超级电容器的改进2阶RC模型研究

模型精度对超级电容器的合理使用与性能优化都有重要意义。介绍了超级电容器的等效模型,在传统2阶RC模型的基础上进行改进,分析了改进模型的结构与参数辨识,通过仿真验证,结果表明改进2阶RC模型精度更高,同时也避免了因分支数增加带来的参数辨识困难,具有一定的工程应用价值。

基于SOC-OCV优化曲线与EKF的锂离子电池荷电状态全局估计

SOC-OCV曲线是锂离子电池状态估计的基础。针对传统HPPC测试法在非测试点不能描述电池非线性特性和小电流恒流放电法得到的OCV曲线精度不足等问题,提出一种基于粒子群优化算法的OCV曲线优化方法。该方法将小电流恒流放电得到的OCV曲线进行平移,以平移曲线在测试点与HPPC测试得到的OCV值之间的误差和最小为优化目标,对OCV曲线进行优化。然后,以优化OCV曲线为基础对2阶RC模型的模型参数进行辨识和模型端电压估计。结果表明:与HPPC法相比,基于优化OCV曲线的模型精度具有更高的全局精度,在低SOC区域的模型精度提高了一倍。最后,基于优化的OCV曲线和辨识的模型参数,设计扩展卡尔曼滤波算法对SOC进行全SOC区域估计。试验结果表明,基于优化OCV曲线和扩展卡尔曼滤波算法的SOC估计误差在全SOC区域上都能保持在2%以内。

基于在线参数辨识和EKF的锂电池SOC估算

为了准确估算锂电池的剩余荷电状态(State of Charge,SOC),在2阶RC等效电路模型基础上,采用带遗忘因子递推最小二乘法(Forgetting Factor Recursive Least Square,FFRLS)对电池模型进行在线参数辨识,提高模型精度,联合扩展卡尔曼滤波算法(Extended Kalman Filter,EKF)对锂电池的SOC进行估算。在MATLAB环境下进行模拟仿真,仿真结果表明:FFRLS算法辨识后电池模型得仿真电压与实际电压得最大误差为0.029,平均误差约为0.0006,联合EKF对SOC的估算误差在绝对值3%以内,其中最大误差绝对值为2.6%。

基于多尺度并行卡尔曼滤波算法的电池状态参数估算

准确估算并合理利用电池的荷电状态(state of charge,SOC)与健康状态(state of health,SOH)可以延长电池的使用寿命。为了实现准确的SOC-SOH在线估计,在扩展卡尔曼滤波的基础上,采用多尺度并行扩展卡尔曼滤波估计算法(multi-scale double extended Kalman filter,MDEKF)提高估计精度。在建立电池2阶RC等效电路模型上,利用最小二乘法对模型参数进行辨识,设计并行结构的滤波器进行电池SOC估计和参数修正,并以电池组容量值作为表征量对SOH进行估算。仿真实验结果表明,SOC估计误差由1.43%降低到1.10%,SOH估计结果稳定在0.5%以内,验证了算法的快速收敛性和实时性。