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。     

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.     

基于DTW-KiBaM模型的锂电池SOC估计

锂离子电池工作温度及老化程度是影响其荷电状态（State of Charge， SOC）估计算法准确性的关键因素.在二阶RC等效电路模型的基础上，提出了一种由动态时间规整算法（Dynamic Time Warping， DTW）与KiBaM模型（Kinetic Battery Model， KiBaM）相结合的混合模型.利用DTW算法基于充电电压数据确定电池老化状态，通过KiBaM模型计算电池由于电流效应导致的不可用容量，结合二阶RC等效电路模型推导新的SOC计算矩阵，采用无迹卡尔曼滤波算法（Unscented Kalman Filter， UKF）实现SOC估计.基于城市道路循环工况（Urban Dynamometer Driving Schedule， UDDS）验证了混合模型的准确性，实验结果表明，在10 ℃低温环境或经过200次循环老化后工作的锂离子电池，模型估计SOC的最大误差小于2%.     

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AFFDRLS-AHIF对动力锂离子电池单体SOC估计

针对动力锂离子电池的SOC估计,提出一种带自适应遗忘因子的阻尼递推最小二乘法(AFFDRLS)联合改进的自适应H∞滤波(AHIF)的方法对动力锂离子电池的荷电状态(SOC)估计.建立了磷酸铁锂动力电池单体的戴维南(Thevenin)等效电路模型,以AFFDRLS在线辨识模型参数,以AHIF实时在线估计电池单体的SOC,实现了电池单体的模型参数和SOC的实时联合估计.在Matlab/Simulink中建立了AFFDRLS-AHIF的仿真模型,以估计磷酸铁锂动力电池单体的SOC.根据某电动乘用车分别在NEDC和UDDS工况下的功率需求进行单体实验,测得动力电池单体的电流、电压,并以此作为输入,采用所建立的仿真模型进行动力电池单体的SOC估计;并且与传统扩展卡尔曼滤波法(EKF)和HIF的SOC估计结果比较,结果表明:AFFDRLS-AHIF的估计精度高且鲁棒性好,可以为车辆使用的动力电池SOC估计提供参考.     

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%.      

基于多新息卡尔曼滤波算法的锂电池SOC估计

针对锂离子电池荷电状态(SOC)较难准确获取的问题,依据锂电池等效电路模型,建立起各参数与SOC的联系,利用脉冲放电的数据对模型进行参数辨识.通过Mat-lab/Simulink验证了模型的正确性和精确性.将扩展卡尔曼滤波算法(EKF)融合多新息理论,建立了多新息扩展卡尔曼滤波算法(MIEKF)估计电池SOC的方法,该方法通过对旧信息的重复使用提高了EKF的估计精度.在美国城市道路循环工况(UDDS)下分别采用EKF和MIEKF算法来估计锂电池SOC,两者估计的最大误差分别为0.0176、0.0087.实验数据表明MIEKF算法估计电池SOC更准确.     

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。      

采用等效电路的参数自适应电池模型及电池荷电状态估计方法

针对电池离线参数辨识复杂、模型系统误差无法在线校正等问题,提出基于等效电路的参数自适应电池模型及电池荷电状态估计方法。该方法设计了针对动力电池的自适应参数观测器并证明了稳定性,通过在线估计电池参数从根源校正模型误差,建立滑动平均滤波器对估计参数滤波降噪,利用多时间维度思想周期性更新电池模型,并结合卡尔曼滤波算法进行荷电状态估计。搭建电池充放电测试平台进行实验,实验结果表明:城市道路循环工况下,基于参数自适应电池模型的卡尔曼滤波电池荷电状态估计误差小于3%。该算法简单、准确、适应性强,对于多变环境、长周期使用条件下的动力电池监测具有较高的实用价值。     

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...     

基于TCN编码的锂离子电池SOH估计方法

为了能够准确可靠地估计锂离子电池的健康状态（State of Health， SOH），提出一种基于时序卷积网络（Temporal Convolutional Network， TCN）的数据驱动模型来建立电池充电曲线与SOH之间的映射关系.TCN是一种由多层因果卷积组成的神经网络，它能够对电池充电曲线上的采样点序列进行编码，通过编码得到的编码向量会更易于与SOH建立映射关系.实验结果表明所提基于TCN的SOH估计模型具有较高的估计精度，对不同种类的电池也有良好的适应能力.     

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.     

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。     

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。