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。

基于二阶 RC 模型的锂电池充放电特性分析

为保证锂离子电池的安全健康使用,需要对锂离子的荷电状态进行实时估计,但由于电池内部复杂的电化学特性,且在辨识过程中辨识结果受温度、荷电状态和充放电倍率等非线性因素影响较大,实现准确的状态估计较为困难。文中首先基于二阶RC等效电路研究倍率充放电对锂电池的影响,另外为保证所建电池模型兼具较高精度和较好的实时性,根据最小二乘法对混合脉冲功率特性测试实验数据完成不同荷电状态下的数据拟合、参数辨识等工作,并依据扩展卡尔曼滤波完成对电池荷电状态的状态估计,并验证扩展卡尔曼滤波具备可实施性;最后搭建Simulink锂电池仿真模型并输出对比响应电压波形。实验结果表明该实验方法的有效性,输出电压与实验所得的电压变化趋势基本一致,为锂离子电池的管理系统提供了一定的参考依据。

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。

基于分数阶模型的储能用锂离子电池荷电状态估计

锂电池荷电状态(state of charge,SOC)的准确估计对于新型储能系统的高效运行至关重要,为提升锂电池SOC估计的精度,提出了一种基于分数阶无迹卡尔曼滤波(fractional order unscented Kalman filter,FOUKF)算法和带自适应遗忘因子的递推最小二乘法(recursive least square method with adaptive forgetting factor,AFFRLS)来估计锂电池的SOC。首先,提出了基于分数阶微积分理论的二阶RC模型来对锂电池特性进行建模。然后进行脉冲表征测试,获得电池的端电压,并基于AFFRLS的方法完成参数辨识。此外,所提出的基于FOUKF的算法应用于电池放电实验中进行SOC估计。最后,从最大绝对误差(MAE)、平均绝对误差(AAE)和均方根误差(RMSE)3项预测指标与对比方法进行比较。实验结果表明,FOUKF算法对SOC的估计MAE小于2%,AAE以及RMSE均小于0.8%,实验结果表明所提算法具有较高的精度和抗干扰能力。

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.

关于二阶RC锂电池模型的仿真研究

随着科技的飞快发展,能源的缺少和环境污染问题日益严重。电动汽车作为新能源产业的代表,其核心部件锂电池的荷电状态(SOC)估计是电池管理的一个难点。该文以锂电池为研究对象,基于多方面因素,首先用二阶RC模型作为研究对象。在每个等分点处进行一次脉冲放电实验,其次在室温下展开HPPC实验并进行电池参数辨识。然后基于MATLAB/Simulink仿真平台,将SOC为0.8时的附近工作点作为电流激励代入辨识的二阶RC等效电路模型中,最后将实测和仿真的端电压进行对比。实验结果表明:模型能够较好地拟合不同区间的实测与仿真端电压之间的关系,拟合电压曲线平均误差为0.0032 V,有着良好的精度。

锂电池PNGV模型与二阶RC模型分析与比较

归纳总结了现有的锂电池模型,提出了二阶RC模型,并与传统的PNGV模型做了对比,分别搭建了PNGV和二阶RC的等效电路模型,并进行了各自的参数辨识,以及MATLAB仿真验证。通过比较得出锂电池二阶RC模型具有更好的动态特性,为锂电池组的成组技术和SOC估计等的研究提供了理论基础。

基于二阶RC锂电池模型的自适应卡尔曼SOC估算

为了更加精确地估算锂电池荷电状态,建立能够反映电池动态工作特性的二阶RC等效模型。在模型参数辨识的基础上,先用数学分析、电路模型构建相关状态方程与观测方程,再结合扩展卡尔曼滤波算法,针对状态噪声与观测噪声的不确定干扰,提出一种自适应调整方案。通过锂电池放电实验,结合MATLAB仿真分析,验证了自适应调整后的卡尔曼滤波算法可更精确地预估锂电池荷电状态,与扩展卡尔曼滤波算法相比,该算法降低了约2.31%的误差。

基于改进EKF算法的锂离子电池SOC在线估计

锂离子电池因其能量密度高、自放电率低、污染小等优势,已经在储能电站领域得到广泛应用。针对锂离子电池各项状态预测,首先搭建二阶RC等效电路模型,然后采用带遗忘因子的递推最小二乘法(FFRLS)对模型参数进行辨识,提出一种基于自适应扩展卡尔曼滤波(AEKF)算法的SOC-SOH联合估计方法。在不同电池工况下进行对比验证,结果表明,与扩展卡尔曼滤波(EKF)和无迹卡尔曼滤波(UKF)相比,所提方法预测SOC和SOH的精确度和计算效率均有所提高,具有一定的实用价值。

车用动力电池二阶RC建模及参数辨识

建立精确的动力电池模型是电池管理系统(batterymanagementsystem,BMS)开发过程中的重要环节,电池系统具有较强的非线性特性,其模型参数随多种因素的变化而变化。在电池模型参数辨识过程中,考虑的可变因素越多,辨识结果越准确,但模型的运行速度将降低,影响其实际应用。在各种可变因素中,电池荷电状态(stateofcharge,SOC)对电池模型参数的影响最为显著,对不同SOC下电池模型参数进行辨识并应用于电池模型,将在提高模型精度的同时保持较好的实时性。本文以动力锂电池为对象,采用二阶RC等效电路模型,通过试验得到电池组在不同SOC下的回弹电压数据,采用最小二乘拟合法辨识不同SOC状态下的模型参数。在此基础上搭建模型参数随SOC变化的实时仿真模型,并对模型进行仿真和试验验证,结果表明模型具有较高的精度和实时性。

基于VFFRLS参数辨识的蓄电池三维电热耦合模型

随着锂离子电池在现代生产中广泛应用,为了精确分析锂电池放电过程中三维温度场分布与电压特性,基于二阶RC等效电路模型,利用可变遗忘因子递推最小二乘法(VFFRLS)对锂离子蓄电池参数进行在线辨识和实时修正,结果表明仿真电压数据与实测电压数据最大误差为0.0862 V,最大相对误差为2.53%,具有较高辨识精度。并将参数辨识结果传递到COMSOL中进行三维电热耦合模型仿真实验,实验表明不同放电倍率下圆柱形锂离子电池内部中心温度高于外部温度,外表面及上下底面温度略低,正负极柱温度最低。

电动汽车铅酸蓄电池模型建立与参数辨识研究

电动汽车用蓄电池是非线性系统,建立动力电池模型的主要目的是预测电池的状态参数,在电动汽车仿真中必不可少。研究不同的电池模型,建立SD-EV2上的铅酸电池二阶RC模型,用最小二乘法进行参数辨识和模型验证,验证结果表明该模型具有较高的精度和动、静态特性。

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。

基于随机抽样参数辨识的动力锂电池组仿真模型构建

为解决多电芯电池组建模过程中电池参数辨识大量耗时的问题,根据电池组中各单体电池参数呈正态分布的特点,提出一种基于统计学方法和最小电动势的复合电池组建模方法.该方法首先随机抽取电池组中部分单体作为样本,利用脉冲充放电实验和最小二乘辨识方法对样本电池进行参数辨识;然后以样本电池参数的平均值和方差代表电池组的参数特征进行电池组模型构建;最后基于Simulink平台进行计算机仿真实验,并对比实际充放电实验数据.结果表明,两者的端电压误差在0.05 V以内,相对误差1.5%,验证了所提方法的有效性.

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。

动力电池动态模型参数辨识的研究

为实现动力电池状态的精确估计,需要提高电池模型的精确性。对选定的电池模型进行在线参数辨识能够实时反映电池真实的工作状态。采用含遗传因子的递推最小二乘算法(FFRLS)对二阶RC模型进行参数辨识,并在Matlab/Simulink环境下搭建仿真模型用于验证辨识结果。仿真验证结果表明:由FFRLS算法得到的模型参数较为精确,可以作为模型参数在线辨识的一种有效手段。另外,FFRLS算法还能完成电池开路电压的估计,可作为估计电池SOC的参考,有利于了解电池性能状态。

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。

基于参数分析的蓄电池模型健康状态估计

为了及时、准确地评价蓄电池的老化水平,保证其应急放电时刻的输出性能,基于备用蓄电池组定期维护放电阶段的背景,对蓄电池健康状态(SOH)的估计方法进行研究。首先,利用仿真试验,验证了可较好反映其内部特性的二阶RC电路模型作为蓄电池模型的合理性以及模型参数辨识的准确性。然后,通过对同一型号铅酸蓄电池进行老化试验,分析蓄电池模型参量关于维护放电后荷电状态(SOC)值和蓄电池当前SOH值的关系,建立蓄电池定期放电维护(额定容量的20%)后的欧姆内阻R_(0)与SOH的关系,实现蓄电池SOH的定量估计。试验结果表明:在SOH值衰减至80%之前,该方法估计得到蓄电池SOH值较定义法获取SOH值的偏差在3%左右,说明该方法可以很好地实现蓄电池SOH的估计。准确的SOH值可以为多参数评价法实现蓄电池组一致性评价奠定数据基础。

钠-氯化镍电池等效电路模型研究

根据意大利电技术研究中心(CESI)公布的阶段放电试验数据,基于放电静置法,辨识得到了二阶RC动态等效电路模型各参数的关系函数式,并构建仿真模型对参数辨识结果进行仿真验证。仿真结果表明,参数辨识结果具有较高的精度,所建立的等效电路模型能较准确地模拟钠-氯化镍电池的动态特性,可用于电池监测与管理技术研究。

基于自适应渐消扩展卡尔曼滤波的锂离子电池SOC估计

电池荷电状态(SOC)的准确估计对于电动汽车动力电池的管理至关重要,而电动汽车在实际运行时经常会遇到SOC数据突变的问题,同时所建立的电池模型和噪声模型也存在一定误差,这导致传统扩展卡尔曼滤波算法在SOC估算过程中自适应性和鲁棒性较差。针对这些问题,本文提出使用自适应渐消扩展卡尔曼滤波算法(AFEKF),应用于锂离子电池的SOC估计。引入渐消因子对系统噪声协方差进行自适应迭代,从而实时更新最优卡尔曼增益,减少数据突变和电池模型误差等因素带来的影响,通过在复杂工况下的实验对比可知,AFEKF相比于标准EKF(extended Kalman filter),新欧洲驾驶循环工况下SOC估算精度提高0.78个百分点,变电流工况下估算精度提高0.5个百分点,同时在电池SOC初始值不准确的情况下能更快更平稳地收敛到真实值,表明AFEKF算法相比EKF估算SOC具有更高的估算精度和更好的鲁棒性。