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.     

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。     

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。      

基于置信规则库的锂电池SOC估计

电池荷电状态（SOC）的准确估计在电池广泛应用的背景下日益重要,但是构建精确的物理模型十分困难,使用纯粹的数据驱动方法又容易因为电池个体差异性出现过拟合问题。针对这些问题,提出基于置信规则库（BRB）的方法对锂电池SOC的进行估计。该方法既允许专家通过经验知识克服数据驱动方法的过拟合问题,又能通过参数训练克服专家知识的不准确性。以某型磷酸铁锂（LiFePO-4）电池为例,对提出的方法进行了验证,并将其与神经网络进行了对比。结果表明,该方法估计SOC具有较高的精度,估计误差不超过10%,且可以克服传统神经网络方法存在的过拟合问题。     

基于FFRLS-AUKF的锂电池参数在线辨识及SOC估计

针对锂电池模型参数辨识不准确以及传统无迹卡尔曼滤波(UKF)无法对噪声进行实时更新,从而导致锂电池荷电状态(SOC)估计误差偏大的问题,提出遗忘因子递推最小二乘法-自适应无迹卡尔曼滤波(FFRLS-AUKF)算法。先利用遗忘因子递推最小二乘法(FFRLS)对电池二阶RC等效电路模型进行在线参数辨识,再将所辨识的各参数传给由UKF和改进的Sage-Husa算法结合得到的AUKF,从而完成对锂电池的SOC估计,并将其与FFRLS-UKF以及离线UKF所估计的结果相比较。从对SOC估计的误差曲线和平均绝对误差以及均方根误差的数值上对比,均可得出FFRLS-AUKF的精度更高,稳定性更好。     

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AFSA RBF神经网络的电动汽车动力 电池SOC预测

传统的电池荷电状态(State of Charge,SOC)估计方法是基于精确的数学模型,它依赖于大量的建模假设和经验参数,故模型预测SOC精度是有限的;为了提高动力电池SOC预测的精度,提出利用人工鱼群算法(Artificial Fish Swarm Algorithm,AFSA)优化径向基神经网络(RBF)对SOC进行预测,解决了RBF网络参数选择的不确定性;仿真实验结果表明:方法能方便、快速、准确地实现对SOC的预测,且具有实际使用价值。     

基于改进果蝇算法优化的最小二乘支持向量机动力锂电池荷电状态预测

荷电状态(SOC)是动力锂电池管理系统的重要参数,使用传统算法优化锂电池SOC预测模型参数,收敛性相对较差,容易陷入局部最优解。对此,采用改进果蝇算法(IFOA)对最小二乘支持向量机(LSSVM)的参数进行优化,通过引入自适应松弛项来提高预测精度和收敛速度,获取全局最优解。选用磷酸锂电池为研究对象,测量其工作电压、工作电流和SOC,并将数据作为测试集,在MATLAB平台上建立基于IFOA优化的最小二乘支持向量机SOC预测模型。结果表明：IFOA优化的LSSVM动力锂电池SOC预测结果和实测结果吻合良好,平均绝对误差(MAPE)为1.02%,泛化能力强,预测精度相较果蝇算法最小二乘支持向量机(FOA-LSSVM)和贝叶斯算法最小二乘支持向量机(BEF-LSSVM)模型的精度更高。     

动力锂电池组管理系统的SOC估算研究及实现

针对锂电池的特性,讨论了锂电池组电池管理系统的软硬件结构,在安时计量法的基础上,采用一种在线修正的SOC估算策略,设计了一个基于CAN总线的分布式电池管理系统,建立了系统及其各个组成单元的功能和结构,实现了数据监测、CAN通信、SOC估算、安全预警和温度控制功能.经试验验证,该系统工作稳定且能准确估算电池SOC.     

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。     

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...     

基于参数优化的最小二乘支持向量机HEV阀控铅酸蓄电池SOC预测

针对电池容量预测问题,引入最小二乘支持向量机(LS-SVM)方法用于判断混合动力汽车(HEV)阀控铅酸蓄电池(VRLA)的荷电状态(SOC)。考虑到最小二乘支持向量机的参数选择会对预测结果产生较大的影响,提出一种基于参数优化的最小二乘支持向量机预测方法。首先,在非线性回归预测模型的训练过程中,采用模拟退火算法来确定LS-SVM的初始值参数,从而更好地反映预测模型的复杂度,以此提高状态预测的精度。其次,由于预测模型在应对不良数据时可能出现误差增大的问题,分别采用贝叶斯证据框架(BEF)优化算法和留一交叉验证(LOOCV)优化算法来增强预测模型的抗差能力。研究结果表明:留一交叉验证优化算法具有较高的预测精度,实用性强,有效性高。     

基于PSO RBF神经网络的锂电池SOC估算

针对电动汽车锂电池荷电状态(State Of Charge,SOC)的精准估算,提出一种优化的径向基(Radial Basis Function,RBF)神经网络算法;通过粒子群(Particle Swarm Optimization,PSO)算法优化RBF神经网络的参数及结构,确定RBF神经网络中的基函数的宽度以及中心;根据锂电池的充、放电机理,将SOC的影响因子电压(U)、电流(I)、内阻(R)、温度(T)作为输入向量,在Matlab中进行仿真实验;实验表明方法能够实现准确、快速、便捷的锂电池的SOC估算,其预测结果和实际测量结果的误差在4%以下,符合SOC预测误差5%的技术指标要求,对于电动汽车锂电池SOC的估算有着一定的实际应用意义。     

锂电池SOC参数识别、优化及监测研究

为了延长微网系统中储能装置的使用寿命,保证微网系统的稳定可靠运行,需对锂电池荷电状态(SOC)进行实时准确的监测。提出一种基于递推最小二乘法(RLS)和扩展卡尔曼滤波算法(EKF)的电池SOC参数识别优化及检测方法,并在MATLAB/Simulink仿真环境下进行可行性验证。结果表明,该方法能够在极小误差范围内实现对锂电池SOC的实时监测。     

磷酸铁锂电池模型参数辨识与SOC估算

根据磷酸铁锂电池的特性,从电池电化学角度分析,建立电池的等效电路模型.通过实验方法测得电池开路电压与SOC关系和电池模型的参数,利用卡尔曼滤波法来估算电池初始荷电状态(SOC0).实验与仿真表明,该算法可以有效的估算出SOC初始值,并可以将误差控制在10％之内.     

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.