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。     

一种变参数模型平方根UKF锂离子电池SOC估计方法

荷电状态(state of charge,SOC)估计是现代电池管理系统的一个重要方面.扩展卡尔曼滤波(extended Kalman filter,EKF)等基于锂电池的戴维南等效模型的方法已被广泛用于SOC估计,但其在雅可比矩阵的推导和线性化精度等方面存在不足.提出了基于变参数模型的平方根无迹卡尔曼滤波(square root unscented Kalman filter,SRUKF)方法估算SOC,该方法不需要对非线性模型进行线性化,同时平方根特性改善了状态协方差的数值性质.变参数模型是在2阶戴维南等效模型的基础上令锂电池的各项参数随电量变化而得到的,减小了因固定参数模型无法反映不同电量下参数变化造成的误差.实验验证了该方法的有效性,与现有的SOC估计方法EKF、常规的UKF以及使用固定参数模型的估计结果进行了比较,该方法的误差明显小于其他3种方法.     

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.     

基于改进RVM算法的三元锂离子电池SOC估计

三元锂离子电池荷电状态的估计,由于构建模型复杂,受到外界干扰因素影响较大,导致预测精度达不到理想效果,但荷电状态的估计精度对于电池管理系统而言至关重要,因此不断提高估计精度是业内的研究重点.根据已有的相关向量机算法提出了3种改进算法,即循环相关向量机、自回归相关向量机和自回归循环相关向量机,分别对3 600组大样本训练数据进行学习建模,并对另外3 600组大样本数据进行荷电状态的估计,通过与最小二乘支持向量机对比表明,提出的基于自回归循环相关向量机的三元锂离子电池SOC的估计,具有稀疏性好、拟合与泛化能力强和运行速度快等优点.     

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%.     

基于粒子滤波方法的LiFePO_4电池SOC估计

为了准确获取磷酸铁锂电池的荷电状态(state of charge,SOC),针对直接测量法和扩展卡尔曼滤波方法 (extended kalman filter,EKF)估计SOC存在的不足,在分析电池的充放电过程和电池的Thevenin等效电路模型基础上,基于粒子滤波算法(particle filter,PF)对电池的SOC进行了估计。实验结果表明,PF方法比EKF方法的准确度提高了5%,采用PF算法估计SOC更加准确有效,在实际应用中更有价值。     

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。     

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。     

基于扩展卡尔曼滤波算法的二阶电池模型SOC估算

电池荷电状态(SOC)的精确估算可以为电池管理系统控制策略提供有效判据,能够提高电池的工作效率,并延长其使用寿命。本文运用MATLAB/Simulink平台对锂电池单体进行了建模与仿真,并通过MATLAB的cftool工具箱辨识出二阶模型的各个参数,然后利用扩展卡尔曼滤波算法(EKF)对电池SOC进行了精确估算。分别在确定和不确定SOC初始值两种情况下对算法进行了仿真与验证,结果发现SOC平均绝对误差小于0.01,电压平均绝对误差小于0.005 V,这表明EKF算法在电池SOC估算方面具有精度高、收敛快和实用性较强的优点,可以用于电池SOC的精确估算。     

电池储能系统SOC神经网络融合估计方法

为了更好地获取电池储能系统当前的运行状态,提出了基于神经网络融合的电池储能系统SOC估计方法.首先,对比分析了前馈（BP）、门控循环单元（GRU）和长短时记忆（LSTM）神经网络算法的优劣,BP计算时间较短,LSTM对时序数据估计精度较高;然后,利用KL散度、皮尔逊相关系数和灰色关联度分析了不同输入参量和SOC的相关程度,并和LSTM估计结果相比对,筛选出对电池储能系统SOC影响较大的特征参量;最后,应用经验模态分解算法将SOC数据分解为多个分量,利用样本熵将分量聚合为高低两个频段,进而应用BP、LSTM神经网络算法分频段估计,和单一策略相比,该方法在提高SOC估计精度的同时,减少了计算时间.     

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%.     

基于深度强化学习卡尔曼滤波锂离子电池SOC估计

针对锂离子电池的荷电状态(state of charge,SOC)估算精度,设计了一种基于深度强化学习卡尔曼滤波锂离子电池SOC估计算法.首先以锂离子电池二阶RC等效电路为研究对象,应用卡尔曼滤波算法,构建了锂离子电池的离散系统数学模型;然后结合深度强化学习思想,构造了一种深度强化学习卡尔曼滤波算法,该算法利用贝叶斯规则确保最佳协方差.仿真结果表明,深度强化学习卡尔曼滤波算法对锂离子电池荷电状态的精度有较好的估计.     

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.     

基于简化可变参数热模型的锂电池内部温度估计

锂电池内部温度的准确估计是实现电池安全可靠热管理的关键,为准确估计锂电池内部温度,针对现有电池热模型中各热电参数的辨识误差对内部温度估计精度的影响,文中提出基于简化可变参数热模型的锂电池内部温度估计方法.通过对不同环境温度下锂电池内部热容与外部热阻进行辨识,建立可变内部热容与外部热阻估计模型,同时对模型机理进行分析,详细描述了外部环境对于内部热容和外部热阻的影响,并通过实验验证了模型的可靠性;最后结合扩展卡尔曼滤波(EKF)算法,实现对内部温度的估计.不同温度梯度下的恒流放电实验与仿真结果证明,所建模型适用于不同环境温度下的锂电池热模型,提高了内部温度估计精度.     

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。      

等效滞回模型在锂离子电池SOC估计中的应用

锂离子电池荷电状态的快速准确估计是电池管理系统的关键技术之一.针对锂离子电池这一动态非线性系统,通过测试分析锂离子电池的滞回特性,建立了锂离子电池的二阶RC滞回模型,并利用容积卡尔曼滤波算法对电池荷电状态进行估算.实验结果表明,该模型能较好地体现电池的动态滞回特性,而且容积卡尔曼滤波算法在估算过程中能保持较高的精度.