引入PID反馈的SHAEKF算法估算电池SOC

电池荷电状态(SOC)的估算精度是电动汽车电池组的重要指标。为提升SOC估算精度,在融合Sage-Husa扩展卡尔曼滤波(SHEKF)算法与自适应扩展卡尔曼滤波(AEKF)算法的基础上,增加比例积分微分(PID)反馈环节,形成改进算法。采用粒子群优化(PSO)算法对二阶RC等效电路模型进行参数辨识;用开源电池数据集对模型和算法进行实验和分析。改进的SHAEKF算法在电池动态应力测试(DST)、北京动态应力测试(BJDST)和美国联邦城市驾驶(FUDS)等工况下的平均估计误差都在1%以内,与单纯的融合算法SHAEKF算法相比,最大误差可减小5%。

基于多新息扩展卡尔曼滤波的锂离子电池SOC估计

锂电池具有高能量密度、循环寿命长等优点而被广泛应用于电动汽车动力装置,但车辆运行状况复杂多变,且电池内部呈现高度非线性的性质,导致电池荷电状态(state of charge, SOC)难以准确计算。为优化锂电池SOC估计精度,构建结合Warburg元件的分数阶二阶RC模型,采用自适应遗传算法进行参数辨识;融合多新息理论和扩展卡尔曼滤波算法,提出基于多新息扩展卡尔曼滤波(multi innovation extended Kalman filter, MIEKF)的锂离子电池SOC估计算法,并利用试验数据验证该方法的有效性,为提高SOC估计精度和车载锂电池的循环使用寿命提供了新的方法途径和实践支撑。

基于二阶一致性算法的电池储能系统SOC均衡及功率分配策略

为延长电池储能系统的整体寿命,需保持储能系统中各单元的荷电状态(state of charge,SOC)均衡。为此,提出一种基于二阶一致性算法的改进下垂控制策略,通过指数函数嵌套变化系数,实现不同容量储能单元快速SOC均衡。在SOC均衡的基础上设计二次控制策略,在一定通信时延下实现频率、电压恢复和有功、无功功率合理分配。最后,以4台储能单元组成的电池储能系统为算例进行仿真,验证了所提控制策略的有效性,SOC能够快速收敛达到均衡状态,频率、电压能够恢复到额定值,有功、无功功率能够按照相应下垂系数比例进行分配。

基于高阶EKF的锂电池SOC测算精度研究

锂电池荷电状态是电池管理系统运行的前提和核心任务,为能够准确跟踪测算电池SOC值,以18650-20R型锂电池为主要研究对象,建立二阶Thevenin等效电路模型,经脉冲特性实验对电路模型参数进行辨识,在恒流、脉冲放电及Fuds工况下验证模型的准确性,并在此基础上实现了利用一阶、二阶及高阶EKF算法对电池荷电状态的估计。最后通过Matlab仿真结果验证,高阶EKF在锂离子电池动静态SOC测算时均具有更高的测算精度。

基于WMIAEKF的锂离子电池SOC与容量联合估算

精确的荷电状态(SOC)估算对可靠的电池管理系统来说十分关键。基于二阶等效电路模型,提出了一种加权多新息自适应扩展卡尔曼滤波(WMIAEKF)算法,该算法可以解决传统多新息算法中误差累积的问题,从而提高SOC估算精度。实验仿真结果表明,所提算法比传统的自适应扩展卡尔曼(AEKF)以及多新息自适应扩展卡尔曼(MIAEKF)精度要高,最大误差控制在1.15%以内。此外,基于该算法提出了一种改进的多时间尺度双卡尔曼滤波算法,其中,WMIAEKF用于SOC估算,AEKF用于容量估算,两者结合对电池的SOC和容量进行实时的联合估算。所提算法能够对电池SOC以及容量进行较精确的估计,在新欧洲行驶工况(NEDC)下,SOC估算误差始终控制在1.2%,并且在面对错误容量初始值时也能保持较好的鲁棒性。

分数一阶电路等效模型估计锂离子电池SOC

等效电路模型可用于对锂离子电池进行监控和管理,其精度与复杂性至关重要。选用整数一阶、整数二阶和分数一阶等3种电路模型对锂离子电池进行等效建模,采用基于遗忘因子的递推最小二乘(FFRLS)法辨识模型中的参数,并应用辨识所得的参数,通过扩展卡尔曼滤波算法估计荷电状态(SOC)。对比模型预测的端电压与真实端电压,以及估计所得SOC与真实SOC,发现整数一阶模型估计SOC的误差约为8%,整数二阶模型的误差约为7%,而分数一阶模型的误差仅约为1%。

基于自适应渐消扩展卡尔曼滤波的锂离子电池SOC估计

电池荷电状态(SOC)的准确估计对于电动汽车动力电池的管理至关重要,而电动汽车在实际运行时经常会遇到SOC数据突变的问题,同时所建立的电池模型和噪声模型也存在一定误差,这导致传统扩展卡尔曼滤波算法在SOC估算过程中自适应性和鲁棒性较差。针对这些问题,本文提出使用自适应渐消扩展卡尔曼滤波算法(AFEKF),应用于锂离子电池的SOC估计。引入渐消因子对系统噪声协方差进行自适应迭代,从而实时更新最优卡尔曼增益,减少数据突变和电池模型误差等因素带来的影响,通过在复杂工况下的实验对比可知,AFEKF相比于标准EKF(extended Kalman filter),新欧洲驾驶循环工况下SOC估算精度提高0.78个百分点,变电流工况下估算精度提高0.5个百分点,同时在电池SOC初始值不准确的情况下能更快更平稳地收敛到真实值,表明AFEKF算法相比EKF估算SOC具有更高的估算精度和更好的鲁棒性。

分数阶扩展卡尔曼滤波算法的锂电池SOC估算

由于锂离子电池的SOC(state of charge)不能直接被测得,目前只能通过电池外部输出特性对其进行估算。以磷酸铁锂电池为研究对象,考虑到电池各种复杂的非线性特征,分析了电池的电化学阻抗特性,采用恒相位元件(CPE)对传统的等效电路模型进行改进,建立了分数阶(fractional order)等效电路模型;联合遗传算法和混合脉冲动力试验对分数阶等效电路模型的参数进行离线识别;基于扩展卡尔曼滤波算法,建立了分数阶扩展卡尔曼滤波算法(fractional order extended Kalman Filter)的锂电池SOC估算模型;根据动态应力试验DST(dynamic stress test)工况设计制定了锂电池充放电方案,在环境温度25℃条件下,实时采集电池电流及电压数据,将采集所得数据输入到Matlab建立的模型中,对目标电池进行SOC估算。仿真结果表明:与二阶戴维南电路模型SOC仿真结果相比,基于FEKF算法的SOC估算结果具有更高的精度且波动性更小,误差均小于0.72%,均方根误差仅为0.24%。

基于分数阶模型与IEKF的锂离子电池SOC估计研究

针对整数阶模型及EKF估算SOC过程中电池极化特性描述不足以及线性化误差累计的问题,提出基于分数阶微分的2阶RC等效电路模型,利用多倍率放电实验测得电池动态容量曲线,通过电压实测值和预测值的均方根误差自适应判断IEKF算法迭代步数,进行SOC估算。试验和仿真结果表明,基于分数阶模型的IEKF,在UDDS工况下SOC最大估计误差为1.24%,平均误差为0.85%,相比于整数阶EKF算法,分数阶IEKF算法在全局鲁棒性以及SOC估算精度上具有一定优势。

基于二阶近似扩展卡尔曼滤波的锂离子电池SOC估计

为提高电池荷电状态(SOC)估计的准确性,更高阶的扩展卡尔曼滤波(EKF)算法被用来估计SOC值。首先建立锂离子电池一阶Thevenin等效电路模型,采用样条函数来表述开路电压(OCV)和SOC值的函数关系。为更加精确地识别等效电路模型参数,提出一种新的带有可变遗忘因子最小二乘法(VFFRLS)的算法来在线识别模型参数。由于VFFRLS解的精度依赖于算法初始值的设定,为此采用改进粒子群算法求得模型初始参数值,进而得到更加精确的VFFRLS初始值。最后采用二阶EKF来估计电池的SOC值,以此提高估计精度。两组不同的数据集用来证明二阶EKF估计SOC值具有普适性。实验结果表明,二阶EKF在估计不同工况条件下的SOC值时,平均绝对误差(MAE)都保持在1%以内,由此证明了所提方法的有效性。

基于BP-UKF算法的锂离子电池SOC估计

电池的荷电状态(state of charge,SOC)是电池管理的重要指标之一,准确的SOC估计是保证锂离子电池安全有效运行的必要条件。为提高锂离子电池SOC估计的准确性,本文基于二阶Thevenin等效模型,提出一种将无迹卡尔曼滤波(unscented Kalman filter,UKF)与BP(back propagation)神经网络相结合的SOC估计方法。在通过混合功率脉冲特性测试获取模型参数的基础上,首先利用UKF算法对电池SOC进行初步估计,通过非线性点变换的方法避免了扩展卡尔曼滤波(extended Kalman filter,EKF)在线性化过程中对系统造成的精度损失;其次,构建三层BP神经网络,综合考虑锂离子电池的充放电电压、电流等参数,对估计结果进行修正,将估计误差从初始估计结果中排除,以达到更加准确的估计结果。通过电池充放电测试仪采集锂离子电池在动态应力测试下的充放电数据,并在不同的噪声环境下将本文提出的BP-UKF算法与EFK算法和UKF算法进行对比实验分析。实验结果表明,本文提出的BP-UKF算法的最大误差在2.18%以内,平均误差在0.54%以内,均方根误差在0.0044以内,较EKF算法和UKF算法有较大程度地提升;并且在较大的环境噪声条件下,BP-UKF算法的准确性提升更为明显。

基于EKF-PF算法的退役动力锂电池SOC估计

为准确估计退役动力锂电池的荷电状态(SOC),避免其在储能系统中因放电容量不一致导致运行效果不佳,保障储能系统安全运行,提出了利用扩展卡尔曼粒子滤波算法(EKF-PF)与二阶Thevenin等效电路模型相结合的方法估计退役动力锂电池的荷电状态。该方法首先采用二阶Thevenin等效电路构建退役动力锂电池的等效电路模型,写出观测方程与状态方程;其次利用含遗忘因子的递推最小二乘法(FFRLS)对建立的等效电路模型进行参数辨识;最终通过EKF-PF算法在城市道路循环(UDDS)工况下对退役动力锂电池进行在线SOC估计,并与粒子滤波(PF)算法做对比。实验结果表明,EKFPF算法在估计退役动力电池SOC时能将其平均误差控制在1.23%以内,最大误差控制在3.37%以内,优于PF算法的估计结果。证明了EKF-PF算法在估计退役动力锂电池SOC时具有更高的精度和应用价值。

基于二阶RC网络模型的UKPF-VFFRLS电池SOC预测估计

针对单一滤波算法对动力电池荷电状态(SOC)预测估计精度有限的问题,分析并建立了二阶RC网络等效电路模型,进行了离线参数辨识,并验证了辨识结果的准确性。以该模型为基础,运用无迹卡尔曼粒子滤波(UKPF)算法对动力电池SOC的动态模型状态进行预测估计,以带可变遗忘因子的递推最小二乘法(VFFRLS)对动态模型参数进行辨识,两者互为输入输出,实现UKPF-VFFRLS算法的联合估计。仿真实验结果表明:相比原有单一滤波算法,UKPF-VFFRLS联合估计算法使得SOC平均误差降低至0.74%,均方根误差(RMSE)低至0.009 9,提高了SOC的预测估计结果精度,从而提升了能源消耗预判能力和电池使用效率。

基于扩展卡尔曼滤波的动力电池SOC估算

卡尔曼滤波(KF)是基于最小方差估计的一种最优估计方法,适用于线性系统,而车载动力电池在实际运行过程中具有较强的非线性特征。通过对卡尔曼滤波进行改进得到扩展卡尔曼滤波(EKF),可以较好地解决这一问题。文章以三元锂电池为研究对象,建立一阶RC等效电路模型作为电池的基础模型,在锂电池充放电的试验数据基础上,利用MATLAB进行拟合得到电压与电池荷电状态(SOC)的关系曲线OVC-SOC,利用最小二乘法进行参数辨识,再利用EKF算法对动力电池SOC进行实时估算。

基于MSUKF的锂离子电池SOC估算研究

快速、准确地估算锂离子电池的荷电状态(SOC)是电池管理系统的关键技术之一,有利于延长电池使用寿命并提高使用的安全性。以三元锂电池为研究对象,采用二阶阻容(RC)等效电路模型构建锂离子电池模型,通过递推最小二乘法(RLS)对等效模型参数进行在线辨识,并结合多新息无迹卡尔曼滤波(MSUKF),形成RLS-MSUKF算法,以实现锂离子电池SOC估算。采用多时刻的新息信息对估算值进行校正,以减少误差积累、增强算法的收敛性及提高锂离子电池SOC估算的精度,并在混合脉冲功率特性(HPPC)测试工况下对锂离子电池进行SOC估算。试验结果表明,HPPC工况下的SOC误差稳定控制在0.78%以内,验证了改进算法的良好性能。该算法为优化锂离子电池SOC估算提供了依据,对锂离子电池SOC估算研究具有启发意义。

基于多时间尺度锂电池在线参数辨识及SOC和SOH估计

电池的荷电状态和健康状态是衡量电池续航和寿命的重要指标,为解决电池参数的时变性问题,提高电池SOC(State of Charge)估算精度,减少硬件计算量,提出一种多时间尺度在线参数辨识双扩展卡尔曼滤波联合算法。以18650三元锂电池为研究对象,采用基于二阶RC等效电路模型的多时间尺度DEKF算法,针对电池参数的慢变特性和状态的快变特性进行双时间尺度在线参数辨识和SOC估算;通过联邦城市驾驶计划(FUDS)测试验证,得出多时间尺度DEKF算法和传统离线辨识EKF算法对SOC估计的平均绝对误差分别为0.97%和2.46%,均方根误差为1.19%和2.69%,容量估计值对参考值最大误差仅为0.007 72 Ah;实验结果表明:所提出的多时间尺度DEKF算法,具有更好的鲁棒性和SOC估算精度并能实时反应SOH变化趋势。

基于分数阶多新息无迹卡尔曼滤波算法的锂电池SOC估计

针对锂电池荷电状态(State Of Charge,SOC)估计时常用的整数阶等效电路模型无法精准反映电池极化反应和提高在噪声干扰下全生命周期SOC的估计准确度问题,在二阶RC等效电路模型的基础上建立分数阶模型,并采用遗传(GA)算法对其进行参数辨识,从而增强参数辨识的鲁棒性。最后在传统的无迹卡尔曼滤波(Unscented Kalman Filter,UKF)算法的基础上引入了多新息理论,提出了一种基于分数阶多新息无迹卡尔曼滤波(Fractional Order Multi Innovation Unscented Kalman Filtering,FOMIUKF)算法来实现对锂电池SOC的实时估计,最后通过搭建仿真模型验证了基于GA分数阶锂电池等效模型的准确性和可靠性,并进行了基于分数阶无迹卡尔曼滤波(Fractional Order Unscented Kalman Filtering,FOUKF)算法、FOMIUKF算法的锂电池SOC估计对比分析,发现FOMIUKF算法估计准确度更高,其估计误差仅为1%。

基于MATLAB和EKF的锂离子电池SOC估算算法研究

本文研究锂离子电池参数估计和荷电状态的估算方法。基于电池模型的优缺点及对电池动静态特性的反应,使用MATLAB/Simulink建立电池的二阶等效电路模型,并使用Parameter工具箱对电池参数进行辨识,建立动态准确的电池模型。接着,针对所建立的电池模型方程,选择扩展卡尔曼滤波对电池荷电状态进行估算。经过优化后,实验结果表明,本文提出的估算方法最大绝对误差为1.8%,均方根误差为0.74%。该方法能够在2%误差之内准确地估算电池的荷电状态,具有很好的实用性,可以有效地用于电池系统的设计和运行控制。

基于改进扩展卡尔曼滤波算法的SOC估算

在电动车、储能系统和移动设备等领域中,电池管理系统是保障电池组性能和安全性的关键技术之一,而电池荷电状态(SOC)估算是其重要的组成部分。文章重点针对18650型号的磷酸铁锂电池(单体电池)SOC估算展开研究和设计,首先选择双阶远程控制(RC)模型作为电池模型,通过电池容量标定实验、开路电压(OCV)-SOC标定实验、混合功率脉冲特性(HPPC)实验确定了双阶RC模型的各个动态参数,在MATLAB/Simulink中搭建动力电池仿真模型,验证了所选模型的可靠性。然后,为了解决单体电池SOC估算精度和成本等问题,以扩展卡尔曼滤波(EKF)算法为基础提出了一种改进方法,即在预测第k个时间步的误差协方差矩阵时,引入了时变渐消因子,在更新方差Q和R时引入自适应分子。最后,通过不同循环工况对提出的算法进行仿真分析,结果显示,提出的算法提升了SOC估算的精度,实用性强。

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。