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。

基于MMC的分布式储能系统及其快速SOC均衡控制策略

提高基于模块化多电平换流器(modular multilevel converter,MMC)的分布式储能系统(distributed energy storage systems,DESS)的能量利用率,解决储能子模块(energy sub-module,ESM)荷电状态(state of charge,SOC)均衡问题至关重要。针对现有的SOC均衡控制策略的不足,提出内外分层的快速SOC均衡控制策略。外层针对桥臂间或相间的SOC差异,通过改进MMC模型预测控制(model predictive predictive control,MPC),配合自适应均衡系数,快速调整功率差额。内层引入自适应虚拟电阻法,根据ESM的SOC情况确定主导ESM,自适应调节各单元的虚拟电阻,产生相应的电压梯度,结合MMC排序算法使ESM按照各自SOC进行功率分配,从而实现ESM的SOC快速均衡,提高DESS能量利用率。通过在Matlab/Simulink构建仿真模型,证明了所提控制策略的有效性和可行性。

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。

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%。

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。

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。

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SOC的串联连接锂电池能量均衡控制研究

串联锂电池的SOC均衡控制对提高电池寿命具有重要意义。针对锂电池单体SOC表现出离散性的不同情况,本文研究了一种主动均衡与被动均衡相结合的混合均衡方案,其中主动均衡器拓扑由多绕组反激变换器实现,被动均衡器由电阻与开关组成并联在单体电池两端,详细分析了混合均衡器的工作原理。在控制策略上讨论了锂电池SOC的离散性对均衡速度的影响,引入表征SOC离散度的标准差和表征离散原因的系数以实现SOC不同离散情况下的快速均衡。所提出的混合均衡器拓扑和控制方案能够使耗能与均衡速度获得优化,实验结果验证了文中理论的可行性。

基于注意力机制和CNN-LSTM融合模型的锂电池SOC预测

为提高锂电池荷电状态SOC(state-of-charge)预测精度,提出1种基于注意力机制和卷积神经网络-长短时记忆CNN-LSTM(convolution neural network-long short-term memory)融合模型的锂电池荷电状态预测方法。该模型采用一维CNN和LSTM神经网络学习得到SOC与锂电池放电数据的非线性关系,以及SOC序列存在的长期依赖性。同时,该模型采用“多对一”的结构,将当前时刻的锂电池SOC与多个历史时刻的放电数据建立映射关系,并通过注意力机制关注到对当前时刻SOC影响较大的历史放电数据,进一步提升SOC的预测准确度。动态工况下的锂电池SOC预测实验表明,该方法在不同温度条件下的平均预测误差为0.89%,与SVM、GRU和XGBoost相比,分别降低了81.2%、66.7%和56.5%,且优于未融合注意力机制的LSTM和CNN-LSTM,具有较高的预测精度和应用价值。

分数一阶电路等效模型估计锂离子电池SOC

等效电路模型可用于对锂离子电池进行监控和管理,其精度与复杂性至关重要。选用整数一阶、整数二阶和分数一阶等3种电路模型对锂离子电池进行等效建模,采用基于遗忘因子的递推最小二乘(FFRLS)法辨识模型中的参数,并应用辨识所得的参数,通过扩展卡尔曼滤波算法估计荷电状态(SOC)。对比模型预测的端电压与真实端电压,以及估计所得SOC与真实SOC,发现整数一阶模型估计SOC的误差约为8%,整数二阶模型的误差约为7%,而分数一阶模型的误差仅约为1%。

21700锂离子电池在不同SOC下的热失控实验研究

为提升电池热安全、减少新能源汽车热灾害,揭示不同荷电状态(SOC)下对电池热失控危害的影响机制。在SOC为100%~0%几个荷电状态下研究了21700锂电池的热失控特性,包括电池在热失控当中的表面温度、工作电压、质量损失、能量、TNT当量和破坏半径等。结果表明:电池的温升幅度随SOC的增大而升高,高电量电池热失控触发所需的时间更短,100%SOC电池在603 s触发热失控,相比于25%SOC缩短了59.1%,其危险系数更大;SOC越大,电池热失控后的质量损失也越大;电池热失控过程释放的能量、TNT当量与破坏半径均随SOC的增加而增大,电池的热失控危害性与SOC之间呈现出正相关关系。

Fuzzy Model for Estimation of the State-of-Charge of Lithium-Ion Batteries for Electric Vehicles

A fuzzy model was established to estimate the state of charge（SOC） of a lithium-ion battery for electric vehicles.The robust Gustafson-Kessel（GK） clustering algorithm based on clustering validity indices was applied to identify the structure and antecedent parameters of the model.The least squares algorithm was utilized to determine the consequent parameters.Validation results show that this model can provide accurate SOC estimation for the lithium-ion battery and satisfy the requirement for practical electric vehicle applications.

基于自适应动态滑动窗口的锂电池参数辨识与SOC协同估计

锂电池的安全高效运行依赖于准确的荷电状态(SOC)估计,但是传统的电池模型和SOC协同估计在噪声干扰下的鲁棒性和可靠性较差。针对噪声干扰下SOC协同估计问题,首先对电池的最大可用容量和电池开路电压(OCV)特性进行分析,研究了锂电池SOC—OCV的曲线特性。然后研究了噪声干扰下的在线模型参数辨识和SOC估计问题,提出了基于自适应动态滑动窗口的双粒子群协同优化参数辨识(TCPSO)方法,通过实验验证了所提方法的SOC估计最大误差小于1%,表明所提方法可实现在线参数辨识,并且在抗噪性能和SOC估计精度等方面均优于现有协同估计方法。

多元宇宙优化估算锂离子电池的SOC与SOH

估计电池的荷电状态(SOC)和健康状态(SOH)是锂离子电池管理中最复杂的任务之一。目前,针对SOC和SOH的估计存在跟踪值误差较大、噪声误差较大和计算量大等问题,引入多元宇宙优化(MVO)算法,对照电池的实际输出电压,模型的拟合度可达95.3%。通过14次迭代得到SOC的稳定估计值,与传统的循环次数法对比,SOH估计的稳定性提高了119%,并减小了78%的计算空间需求。

基于二阶RC等效电路和SR-DUKF算法的锂电池SOC估算研究

锂离子电池的荷电状态是电池管理系统BMS(battery management system)运维的重要参数,对其准确估算关系到锂离子电池的实时监测和安全控制。传统无迹卡尔曼滤波UKF(unscented Kalman filter)算法在估算锂电池SOC时有使协方差矩阵负定的风险,存在估计精度不高的问题。为解决该算法的不足,以三元锂电池为研究对象,建立二阶RC等效电路模型对电池的工作特性进行表征,在传统的UKF算法基础上提出一种双UT变换的平方根无迹卡尔曼滤波SR-DUKF(square-root double unscented Kalman filter)算法,并结合多种工况对改进后的算法进行验证。实验结果表明,改进后的SR-DUKF算法通过二阶RC等效电路能够较好地对锂离子电池SOC进行估算,在HPPC、BBDST工况下的平均误差分别为0.59%、0.52%,2种工况下的收敛时间分别为60 s和110 s,验证了改进后SR-DUKF算法具有更高的估算精度、更好的收敛性及更优的鲁棒性。

基于单颗粒锂扩散模型的锂离子电池SOC估算方法改进与在线监测研究

为提高动力电池荷电状态(SOC)的预测精度,基于单颗粒锂扩散模型对锂离子电池SOC的传统安时积分估算法进行改进,利用LabVIEW软件编写了电池SOC估算的传统和改进安时积分法求解程序以及电池数据采集通信接口程序,在不同环境温度和工作电流下,分别采用传统和改进安时积分法对电池SOC进行了在线监测。结果表明,在上述充放电工况下,改进方法和传统安时积分法的最大估算误差分别为1.11%和1.89%,且在放电电流变化剧烈时改进方法得到的电池SOC估算结果波动更小。

SOC对锂离子电池存储性能影响及K值筛选工艺

锂离子电池荷电状态(SOC)和老化工艺对电池的存储性能以及模组电池的制备和性能具有重要影响。研究SOC对磷酸铁锂锂离子电池存储性能的影响。高温(60℃)长时间存储时,随着SOC降低,电池的产气变严重,负极上发生的副反应是产气的主要来源。在30%SOC下,电池处于产气较少的理想存储状态。在30%SOC下,通过调整45℃高温和常温老化时间对K值筛选工艺进行优化。高温老化有利于区分不同自放电速率的电池。模组充放电一致性测试表明,随高温老化时间的延长,模组充放电压差减小,电池一致性提高。实验结果为磷酸铁锂锂离子电池长期储存、运输和制备提供参考。

基于自适应SOC的电池-飞轮混合储能一次调频控制策略

随着电力系统中可再生能源比重逐渐增加,电力系统频率波动的风险增大。飞轮和锂电池可以优势互补,作为混合储能应用于电网一次调频中,有效解决系统频率波动问题。为了充分发挥飞轮和锂电池各自的调频优势,提出基于自适应荷电状态(state of charge,SOC)的电池-飞轮混合储能一次调频控制策略。首先,建立含正、负虚拟惯性控制和虚拟下垂控制的权重分配一次调频模型;然后,利用飞轮和锂电池SOC对一次调频模型参数进行修正,提高混合储能在SOC阈值附近的一次调频能力;最后,仿真对比各调频场景下文中控制策略与其他控制策略的调频能力及SOC恢复效果。研究结果表明,文中控制策略下储能系统SOC波动范围最小,电池不会发生过充过放,且系统频率波动不超过±0.2 Hz,可以提高电网频率稳定性。

基于AFEKF的锂离子电池SOC估算方法

针对利用扩展卡尔曼滤波算法估算锂电池荷电状态时,由于历史数据影响易产生累积误差的问题,提出了一种基于自适应渐消扩展卡尔曼的SOC估算方法。选用Thevenin等效模型并用递推最小二乘法进行电池参数辨识,通过将自适应渐消因子引入EKF算法中,抑制历史数据对当前状态估算的影响,完成锂电池SOC估算。结果表明:AFEKF算法在递推20次时可有效收敛,具有较好鲁棒性,估算SOC的平均误差为1.03%,误差均方根为1.21%,平均运行时间为1.476 s,可以较好地模拟电池的动静态特性。