的锂电池SOC估计

针对电池SOC估计误差较大的问题,本文提出了双卡尔曼滤波算法。介绍了电池常用的等效模型和使用方向,以双RC模型为基础建立了电池系统的空间方程,使用混合脉冲功率特性测试法得到了模型参数值;推导了安时积分法和扩展卡尔曼滤波原理,在基础上提出了双卡尔曼滤波算法,对双卡尔曼滤波的原理和公式实现进行了详细推导;设计了电池组的充放电实验对算法进行验证,结果表明安时积分法估计误差随时间不断增大,扩展卡尔曼算法估计误差震荡很大,双卡尔曼滤波的估计精度较高,最大估计误差只有0.13%。     

不同温度下磷酸铁锂电池的模型参数敏感性分析

为实现电池的高精度状态估计,对磷酸铁锂电池进行了4个不同温度下的基础性能实验,同时设计了一种变温工况下获得全荷电状态（SOC）范围的开路电压实验方法,为建立考虑温度因素的二阶RC电池模型以及参数敏感性分析提供数据支持。此外,利用不同温度下的混合功率脉冲测试数据,基于粒子群优化算法辨识得到了不同温度下准确的模型参数。最后,基于单次单因子法对已建立的电池模型中各个参数进行敏感性分析,分析结果对考虑温度的参数辨识和状态估计工作具有借鉴意义。     

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EKF算法的磷酸铁锂电池在线SOC估算

文章针对大倍率放电条件下,磷酸铁锂电池极化效应加剧变快的现象,考虑了电流对极化参数值影响的电池模型,基于改进后的电池模型,搭建了由dSPACE、可编程电源及电子负载组成的可控电池实验台架,并应用卡尔曼滤波理论对磷酸铁锂电池进行在线SOC状态估算;实验结果表明,改进后的电池模型提高了SOC估算的精度。     

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.     

串联磷酸铁锂电池组保护电路设计

设计出了一种新型的串联锂离子电池组保护电路.该保护电路采用MOSFET开关,根据过流时电池组MOSFET电压的变化来设计过流保护电路,并通过实物验证了该保护电路能够在20ms动作,从而保护了电池组和改善了电池的性能,延长了电池的寿命.     

基于AEKPF算法对锂离子电池SOC与SOH的联合估计

为了提高锂离子电池SOC(state of charge)和SOH(state of health)的估计精度,采用自适应扩展卡尔曼粒子滤波(adaptive extended Kalman particle filter, AEKPF)算法估算SOC和SOH,该算法通过修正噪声可以解决运用EKF(extended Kalman filter)算法时的噪声误差累积问题,并且AEKF(adaptive extended Kalman filter)算法作为PF(particle filter)算法的建议分布用来实时更新粒子,可以改善单独采用PF算法时的粒子退化问题.为了提高SOC的估计精度,提出考虑电池的劣化特征,联合SOH实现对SOC的修正估计.在Matlab环境下的仿真结果表明:AEKPF算法与AEKF算法相比,可以得到更加准确的SOC和SOH估计值,而且AEKPF算法联合SOH可以有效提高SOC的估计精度,仿真绝对误差不超过±1%.     

Model based SOC estimation for high-power Li-ion battery packs used on FCHVs

A model based method which recruited the extended Kalman filter （EKF） to estimate the full state of charge （SOC） of Li-ion battery was proposed. The underlying dynamic behavior of the cell pack was described based on an equivalent circuit comprising of two capacitors and three resistors. Measurements in two tests were applied to compare the SOC estimated by model based EKF estimation with the SOC calculated by coulomb counting. Results have shown that the proposed method is able to perform a good estimation of the SOC of battery packs. Moreover, a corresponding battery management systems （BMS） including software and hardware based on this method was designed.     

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.     

一种基于优化粒子滤波的锂电池SOC估计算法

在构建锂电池状态空间模型基础上,提出一种基于优化粒子滤波的锂电池SOC估计算法,将BP神经网络应用到粒子滤波的权值更新过程中,实现锂电池SOC估计.利用某公司提供的磷酸铁锂电池测试数据,对所提出的算法进行验证,对比算法估计结果与SOC实测结果.结果表明,相对于PF算法,提出的改进算法具有更好的SOC估计性能.     

基于改进DAEKF的锂电池SOC和SOH联合估计

为提高锂离子荷电状态（state of charge,SOC）及健康状态（state of health,SOH）的精度,提出改进双自适应扩展卡尔曼滤波（dual adaptive extended Kalman filter,DAEKF）算法。基于二阶RC模型,建立空间状态方程;选取电池容量作为SOH的表征量,在双扩展卡尔曼滤波算法基础上引入改进的Sage-Husa自适应算法,实现系统协方差矩阵的实时更新;为降低系统计算量,进一步加入多时间尺度理论进行优化。实验结果表明,提出的算法能较准确地估计锂电池的SOC与SOH,SOC的平均误差为0.58%,SOH最大估计误差为0.8%,该算法正确有效。     

电动汽车用动力电池组SOC的神经网络估计

针对电动汽车用动力电池组的SOC受充放电率、放电历程和温度等因素的影响,传统方法很难建立准确的数学模型,对电池组SOC进行研究,在对动力电池组进行不同工况充放电试验的基础上。建立了电池组的神经网络仿真模型。并分别采用电流输入,电压和电压梯度输入进行了仿真,实现了对电池组SOC的估计。与实验结果对比,仿真结果与实验基本吻合,验证了该方法的正确性。     

基于随机抽样参数辨识的动力锂电池组仿真模型构建

为解决多电芯电池组建模过程中电池参数辨识大量耗时的问题,根据电池组中各单体电池参数呈正态分布的特点,提出一种基于统计学方法和最小电动势的复合电池组建模方法.该方法首先随机抽取电池组中部分单体作为样本,利用脉冲充放电实验和最小二乘辨识方法对样本电池进行参数辨识;然后以样本电池参数的平均值和方差代表电池组的参数特征进行电池组模型构建;最后基于Simulink平台进行计算机仿真实验,并对比实际充放电实验数据.结果表明,两者的端电压误差在0.05 V以内,相对误差1.5%,验证了所提方法的有效性.