基于自适应分数阶扩展卡尔曼的锂电池SOC估算

锂离子电池荷电状态估计是电池管理系统的重要组成部分,荷电状态估计结果的准确性将直接影响电池管理系统的性能。针对荷电状态估计准确性难以提高的问题,在传统扩展卡尔曼算法基础上提出一种时变等效电路模型及改进分数阶扩展卡尔曼算法,利用时变的模型参数达到对锂电池荷电状态的全周期准确描述,利用分数阶导数的记忆特性对状态预测方程进行改进。同时,考虑传统分数阶扩展卡尔曼引用历史数据带来的估算误差,加入自适应噪声因子提高算法精度。针对分数阶算法带来的数据冗余问题以及锂电池的松弛效应,利用滑窗思想设计一个大小为20(M=20)的固定窗口,随电池充放电状态实时更新窗口内数据,采用窗口中20个数据进行分数阶运算,减小数据冗余带来的误差提高估算准确度。通过采用两种不同工况对提出算法可行性与算法精度进行验证。实验结果显示分数阶扩展卡尔曼估计最大误差为0.02,而传统扩展卡尔曼算法误差最大可达0.05,同时提出算法的误差波动更小,结果表明该估算方法具有较高的精度与抗干扰能力,有助于推动锂电池管理系统的发展与更加准确的荷电状态估算方法的应用。

含有有色噪声的非线性分数阶系统自适应扩展卡尔曼滤波器

研究了含有未知参数的情况下,分别含有分数阶有色过程噪声和有色测量噪声的连续时间非线性分数阶系统状态估计问题.采用Grünwald-Letnikov (G-L)差分方法和1阶泰勒展开公式,对描述连续时间非线性分数阶系统的状态方程进行离散化和线性化.构造由状态量、未知参数和分数阶有色噪声的增广向量,设计自适应分数阶扩展卡尔曼滤波算法实现对有色噪声情况下的连续时间非线性分数阶系统的状态和参数的估计.最后,通过分析两个仿真实例,验证了提出算法的有效性.

基于分数阶模型的分阶段自适应锂离子电池荷电状态估计

提出一种分阶段自适应锂离子电池荷电状态(state of charge,SOC)估计方法。选取含有常相位元件(constant phase element,CPE)的分数阶模型,以更好地描述电池的充放电动态过程,并采用改进型遗传算法(genetic algorithm,GA)对分数阶模型进行参数辨识,从而增强参数辨识的鲁棒性;然后检测参数的精度,若精度不满足要求则再次进行辨识过程以修正模型参数。最后利用分数阶扩展卡尔曼滤波(extended Kalman filter,EKF)对SOC进行估计,以上步骤构成了分阶段自适应SOC估计方法。结果表明,其在动态应力测试(dynamic stress test,DST)、联邦城市行驶工况(federal urban driving schedule, FUDS)以及道路车辆检查和维护工况(inspection and maintenance driving schedule, IMDS)条件下估计的平均误差均不超过1.7%,表明提出的方法能准确且可靠地对SOC进行估计,实现了离线参数辨识和在线SOC估计的结合。