基于多新息最小二乘和多新息扩展卡尔曼滤波算法的锂电池SOC估计

针对现有SOC(荷电状态)估计方法中电池模型参数恒定,没有考虑电池模型参数的动态变化,导致SOC的估计不够精准的问题,文中提出了一种基于电池模型参数在线辨识与SOC估计联合的算法。在二阶RC等效电路模型基础上,采用多新息最小二乘(Multi Innovation Least Squares,MILS)算法对锂离子电池模型中的参数进行在线辨识,从而对电池模型进行实时修正;同时基于修正后的电池模型,采用多新息扩展卡尔曼滤波(Multi Innovation Extended Kalman Filter,MIEKF)算法对电池荷电状态进行估计。MILS算法可以解决在线参数辨识过程中的初始误差累积问题,能够实现模型参数的在线精准辨识,MIEKF算法融合了多新息理论和卡尔曼滤波理论,加入了遗忘因子以削弱历史数据并修正权重,解决了数据过饱和问题,具有较高的准确性和收敛性。实验结果表明,在对电池模型进行参数辨识时,MILS算法、RLS算法辨识的均方根误差分别为1.4、1.9 mV,MILS算法相比RLS算法的估计精度提高了26.3%;对于参数辨识后SOC的估计,MIEKF算法估计的均方根误差为0.0037,EKF算法、AEKF算法估计的均方根误差分别为0.0073、0.0052,MIEKF算法比EKF算法的估计精度提高了49.31%,比AEKF算法的估计精度提高了28.84%;并且在给定SOC初值错误的情况下,文中所提出算法在电池开始工作后30 s左右就能够收敛到真实值,是一种精度高而且鲁棒性好的有效估计方法。

考虑时变线阻的多储能SOC稳定均衡控制策略

在直流微电网中,由于线路阻抗大小差异的复杂化,难以保证各储能单元之间达到荷电状态(state-of-charge,SOC)均衡。为此,提出一种考虑时变线阻的SOC均衡改进控制策略。首先,通过线路阻抗和SOC幂指数构造的平衡因子来修正控制系数,提高SOC的辨识度。同时,利用输出电流来约束平衡因子,提高系统的抗扰能力。在SOC均衡之后,SOC平衡因子G变为1,此时依赖线路阻抗信息但不受线路阻抗变化影响,可平稳地保持电流分配。并且结合输出电流构造的电压补偿环节有效地解决了母线电压质量和SOC均衡控制效果之间的矛盾。其次,针对基于SOC均衡的改进控制策略易受恒功率负载影响的问题,利用混合势函数理论进行建模,得到稳定性判据,有利于保障系统的稳定运行。最后,仿真结果表明,所提出的改进下垂控制能够有效地消除线路阻抗的影响,提高电流分配精度,实现SOC均衡,并验证了在各种突发扰动及极端情况下所提控制策略的有效性和正确性。

考虑应力特征的锂离子电池SOC估算

准确估计荷电状态(SOC)是保证锂离子电池可靠运行的基础。提出基于多维特征特别是结合力信号的数据驱动的SOC估算方法,对锂离子电池应力特征进行Savitzky-Golay(S-G)滤波,形成优化重构后的应力信号。提出基于麻雀搜索算法(SSA)改进的反向传播(BP)神经网络,提高神经网络的全局寻优能力。用恒流(CC)、联邦城市驾驶工况(FUDS)进行评估。在BP神经网络中,相比于单纯使用电信号,考虑应力特征的SOC估算的均方根误差(RMSE)降低89.1%,平均绝对误差(MAE)降低88.8%,考虑应力特征的SSA-BP神经网络的SOC估算误差在0.3%以内,鲁棒性和精确性更高。

一种支持SoC数字电路老化及寿命的评估方法

使用Spice可靠性仿真技术和高温稳态寿命(HTOL)实验相结合的方法,研究不同的MOSFET器件组成的环振电路在持续翻转状态下,不同应力时间和应力电压对其寿命退化的影响。依据仿真结果和Power-Law模型建立数字电路的寿命预测理论模型。通过HTOL实验验证模型的准确性。结果表明,随着时间的增加,器件的寿命退化率逐渐增加,且随着时间的推移,寿命的变化率越来越小。随着应力电压的增加,器件的寿命退化率更快趋向于稳定。器件退化符合R-D模型,仿真结果与试验结果高度,进一步证实了本模型对SoC数字电路寿命预测的准确性。通过这种组合仿真和实验的方法,可以更加准确地评估数字电路的寿命,为芯片制造过程中的可靠性设计提供参考。

锂电池自适应无迹H∞滤波SOC估计研究

荷电状态(state of charge,SOC)作为表征锂电池剩余电量的关键指标,其精确估计对于合理使用电池电量、保障电池安全具有重要意义。本文针对基于H∞滤波(H infinity filter,HIF)估计SOC时鲁棒性好但估计精度低的问题,提出一种自适应无迹H∞滤波(adaptive unscented H infinity filter,AU_HIF)SOC估计方法,以提高SOC估计精度。首先,选择能够在精度和复杂度间取得良好平衡的双极化(dual polarization,DP)等效电路模型进行新型估计算法的设计;其次,结合无迹卡尔曼滤波(unscented Kalman filter,UKF)算法相比于传统扩展卡尔曼滤波(extended Kalman filter,EKF)算法更适用于非线性系统状态估计的特点,文章基于先验误差协方差矩阵设计新型渐消因子,实现自适应无迹H∞滤波算法的设计,以减小陈旧测量值对估计结果的影响,提高滤波算法的跟踪能力及估计精度。最后,通过搭建自主实验平台获取实际模拟工况数据,验证了文章所提自适应无迹H∞滤波算法相比于传统H∞滤波算法、传统UKF算法和其他类型改进H∞滤波算法具有更高的估计精度及更好的鲁棒性。文章研究内容对提高新能源汽车、储能电站等电池系统的SOC估计精度具有重要意义。

基于OCV模型优化的磷酸铁锂电池SOC估计

锂离子电池荷电状态(SOC)与开路电压(OCV)的关系曲线(OCV曲线)是影响其SOC估计精度的核心因素。针对小电流OCV(LO)测试耗时短但数据精度较低的问题,提出一种OCV模型及其优化方法。该方法基于LO测试的OCV数据,采用道格拉斯-普克算法和分段线性函数建立OCV模型。并将OCV曲线上的4个OCV点作为变量,建立了其他OCV点的随动模型,使曲线能够运用粒子群优化算法进行优化。基于优化后的OCV曲线,动态工况下的端电压估计绝对平均误差降低83.5%,采用自适应扩展卡尔曼滤波的SOC估计误差小于0.3%。该方法能够基于耗时短的LO测试获取准确OCV曲线,降低锂离子电池研究与应用的测试成本。

面向SoC系统的可扩展UVM自动化验证平台

得益于设计IP的成熟可靠性,目前SoC系统能够基于设计IP实现快速构建。在SoC系统构建过程中,往往需要考虑从IP模块到SoC系统的功能验证。为了能够减小SoC系统构建与功能验证之间的项目压力,提出了一种可快速构建、可扩展、可复用的自动化验证平台。该平台基于UVM、Python、Mako技术,同时具备SV、UVM、C的测试能力,可以快速部署验证平台,有利于验证环境,标准化测试指令规范了测试代码。在不同验证层次中投入试用,有效节省了96.9%的构建测试平台时间,减少了66.2%的测试框架代码,减少了66.4%的测试用例代码。该平台已作为独立EDA产品,参与到多个芯片研发。

面向动力电池SOC估计的时间卷积优化网络

在电动汽车的实际驾驶场景中,由于复杂多变的运行条件和动力电池的非线性,对电池荷电状态(SOC)的准确估计存在较大的误差,从而造成车主的里程焦虑。针对上述问题,提出了一种时间卷积优化网络(TCON)方法,用于实时估计动力电池SOC。首先,建立无归一化的时间卷积网络(TCN)模型,通过并行计算提取时序信息,具有参数少、精度高的优点。其次,为了解决TCN输出波动性较强的问题,设计了时间优化模块(TOM),该模块通过生成时序优化权值,对TCN输出进行优化,有效抑制数据噪声,进一步提高了预测精度。最后,使用电动汽车实时运行数据集进行验证。实验结果表明:文中所提方法与TCN相比,在仅增加5.8%的参数量的前提下减少了18.3%的误差;SOC估计的平均绝对误差小于1%,均方根误差小于2%,为SOC提供了更准确的估计,在一定程度上缓解驾驶员的里程焦虑。

无功补偿与储能集成系统中H桥级联型功率变换器相内SoC快速均衡

无功补偿与储能集成系统应用于风、光电站具有经济性,其中H桥级联型功率变换器具有低功率因数运行特点,提升其相内SoC均衡速度有助于提升电池安全和储能系统容量利用率。在调制约束下,考虑相内SoC均衡中电压无功分量的叠加,分析不同功率因数时功率单元的SoC均衡能力。基于分析,提出相内SoC的快速均衡方法,设计均衡控制电压有功分量叠加方法,充分利用功率单元的SoC均衡能力。基于各功率单元叠加的电压有功分量设计相应单元的无功分量叠加方法,提升功率单元的SoC均衡能力。仿真分析验证了相内SoC快速均衡控制的有效性。

引入PID反馈的SHAEKF算法估算电池SOC

电池荷电状态(SOC)的估算精度是电动汽车电池组的重要指标。为提升SOC估算精度,在融合Sage-Husa扩展卡尔曼滤波(SHEKF)算法与自适应扩展卡尔曼滤波(AEKF)算法的基础上,增加比例积分微分(PID)反馈环节,形成改进算法。采用粒子群优化(PSO)算法对二阶RC等效电路模型进行参数辨识;用开源电池数据集对模型和算法进行实验和分析。改进的SHAEKF算法在电池动态应力测试(DST)、北京动态应力测试(BJDST)和美国联邦城市驾驶(FUDS)等工况下的平均估计误差都在1%以内,与单纯的融合算法SHAEKF算法相比,最大误差可减小5%。

温度自适应SMO算法估计锂离子电池的SOC

现有对锂离子电池荷电状态(SOC)的估计,没有考虑温度变化导致的SOC估计准确度降低。提出一种考虑温度的滑模观测(SMO)法进行SOC估计。基于混合脉冲功率测试(HPPC)实验的数据,得到18650型LiFePO4锂离子电池的SOC与温度、参数之间的拟合式,通过台风(Typhoon)系统进行半实物实验分析。温度自适应SMO算法在低温或常温工况下的平均误差较传统SMO算法降低0.3~0.5个百分点,直接通过拟合式所快速估计的SOC较温度自适应SMO算法平均误差在2%左右,常温25℃工况下误差低于1%,能够实现较高的估计精准度,为快速估计SOC提供了较好的算法参考。

基于电热耦合模型的宽温域锂离子电池SOC/SOP联合估计

准确的状态估计对于锂离子电池安全可靠运行具有重要意义,但由于非线性强,多参数耦合,实现宽温域多参数联合在线估计难度较大。考虑到温度影响,建立电热耦合模型,采用扩展卡尔曼滤波算法(EKF)在线辨识电池参数,通过电压及温度仿真验证了模型的准确性;然后针对无迹卡尔曼滤波算法(UKF)历史数据利用率低的问题,引入多新息理论(MI)改进UKF,改进后的算法在非电压平台区荷电状态(SOC)估计均方根误差不超过1.2%,相较于改进前误差降低了30%以上,并结合安时积分法设计切换算法,解决了MIUKF算法在磷酸铁锂电池电压平台区无法通过电压反馈修正SOC估计误差的问题,实现了宽温域复杂工况下全区间SOC的准确估计,在不同SOC初始值条件下验证了结合算法的准确性,均方根误差不超过3%,为峰值功率(SOP)估计提供了可靠的SOC值;最后将温度约束引入到SOP估计中,提出多约束条件下的SOP估计方法,结果表明在高温条件下,温度起到关键限制作用,可以防止电池温升过大,减少安全隐患。

基于CSO-AUKF的锂电池SOC估算方法

电池荷电状态(SOC)估算是电池管理系统(BMS)的关键技术之一。针对锂电池提出了一种基于猫群(CSO)算法和自适应无迹卡尔曼滤波(AUKF)算法相结合的电池SOC估算方法;建立了基于二阶RC等效电路模型的锂电池状态方程,采用CSO算法提高电池辨识精度,联合AUKF算法对SOC进行估算;基于混合脉冲功率测试工况(HPPC)和间歇恒流放电工况下的数据对该方法有效性进行了验证。研究结果表明:基于CSO-AUKF估算,SOC最大误差小于1.64%,估算精度及稳定性均好于遗传算法。

基于后量子密码算法的安全SoC芯片设计

后量子密码算法已经成为当前安全领域的研究热点。本文通过对NIST后量子密码算法竞赛候选的Saber算法进行研究,提出一种基于后量子密码算法的安全SoC芯片设计方案。该方案首先分析算法的硬件架构,优化矩阵运算和数值拼接等操作提升硬件效率,采用二次验证方式加强算法解密过程的安全性;然后,设计Hash随机数拓展生成模块、加解密模块和数据存储器以及随机数种子生成器,完成Saber算法的硬件IP核;其次,在RISC V处理器、总线和接口电路的基础上,结合时钟门控技术降低功耗,设计基于后量子密码算法的安全SoC芯片。实验结果表明,所设计的安全SoC芯片面积为2.6 mm^(2),等效逻辑门数为90k,芯片内核面积占比为75.2%,PAD面积占比为24.8%,芯片功耗为9.467 mW。

考虑电池SOC一致性的城轨交通MHESS功率分配策略

在城市轨道交通中,通常采用多混合储能系统(MHESS)来解决列车在牵引和制动过程中所引起的牵引网络电压波动问题。该系统由超级电容器和锂电池组成,旨在平滑功率波动,实现“削峰填谷”。考虑到MHESS多个混合储能系统之间可能存在初始状态不一致的情况,提出一种考虑电池SOC一致性的RBF-PID控制策略,用于兼顾直流稳压特性以及电池储能系统寿命保护最优。由列车运行速度需求得到牵引功率需求,采用滑动平均滤波(MAF)算法将高频功率指令分配给超级电容,低频功率指令分配给电池与牵引网。进一步地,考虑到混合储能系统间初始状态不一致情况下的电池寿命保护问题,通过合理设计功率分配切换规则,在初始SOC较低电池的传统电压外环控制中引入基于电池SOC一致性的RBF-PID控制,合理控制电池的充放电电流,防止过冲、过放现象,从而延长电池寿命。为验证所提控制策略的有效性,使用Matlab/Simulink仿真软件进行仿真验证。实验结果表明,所提方法能够降低初始SOC较低电池的放电深度,有效保护储能元件。

适用于宽温度范围的锂离子电池SOC估计方法

精确的荷电状态(SOC)估计是确保动力电池安全稳定运行的关键所在。然而,在实际应用中,环境温度的变化以及噪声干扰等因素使得SOC的精确估计变得困难重重。为了解决这一问题,本文提出一种基于多新息自适应鲁棒无迹卡尔曼滤波(MIARUKF)算法的宽温度范围下锂离子电池SOC多时间尺度联合估计方法,该算法在无迹卡尔曼滤波(UKF)算法的基础上,融合多新息理论、自适应滤波与鲁棒算法。所提算法利用多新息向量对状态估计值进行修正,并对噪声协方差进行及时更新,从而提高SOC的估计精度,通过引入H∞滤波算法来提高该算法的鲁棒性。同时为了降低电池管理系统(BMS)的计算负担,使用UKF算法在宏观时间尺度上在线估计模型参数,采用MIARUKF算法在微观时间尺度上估计电池SOC。最后,在不同SOC初始值、不同温度条件下,对电池SOC的估计结果进行比较和分析,本文所提方法最大绝对误差和平均绝对误差分别为1.05%和0.42%,表明该算法具有较高的精度和较好的鲁棒性。

基于SABO-GRU-Attention的锂电池SOC估计

提出一种基于SABO-GRU-Attention(subtraction average based optimizer-gate recurrent unitattention)的锂电池SOC(state of charge)估计方法。采用基于平均减法优化算法自适应更新GRU神经网络的超参数,融合SE(squeeze and excitation)注意力机制自适应分配各通道权重,提高学习效率。对马里兰大学电池数据集进行预处理,输入电压、电流参数,进行锂电池充放电仿真实验,并搭建锂电池荷电状态实验平台进行储能锂电池充放电实验。结果表明,提出的SOC神经网络估计模型明显优于LSTM、GRU以及PSO-GRU等模型,具有较高的估计精度与应用价值。

基于DKF-Bi-LSTM的阀控式铅酸电池SOC在线估计方法

精准估计阀控式铅酸蓄电池的荷电状态(SOC)对变电站直流系统的可靠性和安全性有着重要的作用,为提高SOC估算精度,提出一种基于DKF-Bi-LSTM的铅酸蓄电池SOC在线估计方法,基于二级结构的双卡尔曼滤波算法,分别进行模型估计和状态估计。通过卡尔曼滤波算法对模型参数进行动态跟踪,进而基于扩展卡尔曼滤波算法在线估算电池SOC值。将在线估算结果、电流、电压、温度值作为Bi-LSTM神经网络的输入,电池SOC预测值作为网络输出,实现对电池SOC的在线估计。经测试发现,与DKF和Bi-LSTM算法相比,DKF-Bi-LSTM算法的SOC预测均方根误差更小,其SOC在线估计方法具有更高的准确性。

基于AR-ECM平均差异模型的串联电池组SOC、容量多尺度联合估计方法

考虑电池单体老化差异所致的电池组不一致性,针对串联电池组荷电状态(state of charge,SOC)、容量估计问题,提出一种基于自回归等效电路模型(autoregression equivalent circuit model,AR-ECM)的平均差异模型(mean-difference model,MDM)。基于此模型,提出串联电池组SOC、容量多尺度联合估计算法。该算法由2个部分组成,一是基于AR-ECM的MDM及差异化模型参数辨识策略:条件辨识策略和定频分组辨识策略;二是基于多时间尺度H无穷滤波(multi-timescale H infinity filter,Mts-HIF)的电池组SOC、容量联合估计算法。通过将所提出MDM中的自回归平均模型(autoregression mean model,AR-MM)与传统MDM中的n阶RC平均模型(nRC mean model,nRC-MM)比较,结果表明所提出的AR-MM在复杂运行工况下具有更优的动态跟随性能。依据最小化信息量准则(akaike information criterion,AIC),AR-MM具有更优的复杂度与精度的权衡。通过与基于多时间尺度扩展卡尔曼滤波(multi-timescale extended Kalman filter,Mts-EKF)联合状态估计算法比较,结果表明所提出的Mts-HIF状态估计算法具有更优的鲁棒性、精度和收敛速度。

基于多新息扩展卡尔曼滤波的锂离子电池SOC估计

锂电池具有高能量密度、循环寿命长等优点而被广泛应用于电动汽车动力装置,但车辆运行状况复杂多变,且电池内部呈现高度非线性的性质,导致电池荷电状态(state of charge, SOC)难以准确计算。为优化锂电池SOC估计精度,构建结合Warburg元件的分数阶二阶RC模型,采用自适应遗传算法进行参数辨识;融合多新息理论和扩展卡尔曼滤波算法,提出基于多新息扩展卡尔曼滤波(multi innovation extended Kalman filter, MIEKF)的锂离子电池SOC估计算法,并利用试验数据验证该方法的有效性,为提高SOC估计精度和车载锂电池的循环使用寿命提供了新的方法途径和实践支撑。