锂离子电池最常用的等效电路模型为二阶RC等效电路模型。基于该模型的参数辨识存在所需辨识参数多、运算量大的缺点,同时荷电状态(state of charge,SOC)估计中状态方程存在复杂的指数运算等问题,这些都使得难以对多个串联电池进行SOC的...锂离子电池最常用的等效电路模型为二阶RC等效电路模型。基于该模型的参数辨识存在所需辨识参数多、运算量大的缺点,同时荷电状态(state of charge,SOC)估计中状态方程存在复杂的指数运算等问题,这些都使得难以对多个串联电池进行SOC的在线估计。因此,提出了一种简化二阶电池模型。该模型忽略电池内部极化反应,只关注其外特性,使得参数辨识个数减少。该简化模型也使得状态空间方程中需要估计的状态变量个数减少,避免了复杂的指数运算,降低了计算复杂度和整体的运算量,有利于多个串联锂电池SOC的实时在线估计。通过对单体锂电池和串联锂电池进行参数辨识和SOC估计测试,验证了所提的简化模型在保证参数辨识及SOC估计精度的同时,大大提升了系统运算速度,进而提高了SOC估计的快速性。展开更多
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
为准确评估电动汽车锂离子电池荷电状态(state of charge,SOC),构建二阶电阻电容等效电路模型,通过递推最小二乘法识别等效电路模型参数,采用开路电压放电试验获取动态应力测试(dynamic stress test,DST)工况下开路电压与SOC之间的函数...为准确评估电动汽车锂离子电池荷电状态(state of charge,SOC),构建二阶电阻电容等效电路模型,通过递推最小二乘法识别等效电路模型参数,采用开路电压放电试验获取动态应力测试(dynamic stress test,DST)工况下开路电压与SOC之间的函数关系,在DST工况下对比分析开路电压法、卡尔曼滤波法、扩展卡尔曼滤波法估算的SOC及误差。结果表明:卡尔曼滤波及扩展卡尔曼滤波2种算法与开路电压法SOC估算结果吻合性较好;卡尔曼滤波法最大SOC估计误差为0.017,扩展卡尔曼滤波法最大SOC估计误差为0.013,均满足SOC估计误差不得超过0.050的标准要求,但扩展卡尔曼滤波算法精度更高。展开更多
针对锂电池荷电状态(State of charge,SOC)估计精度低的问题,提出一种基于改进的LSTM算法建立神经网络模型方法,得到电压和电流输入与SOC输出之间的映射关系。并通过拓展卡尔曼滤波器滤除输出估计值的噪声,增强了模型的稳定性。在神经...针对锂电池荷电状态(State of charge,SOC)估计精度低的问题,提出一种基于改进的LSTM算法建立神经网络模型方法,得到电压和电流输入与SOC输出之间的映射关系。并通过拓展卡尔曼滤波器滤除输出估计值的噪声,增强了模型的稳定性。在神经网络模型建模过程中采用改进的粒子群算法对神经元个数、学习率、步长等超参数进行优化,进一步提高了锂电池SOC的估计效率和准确性。最后,采用马里兰大学CALCE数据集中的DST工况数据进行模型训练,使用FUDS、US06工况数据集,对改进的LSTM算法与CNN-LSTM、GRU以及CatBoost等算法进行对比实验。实验结果表明改进后的LSTM算法估计模型具有较高的稳定度与准确性,验证了改进方案的可行性。展开更多
文摘锂离子电池最常用的等效电路模型为二阶RC等效电路模型。基于该模型的参数辨识存在所需辨识参数多、运算量大的缺点,同时荷电状态(state of charge,SOC)估计中状态方程存在复杂的指数运算等问题,这些都使得难以对多个串联电池进行SOC的在线估计。因此,提出了一种简化二阶电池模型。该模型忽略电池内部极化反应,只关注其外特性,使得参数辨识个数减少。该简化模型也使得状态空间方程中需要估计的状态变量个数减少,避免了复杂的指数运算,降低了计算复杂度和整体的运算量,有利于多个串联锂电池SOC的实时在线估计。通过对单体锂电池和串联锂电池进行参数辨识和SOC估计测试,验证了所提的简化模型在保证参数辨识及SOC估计精度的同时,大大提升了系统运算速度,进而提高了SOC估计的快速性。
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。
文摘为准确评估电动汽车锂离子电池荷电状态(state of charge,SOC),构建二阶电阻电容等效电路模型,通过递推最小二乘法识别等效电路模型参数,采用开路电压放电试验获取动态应力测试(dynamic stress test,DST)工况下开路电压与SOC之间的函数关系,在DST工况下对比分析开路电压法、卡尔曼滤波法、扩展卡尔曼滤波法估算的SOC及误差。结果表明:卡尔曼滤波及扩展卡尔曼滤波2种算法与开路电压法SOC估算结果吻合性较好;卡尔曼滤波法最大SOC估计误差为0.017,扩展卡尔曼滤波法最大SOC估计误差为0.013,均满足SOC估计误差不得超过0.050的标准要求,但扩展卡尔曼滤波算法精度更高。
文摘针对锂电池荷电状态(State of charge,SOC)估计精度低的问题,提出一种基于改进的LSTM算法建立神经网络模型方法,得到电压和电流输入与SOC输出之间的映射关系。并通过拓展卡尔曼滤波器滤除输出估计值的噪声,增强了模型的稳定性。在神经网络模型建模过程中采用改进的粒子群算法对神经元个数、学习率、步长等超参数进行优化,进一步提高了锂电池SOC的估计效率和准确性。最后,采用马里兰大学CALCE数据集中的DST工况数据进行模型训练,使用FUDS、US06工况数据集,对改进的LSTM算法与CNN-LSTM、GRU以及CatBoost等算法进行对比实验。实验结果表明改进后的LSTM算法估计模型具有较高的稳定度与准确性,验证了改进方案的可行性。
