车载动力电池放电过程健康状态在线估计

针对电动汽车无规则随机充放电特点及在线检测需求，考虑到由于电池一致性问题导致难以保证离线实验数据分析法估计精度的问题，提出一种以离线获取的电池健康状态(SOH)外在指征函数为基础的基于无迹卡尔曼滤波(unscented Kalman filter，UKF)思想的在线闭环校正SOH估算架构.该方法优点在于:能够在随机放电过程中快速估算出高精度的SOH值，算法复杂度相对降低，易于实际工程实现且具有较好的鲁棒性.通过验证可以证明，提出的车载动力电池放电过程SOH估算方法具有较好的实用性及较高的估算精度.     

基于证据推理规则CS-SVR模型的锂离子电池SOH估算

锂离子电池健康状态(SOH)的准确性影响电池的安全性和使用寿命.针对锂离子电池SOH估算问题,提出一种基于证据推理(ER)规则的布谷鸟搜索支持向量回归(CS-SVR)的SOH估算模型,并利用NASA Ames研究中心的锂离子电池数据集进行SOH估算试验.该方法以电池放电循环的平均放电电压和平均放电温度为模型输入,利用E...     

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。     

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。     

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%.     

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.     

基于电化学模型的锂离子电池健康状态估算

针对电动汽车锂离子电池健康状态在线估算问题,提出了一种基于伪二维模型参数的估算方法. 该方法通过拆解同类估算目标电池,以扫描电镜测量电池结构参数,利用遗传算法辨识其他未知电化学模型参数,建立一种新的基于化学计量比的电池正极容量计算法则,估算电池健康状态. 同时考虑老化对电池正极化学计量比的影响,进一步提高健康状态估算精度. 采用电池老化数据集验证该方法的有效性,结果表明所提出的估算方法能在短时动态工况下实现电池健康状态的准确在线估算.      

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。     

基于实时电路模型的储能系统锂离子电池状态估算

为了充分发挥锂离子电池在电力系统储能中的潜力,需要准确了解电池组的荷电状态(state of charge,SOC)和健康状态(state of health,SOH),为此,提出一种新的SOC和SOH估算方法.该方法基于锂离子电池二阶电路模型,将锂离子电池实际运行过程中的输出电压测量值和所建立的仿真模型端口电压进行比...     

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。     

基于粒子群算法估计实际工况下锂电池SOH

提出一种基于粒子群算法和锂电池经验容量模型的对电池实际工况下的健康状态进行估计的新方法.建立了电动汽车实际运行工况下充电曲线特征与电池健康度的线性模型.辅以电池经验容量模型,使之符合监督学习的实际情况并能够用计算机对参数进行拟合.以美国航天航空局电池老化数据建立训练集与验证集,对模型进行训练,并对训练好的模型进行实验验证.实验表明SOH估计误差都在7%以下,在实际工况中能够快速对电动汽车锂电池的健康度进行准确估计.      

基于实车数据和BP-AdaBoost算法的电动汽车动力电池健康状态估计

动力电池健康状态(state of health, SOH)估计是电动汽车领域关注的一个热点,目前的大部分方法都是基于实验室测试数据进行估计,忽略了实际车辆运行情况。使用国家大数据联盟平台采集的实际车辆运行数据进行电池SOH的估计。数据预处理方面,在清洗异常数据时,保留了实车数据中合理的强噪声数据,保证了数据的真实性。特征选择方面,选择容量增量曲线峰值和对应的电压以及基于安时积分得到的小片段充电容量数据。算法方面,针对真实数据的弱时序性问题,利用反向传播-自适应推进(back propagation-adapt boost, BP-AdaBoost)算法进行电池SOH估计的研究。最后,利用同一类型三辆车的数据进行了模型训练、测试和验证,预测结果与长短期记忆-循环神经网络(long short term memory-recurrent neural network, LSTM-RNN)算法对比,BP-AdaBoost算法估计误差更小,平均绝对误差达到0.96%,因此,所提出的方法可以应用于实车电池SOH的高精度估计。     

优化分级T-S模糊控制动态估计纯电动汽车电池健康状态

针对纯电动汽车动力电池健康状态（state of health,SOH）预测中非线性影响因素多、算法繁杂、难以在单片机开发平台中实现等难点,首先利用累计充电循环次数计量法得到使用循环次数,将SOH与使用循环次数、内阻变化量、电压降值的相关非线性关系转换成离散的二维数据表,依据使用条件,采用二分查表法获得不同估计方法下SOH值;再将使用循环次数、电压降值和内阻变化量作为输入量,以相应SOH的权重作为输出,利用T-S模糊控制建立SOH动态预测模型,根据权重和边界条件计算得到SOH.仿真结果表明,所提方法最大预测误差4.3%,响应时间55 ms内,预测效果比现有方法显著提高.      

基于充电电压片段的锂离子电池状态联合估计方法

锂离子电池的荷电状态(SOC)、健康状态(SOH)和剩余使用使命(RUL)是锂离子电池安全稳定运行的重要状态参数,本文提出一种基于充电电压上升片段的锂离子电池状态联合估计方法,实现对电池预测起点(SP)到寿命终点(EOL)的较长运行周期内SOC、SOH和RUL的联合估计.该框架在充电阶段进行SOH和RUL估计,在放电阶段进行SOC估计.首先提取电池恒流充电电压曲线片段的上升时间作为健康特征(HF),以HF作为输入,循环容量作为输出,建立最小二乘支持向量机(LSSVM)电池老化模型,对当前健康状态进行估计;采用等效电路模型对该电压区段进行非线性拟合,用拟合参数建立状态空间模型,结合无迹卡尔曼滤波算法进行SOC估计;用高斯过程回归时间序列模型对电池的健康特征序列进行建模,通过循环次数外推预测健康特征的变化趋势,并结合LSSVM老化模型,对RUL进行预测并给出置信区间.实验结果表明,所提方法具有较高的估计精度和较好的稳定性.     

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。     

基于电池循环寿命的纯电动汽车续驶里程估算

为了提高纯电动汽车的续驶里程估算精度,降低因电动汽车续驶里程估计不准确而出现的"里程焦虑",提出一种基于电池循环寿命的纯电动汽车续驶里程估算方法。首先,以纯电动汽车的整体性能分析为基础,将汽车续驶里程估算中电池循环使用时长问题,通过卡尔曼滤波算法转化为代价函数逼近最小值问题,确定电池循环使用寿命。其次,通过计算电池组剩余能量和已行驶里程,计算出纯电动汽车单位里程能耗;最后,计算出纯电动汽车循环工况续驶里程。实验结果表明,采用该方法对纯电动汽车续驶里程进行估算准确性较高,估算误差最低为2. 5%,提高了对纯电动汽车续驶里程的估算精度。