基于HPPC-FFRLS的锂电池等效模型参数在线辨识

目的为了实现锂离子动力电池的高精度状态监测与分析,方法针对锂离子动力电池二阶RC等效电路模型的参数在线辨识展开研究。搭建锂离子动力电池二阶RC等效电路模型;利用开路电压法与安-时积分算法相结合的方式进行电池荷电状态(SOC)评估;通过HPPC测试实验数据进行等效电路模型的离线参数辨识;以离线辨识结果作为系统状态初值,结合带遗忘因子的递推最小二乘算法(FFRLS)对锂离子动力电池二阶RC等效电路模型参数进行在线辨识;利用Simulink搭建电池状态监测和充放电控制仿真系统,对基于在线辨识参数的模型进行仿真测试;利用可编程电源和电子负载搭建实验平台。结果对比在线辨识参数的系统仿真输出、离线辨识参数的系统仿真输出和实验数据,结果表明:基于HPPC-FFRLS在线辨识的模型仿真输出的误差相对于HPPC实验法减小了50%;在线辨识策略克服了环境温度、电池老化、充放电倍率等因素对参数的影响;仿真初期系统波动明显减小,等效模型系统动态跟踪具有更高的精度,鲁棒性更好。结论基于HPPC-FFRLS的锂电池等效模型在线辨识保证了模型参数的有效性,简化运算量的同时提高了模型精度。

基于SRCKF的电动汽车锂离子电池荷电状态估计

精确的电池荷电状态(state of charge,SOC)估计对提高新能源汽车电池管理系统的性能、电池使用安全性以及整车能量管理策略的准确性具有至关重要的作用。综合考虑电池模型精度和复杂度,建立了锂离子电池二阶RC等效电路模型,运用自适应遗忘因子递推最小二乘法(adaptive forgetting factor-recursive least square,AFF-RLS)在线辨识模型参数。在此基础上,采用平方根容积卡尔曼滤波(square root cubature Kalman filter,SRCKF)估算电池SOC,使用动态应力测试工况(dynamic stress test,DST)对模型参数和SOC进行验证。研究结果表明,与无迹卡尔曼滤波(unscented Kalman filter,UKF)估算相比,SRCKF估算误差小、鲁棒性好。

锂电池二阶RC等效电路模型参数辨识

以锂电池二阶RC等效电路模型为研究对象,将电池模型RC参数的辨识问题归结为非线性最优化问题,建立非.线性最小二乘优化模型,采用Levenberg-Marquard(LM)算法对其进行求解.该优化问题不仅是非线性的,而且非凸,因此需要对优化算法中的初始值进行选取,同时放电电流大小的变化也会影响参数求解结果的稳健性.为解决这两个问.题,首次提出一种简单有效的RC参数初始值的选取方法和调整最优化模型中的目标函数的方法,保证该算法在不同放电电流情况下均能得到正确的解.仿真结果表明:在选定合适的初始值的情况下,该算法能够快速准确求解模型中的RC参数值.

基于MSUKF的锂离子电池SOC估算研究

快速、准确地估算锂离子电池的荷电状态(SOC)是电池管理系统的关键技术之一,有利于延长电池使用寿命并提高使用的安全性。以三元锂电池为研究对象,采用二阶阻容(RC)等效电路模型构建锂离子电池模型,通过递推最小二乘法(RLS)对等效模型参数进行在线辨识,并结合多新息无迹卡尔曼滤波(MSUKF),形成RLS-MSUKF算法,以实现锂离子电池SOC估算。采用多时刻的新息信息对估算值进行校正,以减少误差积累、增强算法的收敛性及提高锂离子电池SOC估算的精度,并在混合脉冲功率特性(HPPC)测试工况下对锂离子电池进行SOC估算。试验结果表明,HPPC工况下的SOC误差稳定控制在0.78%以内,验证了改进算法的良好性能。该算法为优化锂离子电池SOC估算提供了依据,对锂离子电池SOC估算研究具有启发意义。

基于LM-RLS和渐消因子EKF算法的锂电池SOC估计

为提高复杂工作环境下锂电池荷电状态估计精度,以三元锂离子电池为研究对象,采用限定记忆递推最小二乘法与渐消因子扩展卡尔曼滤波算法相结合进行荷电状态估计。以有限组数据计算当前时刻模型参数,解决数据饱和问题。在扩展卡尔曼滤波算法中加入渐消因子,弱化旧数据的影响,实时调整误差协方差矩阵。为验证算法的合理性,建立二阶RC等效模型,对不同工况进行荷电状态估计。验证结果表明,算法估计精确度高且稳定性好。系统稳定后,HPPC、BBDST工况中的荷电状态最大估算误差分别为0.0144和0.0085,且波动范围较小,验证了改进算法估计锂电池荷电状态时的良好性能。

基于修正协方差近似二阶扩展卡尔曼滤波算法的电池荷电状态估算

为解决扩展卡尔曼滤波(EKF)算法中由非线性变换忽略高阶泰勒项引起的荷电状态(SOC)估算误差和在迭代过程中协方差容易出现病态的问题,采用修正协方差近似二阶扩展卡尔曼滤波(MVASOEKF)算法,通过混合脉冲功率特性试验对等效模型内部参数进行离线辨识并建立了二阶RC等效电池模型,在MATLAB/Simulink平台上进行SOC估算,结果表明,EKF算法估算平均绝对误差约为2.0%,MVASOEKF算法估算平均绝对误差约为0.5%,与EKF算法相比,MVASOEKF算法虽增加了一定的计算量,但是SOC估计精度明显改善,且收敛性更好。

基于扩展卡尔曼滤波的锂电池SOC估算

锂离子电池荷电状态SOC是反映电池及电源系统特性的重要参数,与电池安全性、寿命、效率密切相关。根据电池容量、阻抗、温度和充放电特性,建立二阶RC等效模型,鉴于传统卡尔曼滤波估算SOC误差过大,提出扩展卡尔曼滤波(EKF)与工作电压-荷电状态特性相结合的SOC估算方法。MATLAB仿真和实验结果表明二阶RC模型能够表征电池充放电阻抗、温度特性,扩展卡尔曼滤波法能够精确的估计电池的荷电状态,估值误差在4%以内,该模型及估值方法具有较高精度,适合SOC在线评估。

电动汽车动力锂电池模型参数辨识

针对纯电动汽车上动力锂电池等效模型参数辨识的问题,以某纯电动汽车的由87个单体串联的84 Ah的镍钴锰三元锂电池组为研究对象,基于市区行驶的电池数据,选用了二阶RC电池等效模型,辨识了等效模型的参数。基于整体电池数据,选取出了8段在连续的12个(及12个以上)采样周期内相邻两个采样点的电流变化绝对值超过0.2 C的电池数据段,分别对初始开路电压最大和最小的单体进行了参数辨识。以最小二乘法对电流连续变化最长的一段电池数据段作为参数辨识的结果,并结合整体电池数据对辨识得的结果进行了参数的验证。研究结果表明,初始开路电压最大单体的绝对误差平均值为3.62%,初始开路电压最小单体的绝对误差平均值为3.24%,满足工程要求,可运用于工程实践中。

基于自适应无迹卡尔曼滤波的动力电池SOC估计

针对传统无迹卡尔曼滤波(unscented Kalman filter,UKF)算法估计电池SOC时,在未知的干扰噪声条件下滤波精度较低和稳定性较差等问题,基于等效的二阶RC电路模型,提出自适应无迹卡尔曼滤波(adaptive unscented Kalman filter,AUKF)算法。在模型参数辨识的基础上,构建了系统状态方程以及量测方程;随后,研究了无迹卡尔曼滤波算法及其自适应调整策略。根据仿真结果可知,该算法估计的电池SOC最大误差小于2.13%,估算精度及收敛速度均好于传统无迹卡尔曼滤波算法。

城轨车用复合动力储能系统蓄电池SOC和SOH估计

以城市轨道交通复合储能系统蓄电池荷电状态(SOC)和健康状态(SOH)估算为目的,采用适合城市轨道交通车辆运行工况的二阶RC等效电路模型,并通过遗忘因子最小二乘算法(FFRLS)辨识其模型参数。基于二阶RC等效电路模型利用传统的自适应无迹卡尔曼滤波算法(AUKF)估计电池的荷电状态(SOC),由于列车复杂的运行环境,其电池受到的噪声是一个动态变化值,因此导致其估算结果误差较大,其最大误差达到5.5%。因此本文采用自适应无迹卡尔曼滤波算法实时估算蓄电池SOC,欧姆内阻及其容量,并根据欧姆内阻、容量与蓄电池SOH之间的函数关系,估算出电池的SOH。最后,通过设定的工况下对状态估计算法验证,经实验分析表明,相比UKF算法,AUKF算法能同时实时循环估算SOC和模型参数,根据观测值可以自动更新噪声,因而对于列车实际运行工况下其实用性更好,且精度较高,其最大误差为3.5%,均差为1.5%。

阀控式铅酸蓄电池的等效电路模型和参数辨识

电池模型是研究电池性能的重要工具,根据阀控式铅酸蓄电池的特性,建立一种能反应其内部特性的二阶RC电路等效模型。然后根据模型,推导出能够反映出电池性能的开路电压和内阻。设计伪随机序列作为模型激励,对铅酸电池在特定条件下的充放电实验进行模拟,利用基于遗忘因子的最小递推二乘法进行模型参数辨识。通过端电压比较法对辨识结果进行验证,结果表明:采用M序列作为激励的参数辨识方法,能够准确有效地辨识阀控式铅酸电池等效电路模型的参数,并可以对其参数的获取提供理论基础与支持。二阶等效电路模型及基于递推最小二乘算法的模型参数的辨识结果可以精确地进行充放电过程仿真。

基于内阻增加和容量衰减双重标定的锂电池健康状态评估

锂电池健康管理对推动其广泛应用具有重要意义。立足锂电池应用现状,为解决复杂工况下健康状态估算困难、精度低等问题,以三元锂电池为研究对象,建立二阶RC等效模型对电池的工作特性进行表征,从内阻增加及容量衰减两方面分析健康状态变化。考虑荷电状态对内阻的影响,采用标定荷电状态,在放电情况下分为0~1 s及1~10 s两区间分析其内阻变化;并以温度为参量,扩大测量区间,更精确地反映不同温度下容量衰减。实验结果表明,在0~1 s内,锂电池健康状态同荷电状态并无关系;1~10 s内,锂电池健康状态下降速率同荷电状态呈反比;且在不同温度下的完全放电实验表明,实验用锂电池在25℃下健康状态最为优良。表明二阶RC模型能够较好地对锂电池健康状态进行估算,收敛速度快且跟踪效果好,基于内阻增加的健康状态估算误差控制在1.0%以内、基于容量衰减的健康状态估算误差控制在0.8%以内,有利于完善锂电池健康状态评估方法,推动锂电池应用。

基于无迹卡尔曼滤波的动力电池健康状态估计

准确估计动力电池的荷电状态(SOC)及健康状态(SOH)是电池领域的关键性技术,对正在服役的动力电池进行全面安全精确的管理是保障电动汽车安全高效运行的前提。以二阶RC等效电路模型为基础,运用无迹卡尔曼滤波算法(UKF)对电池SOC和欧姆内阻进行实时估计,再利用电池欧姆内阻与SOH的关系,实现了对SOH的实时估计。与传统的扩展卡尔曼滤波算法相比,无迹卡尔曼滤波算法无需对状态方程进行线性化处理,不存在截断误差,具有更高的估算精度与稳定性。

LiFePO_4锂离子动力电池内阻与放电倍率关系研究

研究锂离子动力电池内阻与放电倍率的关系可以改善电池管理系统(BMS)内阻模型的准确度和适应性,对提高电池状态如荷电状态(SOC)的估算精度具有巨大的意义和市场价值。本文采用二阶RC网络等效电路模型,通过不同倍率恒流放电和脉冲放电对25 A·h LiFePO_4锂离子动力电池进行直流内阻(DCIR)和脉冲内阻(PDIR)表征,对不同荷电状态(SOC)下DCIR、PDIR_0、PDIR_1、PDIR_2随放电倍率的变化规律进行拟合,得到DCIR、PDIR_1、PDIR_2、PDIR_(tot)都非常符合双指数关系,PDIR_0符合线性关系且几乎不变,并通过对比分析排除因温度造成内阻变化的可能。从固态电解质界面(SEI)生成速率与分解速率的化学平衡角度解释了DCIR、PDIR_1、PDIR_2、PDIR_(tot)在低放电倍率时大可能是由于SEI分解速率小于生成速率,SEI与静置时的相似,电阻较大;反之,高放电倍率时小可能是由于SEI分解速率大于生成速率,SEI分解变薄并重新达到新的速率平衡,从而表现出较低的内阻。

基于无迹Kalman滤波算法的动力电池荷电状态估计

提出了一种动力电池容量标定方法,结合无迹Kalman滤波(UKF)算法,对动力电池的荷电状态(SOC)进行在线估计。根据温度系数和电流概率来标定电池的实际容量,建立二阶阻容(RC)等效模型模拟电池动态响应特性,调用含遗忘因子的递推最小二乘法的无迹Kalman滤波(RLS-UKF)算法对电池的SOC进行在线估计,在估计过程中考虑电流突变导致开路电压与SOC曲线变化的影响。通过MATLAB搭建仿真模型,用动态应力测试(DST)工况和恒流工况来验证算法的精度。结果表明:RLS-UKF算法在DST循环工况的平均误差为1.2%,在恒流放电工况的平均误差为1.41%。因此,较目前主流的预测方法,本方法有更好的预测效果。

车用锂离子电池荷电状态参数辨识的建模仿真

为得到较为准确的电池荷电状态(SOC)参数,以厦门理工学院纯电动赛车用锂离子电池作为研究案例,采用二阶RC等效电路模型对锂离子电池进行HPPC充放电试验;然后,将实验数据导入Matlab的参数估计模块后,对电池荷电状态性能参数进行辨识。在Matlab的Simscape模块中建立锂离子电池的仿真模型,将仿真结果与实验结果进行比较,利用拟合工具箱对比不同阶次下RC等效电路模型的拟合精度。结果表明,锂离子电池的电压在放电脉冲开始及结束阶段时偏差较大,静置阶段则趋于平稳,二阶RC等效电路模型能够较为简便地反应锂离子电池的工作特性,且具有较好的拟合精度。锂离子电池仿真模型与实验测试的误差在2%以内,验证了所建立的仿真模型的可行性。

锂电池等效模型建立与参数辨识方法研究

近年来锂离子电池的发展迅速,基于电池的储能系统在国内外得到广泛应用,国内也在研发基于锂离子电池的混合储能系统。为了确保储能系统在复杂工况下的高效、安全和可靠运行,建立高保真的电池模型和进行准确的参数辨识至关重要。本文对锂电池的工作原理和特性进行简述,综述了锂离子电池的模型和等效电路模型的参数辨识方法,对各种方法的原理进行介绍。综合考虑准确度和复杂度选择二阶RC等效电路模型作为其等效电路模型,采用混合脉冲功率性能测试(HPPC)和最小二乘法进行参数辨识,通过充放电实验,验证模型精度,结果表明,模型与实际虽存在一定误差,能较为准确反映电池的静动态特性。

基于差分进化法的锂电池模型参数辨识算法研究

基于二阶RC等效电路模型,采用差分进化法对模型参数进行离线辨识。相比于传统的最小二乘法辨识电池模型参数模型,差分进化法的鲁棒性好、辨识精度高,因此被广泛应用于求解优化问题。