基于ASIT-UKF算法的锂电池荷电状态估计

针对无迹卡尔曼滤波(unscented Kalman filter,UKF)算法估计锂电池荷电状态(state of charge,SOC)时精度低、稳定性差、产生的sigma点过多导致计算难度大等不足,提出一种基于自适应球形不敏变换方式的无迹卡尔曼滤波(unscented Kalman filter based on adaptive spherical insensitive transformation,ASIT-UKF)算法。该算法通过使用球形不敏变换方式选择权系数以及初始化一元向量对sigma点的产生进行选取。与UKF算法相比,ASIT-UKF算法产生的sigma点减少近50%,使得算法的计算复杂度大大降低。同时,将产生的所有sigma点进行单位球形面上的归一化处理,提高了数值的稳定性。考虑到实际运行中锂电池系统噪声干扰带来的不确定性,加入Sage-Husa自适应滤波器对不确定性噪声的干扰进行实时更新和修正,以达到提高在线锂电池SOC估计精度的目的。最后,将均方根误差和最大绝对误差计算公式引入到性能估计指标中。实验结果表明,ASIT-UKF算法在准确度、鲁棒性和收敛性方面具有优越的性能。

新能源汽车锂离子电池荷电状态研究

锂离子电池是新能源汽车的储能器件,其储存能量多少和寿命长短决定着电动汽车未来发展的方向。作为电动汽车的核心电池管理系统(BMS)负责保护和监控电池状态,以确保电池在行驶过程中的安全性和可靠性。本文用无迹卡尔曼滤波法进一步对荷电状态进行分析,以提高对电池组荷电状态的预测准确度。

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。

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。

基于无迹卡尔曼滤波的动力电池状态估计

准确预测动力电池的荷电状态(SOC)与健康状态(SOH)对电动汽车电池系统的安全运行至关重要。卡尔曼滤波(KF)算法被广泛用于动力电池的状态估计,但非线性误差较大。提出利用无迹卡尔曼滤波(UKF)算法实现对动力电池状态的准确估计。首先,通过分析动力电池实验数据,建立一阶等效电路模型,模型拟合优度达到0.992。随后,加入容量衰退机制模拟锂离子电池老化过程,并对电池进行恒流充电以及随机放电循环,模拟动力电池实际工况。不同初始值下,SOC、SOH估计的均方根误差均小于0.01,且随着循环次数的增加,误差逐渐减小。

基于动态遗忘因子递推最小二乘法和改进粒子滤波算法的锂电池SOC估计

为了提高锂电池荷电状态(SOC)估计的精度,提出了一种基于动态遗忘因子递推最小二乘法和改进粒子滤波算法相结合的锂电池SOC估计方法。针对固定遗忘因子递推最小二乘法在电池参数辨识中难以同时保持快速收敛和稳定性的问题,引入动态遗传因子,以模型辨识值和实际值的残差为变量构建修正公式,实现遗忘因子动态调整。为了改善粒子滤波(PF)的粒子多样性丧失问题,采用白鹭群优化算法(ESOA)对粒子滤波算法进行优化。仿真结果表明,基于动态遗忘因子递推最小二乘法和改进粒子滤波算法的锂电池SOC估计误差始终保持在0.3%以内,平均绝对误差和标准差为0.15%和0.17%,与其他算法相比具有更好的精度和稳定性。

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。

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%。

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。

电动汽车动力电池荷电状态SOC估算方法浅析

纯电动汽车的电池荷电状态SOC,相当于传统燃油汽车的油表。而混合动力汽车的荷电状态对整车控制优化起决定性作用。准确的SOC估算可以提高电池的能量效率,延长电池的使用寿命,从而保证电动汽车更好的行驶,同时SOC也是作为电池充放电控制和电池均衡的重要依据。本文详细介绍电池荷电状态估算的负载电压法、开路电压法、安时积分法、卡尔曼滤波法、神经网络法和支持向量机等6种方法。最后列表对比各种方法之间的特点。

基于特征优选与改进极限学习机的锂电池SOC估计

为提高数据驱动方法预测荷电状态(state of charge,SOC)的效率与精度,提出一种基于特征优选与改进极限学习机的SOC估计方法。采用公开数据作为训练集,利用随机森林(random forest,RF)算法判定训练集各特征对SOC的影响程度,选择出最优训练样本,并对优选样本的合理性进行验证;利用极限学习机(extreme learning machine,ELM)对SOC进行预测,针对ELM在预测过程中随机产生的权值及阈值的不稳定性导致SOC估计精度不理想的问题,选取麻雀搜索算法(sparrow search algorithm,SSA)进行参数优化以提高估计精度;随后,通过BJDST工况仿真试验对SSA参数优化的有效性进行验证;在恒流放电与DST工况实验下,分别利用改进极限学习机(SSA-ELM)、ELM、支持向量机(support vector machine,SVM)与BP神经网络(back-propagation neural network,BPNN)对SOC进行预测,结果表明,SSA-ELM算法预测效果最优,预测误差基本保持在1.5%以内,可实现较高精度的SOC预测。

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。

基于联合EKF-UKF算法的锂电池SOC预估研究

电池储能在当前能源结构中有着至关重要的作用,其荷电状态(state of charge,SOC)的准确预估是电池管理系统工作的前提。通过在MATLAB/Simulink中建立电池的Thevenin模型,并经过实验获得SOC与开路电压之间的关系,对扩展卡尔曼滤波(extended Kalman filter,EKF)算法、无迹卡尔曼滤波(unscented Kalman filter,UKF)算法进行了分析与模型的搭建,在实际工况输入下进行了SOC预估并与真实值进行了对比分析。最后,依据对EKF、UKF算法仿真结果的分析,提出了联合EKF-UKF算法,即初始阶段采用收敛速度快的EKF算法,之后采用误差低的UKF算法求取SOC值,仿真结果表明该算法能够有效提升SOC预估过程中稳定性。

用最小二乘法在线估计蓄电池荷电状态

荷电状态(SOC)是标示蓄电池能力的一个重要参数。因此,如何确定SOC很重要。传统的充/放电循环测定法会使蓄电池老化,降低蓄电池内部化学物质的活性。充电不足会产生硫化现象,过充电又会引起析气失水,硫酸浓度的变化,导致蓄电池内阻增加,缩短蓄电池的使用寿命。介绍了一种基于最小二乘算法的电动势-内阻方法来测定蓄电池的荷电状态,这种方法可以应用于在线测定,并且无需深度放电再充电,从而延长了蓄电池的使用寿命。经实验验证这种方法是有效的。

电动汽车动力电池变流放电特性与荷电状态实时估计

通过对电动汽车常用的铅酸动力电池大电流变流放电实验数据与特性的研究,建立以能动势和计算等效内阻为基本参数的电池动态模型,并得到了当电池放电电流大于某一特定临界电流时电池等效内阻趋于稳定的规律。基于这一重要规律,实现了以能动势为依据来估计电池荷电状态(SOC)的方法。该方法在电池大电流放电时,可以仅根据放电电流和在线端电压来估计SOC。分析和初步实验表明,这种电池SOC估计方法简单易行,实时性强,应用前景良好。

采用电动势-内阻模型在线估计蓄电池荷电状态

在快速充电技术的研究中,一个首要的任务就是确定蓄电池荷电状态(SOC),为快速充电控制提供参数依据。传统的充/放电循环测定法会使蓄电池老化,降低蓄电池内部化学物质的活性,导致内阻增加,缩短其使用寿命。文章介绍了一种基于最小二乘算法的电动势-内阻方法来测定蓄电池的荷电状态,这种方法可以应用于在线测定,并且无需深度放电再充电,从而延长了蓄电池的使用寿命。经实验验证这种方法是有效的。