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 f...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。展开更多
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...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。展开更多
针对锂离子电池荷电状态(State of Charge, SOC)的预测精度问题,提出了一种基于双重状态转移算法优化的径向基函数(RadialBasisFunction,RBF)神经网络的锂离子电池SOC估算方法。该方法将K-means聚类算法运用于RBF神经网络隐含层个数的确...针对锂离子电池荷电状态(State of Charge, SOC)的预测精度问题,提出了一种基于双重状态转移算法优化的径向基函数(RadialBasisFunction,RBF)神经网络的锂离子电池SOC估算方法。该方法将K-means聚类算法运用于RBF神经网络隐含层个数的确定,并采用状态转移算法(State Transition Algorithm, STA)对K-means聚类算法进行优化,合理确定了RBF神经网络的网络结构。基于最优的网络结构,利用STA调整网络的参数,包括核函数中心点、宽度和连接权值。将训练好的RBF神经网络用于估算锂离子电池SOC。为了证明所提的混合算法的有效性,使用安时积分法和BP神经网络算法进行对比。结果表明,该方法优于其他方法。展开更多
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(extend...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。展开更多
文摘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。
文摘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。