基于自回归各态历经模型参数辨识的模糊双卡尔曼滤波算法的储能电池荷电状态估算

扩展卡尔曼滤波(extended Kalman filter, EKF)算法在电池荷电状态(state of charge, SOC)估算领域广泛应用。但作为一种基于模型的算法,电池模型误差影响SOC估算的精度。为了抑制电流的幅值与阶跃电流因素对模型误差的影响,提出一种动态修正观测噪声协方差的模糊双卡尔曼滤波(fuzzy dual Kalman filter, FDKF)算法。该算法首先将一阶电阻-电容(resistor-capacitance, RC)等效模型转换为自回归各态历经(autoregressive exogenous, ARX)模型的形式,用卡尔曼滤波(Kalman filter, KF)算法更新转换后模型的参数,且在SOC估算的过程中获取电流与电流变化量的数据,并通过建立模糊控制系统调整观测噪声的协方差值来抵消模型误差。结果表明:FDKF算法在某储能工况下估算误差的最大值为0.39%,小于EKF算法的3.92%和双卡尔曼滤波(dual Kalman filter, DKF)算法的1.12%,可见FDKF该算法能够有效地提升SOC估算的精度。     

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SCKF的4旋翼无人机的姿态估计

获得准确的姿态角对于无人机的控制来说是十分重要的.考虑到平方根容积卡尔曼滤波算法(square-root cubature Kalman filter,SCKF),既能够克服扩展卡尔曼滤波(EKF)方法因线性化带来的误差,具有更好的非线性滤波功能,又在传统容积卡尔曼滤波方法中加入了平方根技术,从而能够有效提高数值计算的稳定性,并降低了算法的复杂度.该文将SCKF算法应用于4旋翼无人机的姿态估计中,提出了一种新的4旋翼无人机的姿态估计方法,并进行了仿真实验.实验结果表明:该方法相比传统的EKF方法滤波精度更高,相比较传统的容积卡尔曼滤波(CKF)、无迹卡尔曼滤波(UKF)方法计算时间更短.     

双卡尔曼滤波下的全钒液流电池荷电状态估计

全钒液流电池(vanadium redox flow battery,VRB)荷电状态(state of charge,SOC)是评价电池性能、估算电池容量的重要参数,也是储能系统管理和调控的关键依据。文章通过搭建实时仿真平台,采用基于卡尔曼滤波原理,在扩展卡尔曼滤波(extended Kalman filter,EKF)算法的基础上提出的双卡尔曼滤波(double Kalman filter,DKF)算法对全钒液流电池SOC进行在线估计,并将其与传统的安时积分法测量方式进行对比分析。实验表明,该方法相比于安时积分法具有更好的准确性,且估算误差在2%以内。     

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。     

动力锂电池荷电状态的联合估计与实验研究

针对动力锂电池常用的荷电状态(SOC)估计算法存在的扩展卡尔曼滤波法精度低、无迹卡尔曼滤波法收敛速度慢等问题,在动力锂电池的Randles等效模型的基础上,通过脉冲放电实验对模型参数进行辨识;并设计了一种基于迭代扩展卡尔曼滤波(IEKF)与无迹卡尔曼滤波(UKF)联合估计的SOC估计法。在电池实验平台上设计模拟工况实验,实验分析表明:该算法的SOC初值修正速度快于EKF和UKF,计算量比UKF小,且稳态误差不超过1.5%,相对扩展卡尔曼滤波(EKF)提高了40%,是一个收敛快、计算量少、静差小的迭代估计算法。     

基于环境变量建模的锂电池SOC估计方法

通过对不同温度和锂电池荷电状态(SOC)下电池内部参数测定和评估,分析了影响参数变化的环境因素,建立了可变参数的锂电池Thevenin模型.讨论了模型的分段依据以及相关参数的测定和拟合方法,并采用扩展卡尔曼滤波算法(EKF)对锂电池SOC进行估算,给出了基于温度修正的改进SOC估计方法.所提出的电池模型解决了现有算法中模型适用范围局限性的问题,仿真和实验结果表明,所建立的基于锂电池Thevenin模型的SOC估计方法在较宽的温度范围内都能够获得较高的估算精度.     

基于交互式多模型无迹卡尔曼滤波的锂电池荷电状态估计

为了提高传统卡尔曼滤波法估计锂电池荷电状态(SOC)的精度,在锂电池二阶RC等效电路模型基础上,根据隐马尔科夫模型(HMM)理论并采用遗传算法优化构造出了不同参数状态的电池模型。结合交互式多模型(IMM)算法与无迹卡尔曼滤波(UKF)算法进行SOC估计,提出了一种基于HMM的IMM-UKF算法估计锂电池SOC的方法。锂电池在线SOC估计实验表明,该方法比较其他估计方法有着更高的估计精度,平均绝对误差仅为1%。     

基于平方根容积卡尔曼滤波的永磁同步电机状态估计

针对使用容积卡尔曼滤波算法(Cubature Kalman Filter, CKF)在复杂非线性状态估计时存在的误差较大、运算速度慢等问题,引入一款改进后的平方根容积卡尔曼滤波算法(Square-Root Cubature Kalman Filter, SRCKF)。建立非线性系统线性化模型和电机数学模型,引入SRCKF实现对转速和转子位置的状态估计,在Matlab/Simulink环境下对SRCKF和CKF两种算法进行仿真。结果表明：平方根容积卡尔曼滤波大大降低了电机在状态估计时的运行速度和估计误差,提高了估计精度,系统更加稳定。     

基于奇异值分解无迹卡尔曼滤波的锂电池荷电状态估计

锂电池的荷电状态(state of charge, SOC)是电池管理系统(battery management system, BMS)对锂电池进行管理的重要指标。针对传统SOC估计方法存在的精度低、计算复杂和鲁棒性差等问题,本文提出了一种基于奇异值分解无迹卡尔曼滤波(singular value decomposition unscented Kalman filter, SVD-UKF)的SOC估计方法。该方法利用无迹变换(unscented transformation,UT)提高了计算精度的同时降低了计算量,并且克服了UKF在状态协方差矩阵P非半正定时会出现滤波发散的缺点,提高了算法的鲁棒性。实验结果表明,该算法能够快速收敛于真值,并且将估算误差降低至1%。     

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的准确实时估算.实验结果表明,传统离线参数辨识下的锂电池SOC估计算法的平均绝对误差和均方根误差分别为1.52％和1.80％,在线参数辨识下的锂电池SOC估计算法的平均绝对误差和均方根误差分别降低到0.90％和1.12％,EKF-UKF联合算法提高了SOC估算的精确性和鲁棒性.     

融合阻抗模型与扩展卡尔曼滤波的锂离子电池荷电状态估算

随着电动汽车(electric vehicles, EV)的发展,电池荷电状态(state of charge, SOC)估计受到越来越多关注。荷电状态的精确估计对于电动汽车的能量管理至关重要,然而,估算精度成为限制其发展的瓶颈。本文在阻抗谱分析基础上,利用恒相元件(constant phase element, CPE)导出简化的电池阻抗模型,从而建立模型的状态方程和观测方程;针对锂电池的非线性特性,引入扩展卡尔曼滤波(extended Kalman filtering, EKF),通过在阻抗模型上与EKF算法的融合对锂离子电池进行SOC准确估算;建立电池测试台,通过仿真和电池动态工况试验验证。结果表明,与其他模型和EKF算法相比,所提出的SOC估算方法能有效提高SOC估算精度,并将误差控制在±1%以内,具有较好的收敛性和鲁棒性。     

基于平方根容积卡尔曼滤波的四旋翼无人机的姿态解算

为了提高四旋翼无人机姿态解算的精度,提出了基于平方根容积卡尔曼滤波(square-root cubature Kalman filter,SCKF)的多传感器数据融合策略。基于加速度计、磁力计和陀螺仪输出的数据,采用了四元数的姿态解算方法,避免了单一传感器获得的姿态角误差过大的问题,解决了扩展卡尔曼滤波(extend Kalman filter,EKF)精度低以及无迹卡尔曼滤波(unscented Kalman filter,UKF)、容积卡尔曼滤波(cubature Kalman filter,CKF)协方差矩阵正定性丧失的问题。设计了基于pixhawk飞控板的实验方案。通过实验数据表明,与传统的EKF、UKF、CKF算法相比,SCKF的精度最高。且与UKF、CKF算法相比,SCKF具有计算时间少、数值计算稳定性强等优势。     

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。     

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。     

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。     

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。