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。

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。

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。

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。

基于EKF算法的纯电动汽车锂电池SOC与SOH联合估算

为提高对动力电池的荷电状态(state of charge, SOC)估算精度、动力电池的健康状态(state of health, SOH)对锂电池性能的影响,提出一种扩展卡尔曼滤波(extended kalman filtering, EKF)联合估算算法。根据现有的实验数据,分析锂电池特性,构建二阶RC等效电路模型,并进行参数辨识,搭建MATLAB仿真平台联合EKF算法进行SOC估算,将仿真结果与真实数据进行对比,结果表明,EKF联合估算SOC比EKF估算SOC误差精度约高1.2%,且抗干扰能力更强。

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。

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%。

新能源汽车电池SOC发展现状及展望

随着环境问题的日益严重和能源储备的减少,新能源汽车作为传统燃油汽车的替代品逐渐受到人们的关注。电池状态SOC是新能源汽车电池管理系统的关键技术之一。文章通过系统梳理和总结,对新能源汽车电池SOC的研究现状、主要方法和存在的问题进行全面分析和评价。同时,针对当前存在的挑战和研究热点,提出一些可能的解决方案和未来发展方向。

基于分段聚合和卡尔曼滤波的锂电池组SOC估算

针对原有的锂电池组荷电状态(state of charge,SOC)估算方式是在电池放电后进行测量,在电池内阻数值较大时难以获取明确的开路电压,导致其在锂电池组SOC估算上具有误差等问题,设计了基于分段聚合和卡尔曼滤波的锂电池组SOC估算方法.在构建等效电路模型的基础上,辨识锂电池参数,并定义开路电压等锂电池组SOC估算指标.分段聚合切换锂电池反馈路径,利用卡尔曼滤波线性递推估算锂电池组SOC数值.结果表明:以锂电池脉冲放电过程为测试条件,提出的方法估算结果与实际SOC值基本一致,在SOC为0.6时,该方法能将SOC估算相对误差控制在0~0.4%.

基于SVD-SUKF的水下机器人电池SOC估计

荷电状态(SOC)的准确估计关系到水下机器人的电池使用效率与任务规划。针对传统SOC估计算法存在的准确性、稳定性和鲁棒性不足等问题,提出一种奇异值分解增强的球型无迹卡尔曼滤波(SVD-SUKF)SOC估计算法。建立2阶Thevenin电路模型,并使用遗忘因子递推最小二乘法对模型参数进行在线辨识;在无迹卡尔曼滤波算法的基础上引入球型无迹变换和奇异值分解,避免繁琐的调参过程、减少算法计算量以及解决算法的协方差矩阵非正定问题;采用城市道路循环工况对SVD-SUKF算法进行验证。结果表明:SVD-SUKF算法收敛速度较快,平均绝对值误差为0.006 8、均方根误差为0.005 6,算法相较于扩展卡尔曼滤波和无迹卡尔曼滤波有更高的估计精度、更好的稳定性和更强的鲁棒性。

基于SoC的非对称数字系统算法设计与实现

文章提出一种在片上系统(System on Chip,SoC)实现高吞吐率的有限状态熵编码(finite state entropy,FSE)算法。通过压缩率、速度、资源消耗、功耗4个方面对所提出的编码器和解码器与典型的硬件哈夫曼编码(Huffman coding,HC)进行性能比较,结果表明,所提出的硬件FSE编码器和解码器具有显著优势。硬件FSE(hFSE)架构实现在SoC的处理系统和可编程逻辑块(programmable logic,PL)上,通过高级可扩展接口(Advanced eXtensible Interface 4,AXI4)总线连接SoC的处理系统和可编程逻辑块。算法测试显示,FSE算法在非均匀数据分布和大数据量情况下,具有更好的压缩率。该文设计的编码器和解码器已在可编程逻辑块上实现,其中包括1个可配置的缓冲模块,将比特流作为单字节或双字节配置输出到8 bit位宽4096深度或16 bit位宽2048深度的块随机访问存储器(block random access memory,BRAM)中。所提出的FSE硬件架构为实时压缩应用提供了高吞吐率、低功耗和低资源消耗的硬件实现。

考虑能量效率和SOC均衡的电池储能电站双层功率分配策略

电化学储能电站在应用于调频、调压等功率波动性工况时,存在能量效率较低、荷电状态(state of charge,SOC)不均衡等问题。该文提出考虑能量效率和SOC均衡的电池储能电站双层功率分配策略,其主要包括单元优化层和子系统优化层:单元优化层通过充电/放电优先级分区计算实际运行单元数量及其编号,建立以储能单元能耗最小为目标的优化模型,并采用遗传算法求解最优解集;子系统优化层引入基于电化学阻抗的电池能耗模型,以储能子系统能耗最低和SOC均衡为目标建立多目标优化模型,并采用非支配快速排序遗传算法(non-dominated sorting genetic algorithms-II,NSGA-II)进行求解。通过某地区锂电池储能电站实际参数验证所提策略的有效性,结果表明,与SOC比例分配策略和单层功率分配策略相比,所提功率分配策略在降低电站能耗的同时能最大程度实现SOC均衡,保障电站双向调节能力,提高储能电站经济性。

基于CNN-LSTM的锂离子SOC估计

电池荷电状态(SOC)是锂离子电池管理技术中最重要的参数之一,高精度的SOC估计有利于储能电站的并网和控制。电池充放电数据不仅具有时序性,特征变量之间也存在一定空间关系,为提高估算方法的准确性和通用性,提出一种基于CNN-LSTM联合网络结构的锂离子电池SOC估计方法,先通过CNN特征提取获取了锂离子电池不同维度数据间的特征关系,然后经过LSTM网络结构提取其中的时间序列关系,联合网络充分获取了电池数据集的空间时间特性。实验结果表明,基于CNN-LSTM联合网络模型预测电池SOC平均误差控制在0.65%,较单独的CNN网络预测平均误差降低4.4%左右,较单独的LSTM网络预测的平均误差降低0.2%左右,具有较好的应用前景。

基于SSA-BP神经网络的蓄电池SOC估计

蓄电池作为变电站直流电源的最后一道保护屏障,一个精确的蓄电池荷电状态(SOC)估计值极为重要。为选择一个精确,易实现的SOC估计方法,采用麻雀搜索算法优化的BP神经网络作为SOC估计模型。该方法具有BP神经网络高适应性、非线性映射能力等优点,同时解决了BP神经网络容易陷入局部最优解的问题。通过数据仿真验证,SSA-BP神经网络能够更加精确地进行蓄电池SOC值估计,具有更小的误差和更快的迭代速度。

基于遗传算法的新能源汽车电池SOC估算方法

为解决目前新能源汽车电池荷电状态(State of Charge,SOC)估算方法存在的最大绝对误差偏大问题,文章提出一种基于遗传算法的优化方法。该方法通过构建物理电路模型来等效电池内部结构,并引入充放电分区机制补偿滞后状态,完成电流值修正。同时,离散化处理模型参数,并利用最小二乘法完成参数辨识。在神经网络(Back Propagation,BP)中,采用遗传算法估算并优化模型,以输出精确的SOC估算结果。实验结果显示,利用该方法估算的最大绝对误差稳定在0.0~0.2,显著提升了估算精度,满足预期的误差要求。

基于WOA-BP神经网络估算锂离子电池SOC

准确的荷电状态(SOC)估算可为电动汽车的可靠运行提供安全保障。提出将鲸鱼优化算法(WOA)和BP神经网络相结合的锂离子电池SOC估算方法。电池模型采用一阶RC电路,基于遗忘因子递推最小二乘法对模型参数进行辨识,通过电池实际状况自适应地调整校正,并采用WOA-BP神经网络算法,克服BP神经网络易陷入局部极小值和收敛速度慢的难点。与传统BP神经网络算法相比,基于WOA-BP的SOC估算方法,平均绝对误差降低1.9%,均方根误差减小4.1%,表明具有更高的鲁棒性和精确性。