基于扩展卡尔曼滤波的动力电池SOC估计方法

针对卡尔曼滤波方法估计锂离子电池荷电状态(state of charge,SOC)误差较大的问题,基于扩展卡尔曼滤波(extended Kalman filter,EKF)算法,建立锂离子电池二阶电阻电容(resistor capacitance,RC)电路模型,使用泰勒级数对非线性函数进行线性展开,采用MATLAB仿真估算动态应力测试、城市循环、混合脉冲功率、脉冲工况4种不同工况对应的动力电池SOC曲线,并与安时积分法估算的SOC曲线进行对比分析。仿真结果表明:采用EKF算法估算锂离子电池SOC时,动态应力测试出现最大误差为0.015,4种工况均方差均在0.0032以内;误差分布更稳定,曲线更可靠,采用EKF算法估算锂离子电池SOC的有效性与精确性更高。

电动汽车动力电池SOC估计

为准确评估电动汽车锂离子电池荷电状态(state of charge,SOC),构建二阶电阻电容等效电路模型,通过递推最小二乘法识别等效电路模型参数,采用开路电压放电试验获取动态应力测试(dynamic stress test,DST)工况下开路电压与SOC之间的函数关系,在DST工况下对比分析开路电压法、卡尔曼滤波法、扩展卡尔曼滤波法估算的SOC及误差。结果表明:卡尔曼滤波及扩展卡尔曼滤波2种算法与开路电压法SOC估算结果吻合性较好;卡尔曼滤波法最大SOC估计误差为0.017,扩展卡尔曼滤波法最大SOC估计误差为0.013,均满足SOC估计误差不得超过0.050的标准要求,但扩展卡尔曼滤波算法精度更高。

数据采集异常下的车用动力电池状态监测与故障诊断

实时准确的状态监测对车载动力电池至关重要,其依赖于大量传感器采集的信息数据。在长期使用中,高频振动和连接器松动使局部传感器失效,导致数据采集异常。由于针对数据缺失和更新停滞异常的相关研究较少,该文提出一种基于双向长短期记忆网络和最小二乘支持向量回归的异常数据监测与校正方法。建模和参数辨识分别采用戴维宁模型和数据驱动方法,同时输入和状态估计算法用于电池状态估计。实验中,该方法在6种混合异常测试条件下的估计误差保持在5%左右,其有效性得到验证。

从不计导线电阻探究识别电路方法刍议

本文从分析电路时约定不计导线电阻所包容的隐含信息入手,引申出了相对应的识别电路的方法,同时并祥细说明了所述方法的应用要领。对一些用"电流流向追踪法"不易识别清楚的复杂电路,用本文所述的方法能快速地将其识别清楚。