基于模型的小型纯电动无人机锂电池状态估计方法

提出小型纯电动无人机(UAV)锂电池状态估计方法的模型建立、算法推导和实验验证,该方法基于电池简化模型,准确估计荷电状态(SOC)和放电终止时间(EOD),并预测无人机未来功率消耗。本文创新点包括:基于模型理论搭建预测体系结构,对锂聚合物电池进行建模;基于锂电池简化模型,引入人工进化算法获取电池负载、温度和SOC值之间的相关性;基于贝叶斯估计方法,设计外部反馈校正回路(OFCL),调整过程噪声方差值,减小估计偏差值,补偿动态系统初始值;利用电池模型参数和SOC估计值,建立无人机功率消耗模型。通过应用于四旋翼纯电动无人机实际工况表明,新方法估计精度高和鲁棒性好,能够实现无人机最佳目标任务规划和飞行计划。

锂电池状态跨域估计算法综述

对锂电池运行状态进行精确估计和预测是保障其运行性能和安全的重要手段。基于数据驱动的锂电池状态估计算法容易受到实际数据分布偏差影响而导致预测模型性能下降,限制了模型的泛化性能,基于迁移学习的锂电池状态跨领域估计算法可以较好地解决此类问题。该文分别从锂电池荷电状态估计、健康状态估计以及剩余寿命估计3类常见应用场景展开讨论,比较不同场景下方法之间的差异,同时揭示它们之间的共性。从技术路线角度出发将常用于状态估计的迁移学习方法归纳为3类:基于微调的迁移、基于度量的迁移和基于对抗训练的迁移。介绍了每一类方法的基本原理、代表性技术和典型应用场景,并基于此3类技术路线对近年基于迁移学习的锂电池状态跨域估计方法进行了全面的归纳介绍。

锂电池SOC估计的实现方法分析与性能对比

锂电池荷电状态(state of charge,SOC)估计技术是保证电力储能和电动汽车合理应用的核心技术,也是锂电池系统控制运营、监测维护的基础。在锂电池实际应用中,其表现出非线性、时变性、影响因素复杂性和不确定性的问题,造成了荷电状态估计难度大、精度不高和适应能力不足。为此,众多锂电池荷电状态估计算法及改进策略应运而生。与此同时,部分研究人员针对不同估计方法和改进策略的实现方式和优缺点开展了分析与对比,但相关综述对估计方法的技术特点和适用性方面的论述不足且缺乏系统性总结。本文首先分析了锂电池荷电状态估计的影响因素和测试标准;然后从基于实验计算的传统方法、基于电池模型的滤波类算法、基于数据驱动的机器学习技术以及数模混合估计方法四个方面开展对比分析,归纳总结各类方法的技术特点、实现过程、适用条件、难题痛点以及应用优势,系统全面地论述了现有锂电池荷电状态估计技术的研究重点和应用现状;最后,展望了锂电池荷电状态估计算法的未来研究方向。