采样点卡尔曼滤波算法的调频磷酸铁锂电池SOC估算

针对目前应用于电力系统调峰调频最广泛的磷酸铁锂电池,采用采样点卡尔曼滤波算法对电池荷电状态SOC(StateofCharge)进行估算,再通过Matlab/Simulink平台进行估算模型的搭建,在几种充放电状态下进行了验证,仿真结果表明:利用采样点卡尔曼滤波算法的估算模型,其估算误差在研究的充放电状态下都在1%以内,可为储能电池的安全经济运行管理提供理论估算依据。

基于采样点卡尔曼滤波的动力电池SOC估计

动力电池荷电状态(SOC)的快速精确估计是电池能量管理系统的核心技术。针对动力电池这一动态非线性系统,提出了电池过程模型的具体改进方法,以使其可以适应不同放电速率和不同温度条件对动力电池SOC的影响;给出了利用采样点卡尔曼滤波进行电池SOC估计的具体步骤;最后,分析了采样点卡尔曼滤波在SOC估计精度、收敛速度、算法复杂度及鲁棒性等方面的性能。实验表明,采用采样点卡尔曼滤波算法可以快速地完成动力电池SOC的精确估计,误差在5%左右;模型参数的合理微调几乎不影响算法的准确性,表明了算法具有一定的鲁棒性。

平方根采样点卡尔曼滤波在磷酸铁锂电池组荷电状态估算中的应用

荷电状态(state of charge,SOC)估算技术是锂电池管理系统中最重要的功能之一。针对磷酸铁锂电池组展开研究,以准确估计电池组中各单体荷电状态为目的,首先采用一阶戴维南(Thevenin)模型结合安时法建立综合电池模型;采用一种平方根采样点卡尔曼滤波(square root sigma point Kalman filter,SRSPKF)方法,配合在线递推最小二乘(recursive least square,RLS)算法,同时实现对电池等效模型参数的辨识以及对电池荷电状态的估算。理论上讲,SRSPKF算法使系统状态直接以其方差的平方根形式传播,可显著降低常规Sigma点卡尔曼滤波器(sigma points Kalman filter,SPKF)算法的复杂性。实验结果表明,相对SPKF而言,SRSPKF具有更强的状态估计误差抑制能力,采用SRSPKF可以获得比SPKF更准确的SOC估计结果。

基于改进型采样点卡尔曼滤波的矿用电池SOC估计

为了实时、准确地估计矿用电池SOC值,通过采用加权统计线性回归法实现模型函数线性化,将采样点卡尔曼滤波技术应用到矿用电池SOC估计中。针对有限的电池管理系统资源,基于电池状态观测复合模型的状态方程线性和观测方程非线性的特点,提出了将标准卡尔曼滤波和采样点卡尔曼滤波组合的非线性滤波算法;为了使得该算法具有应对突变状态的强跟踪能力和应对模型不准确的鲁棒性,引入了奇异值分解,采用特征协方差矩阵代替误差协方差矩阵,并基于强跟踪原理引入了次优渐消因子。仿真结果表明,基于改进型采样点卡尔曼滤波的矿用电池SOC估计算法兼顾估计精度和运算量,并具有跟踪突变状态和应对模型不准确的鲁棒性,完全适用于资源有限的矿用电池SOC估计;可见,该算法具有良好的实际应用价值。

优化的采样点卡尔曼滤波算法的剩余电量估计

为克服传统卡尔曼滤波算法只能应用在线性系统的限制,降低噪声估计的准确性,应用最优采样点卡尔曼滤波算法实时估计电动汽车磷酸亚铁锂电池的剩余电量,通过选择合适的电池模型,优化的样本点,运用ADVISOR 2002电动汽车仿真软件模拟路况,比较传统的卡尔曼滤波算法,得到最佳采样点卡尔曼滤波方法可以更准确的估计电池剩余电量,更好地优化噪声对估计的影响,该算法具有良好的鲁棒性.

锂电池滞后特性与荷电状态估计方法研究

电池荷电状态估计是电池管理系统中的关键部分,针对这一问题,首先引入滞后模型对传统的电池等效电路模型进行改进,以便更好地模拟电池的滞后特性,提高模型的精度,再根据实验数据结合状态子空间辨识与最小二乘法对电池参数进行辨识,得到了使用的电池模型;在该模型基础上分别应用了扩展卡尔曼滤波和采样点卡尔曼滤波两种算法对电池SOC的估计效果及在估计精度、计算复杂度和鲁棒性等方面进行了比较,最终得出更适合该模型的SOC估计算法。