基于二阶RC等效电路和SR-DUKF算法的锂电池SOC估算研究

锂离子电池的荷电状态是电池管理系统BMS(battery management system)运维的重要参数,对其准确估算关系到锂离子电池的实时监测和安全控制。传统无迹卡尔曼滤波UKF(unscented Kalman filter)算法在估算锂电池SOC时有使协方差矩阵负定的风险,存在估计精度不高的问题。为解决该算法的不足,以三元锂电池为研究对象,建立二阶RC等效电路模型对电池的工作特性进行表征,在传统的UKF算法基础上提出一种双UT变换的平方根无迹卡尔曼滤波SR-DUKF(square-root double unscented Kalman filter)算法,并结合多种工况对改进后的算法进行验证。实验结果表明,改进后的SR-DUKF算法通过二阶RC等效电路能够较好地对锂离子电池SOC进行估算,在HPPC、BBDST工况下的平均误差分别为0.59%、0.52%,2种工况下的收敛时间分别为60 s和110 s,验证了改进后SR-DUKF算法具有更高的估算精度、更好的收敛性及更优的鲁棒性。

基于二阶 RC 模型的锂电池充放电特性分析

为保证锂离子电池的安全健康使用,需要对锂离子的荷电状态进行实时估计,但由于电池内部复杂的电化学特性,且在辨识过程中辨识结果受温度、荷电状态和充放电倍率等非线性因素影响较大,实现准确的状态估计较为困难。文中首先基于二阶RC等效电路研究倍率充放电对锂电池的影响,另外为保证所建电池模型兼具较高精度和较好的实时性,根据最小二乘法对混合脉冲功率特性测试实验数据完成不同荷电状态下的数据拟合、参数辨识等工作,并依据扩展卡尔曼滤波完成对电池荷电状态的状态估计,并验证扩展卡尔曼滤波具备可实施性;最后搭建Simulink锂电池仿真模型并输出对比响应电压波形。实验结果表明该实验方法的有效性,输出电压与实验所得的电压变化趋势基本一致,为锂离子电池的管理系统提供了一定的参考依据。

基于双向交错并联变换器的电池模拟器研究

动力锂离子电池测试既要考虑安全性、便捷性,也要考虑测试时间和硬件成本等因素。在保证测试精度前提下,将非线性电池模型与电力电子开关器件相结合,基于三阶RC等效电路模型,采用交错并联Buck-boost变换器作为电池模拟器的主电路拓扑,实现对真实动力电池的替代测试。首先分析了电池等效电路模型及其参数辨识原理。其次研究了电池模拟器工作原理和双向交错并联Buck-boost变换器控制策略,并设计了控制器参数。最后搭建了电池模拟器试验平台,试验结果表明该电池模拟器可以较高精度地实现对电池伏安外特性的模拟,可以满足对动力锂离子电池的测试需求。

基于HPPC-FFRLS的锂电池等效模型参数在线辨识

目的为了实现锂离子动力电池的高精度状态监测与分析,方法针对锂离子动力电池二阶RC等效电路模型的参数在线辨识展开研究。搭建锂离子动力电池二阶RC等效电路模型;利用开路电压法与安-时积分算法相结合的方式进行电池荷电状态(SOC)评估;通过HPPC测试实验数据进行等效电路模型的离线参数辨识;以离线辨识结果作为系统状态初值,结合带遗忘因子的递推最小二乘算法(FFRLS)对锂离子动力电池二阶RC等效电路模型参数进行在线辨识;利用Simulink搭建电池状态监测和充放电控制仿真系统,对基于在线辨识参数的模型进行仿真测试;利用可编程电源和电子负载搭建实验平台。结果对比在线辨识参数的系统仿真输出、离线辨识参数的系统仿真输出和实验数据,结果表明:基于HPPC-FFRLS在线辨识的模型仿真输出的误差相对于HPPC实验法减小了50%;在线辨识策略克服了环境温度、电池老化、充放电倍率等因素对参数的影响;仿真初期系统波动明显减小,等效模型系统动态跟踪具有更高的精度,鲁棒性更好。结论基于HPPC-FFRLS的锂电池等效模型在线辨识保证了模型参数的有效性,简化运算量的同时提高了模型精度。

磷酸铁锂电池二阶可变阻容的模型研究

精确的电池模型是动力电池荷电状态(State of Charge,SOC)估计的基础,提高模型精度可从电池内部特性出发。提出二阶阻容可变参数等效电路模型,能够反映电池内部双极化效应,同时用可变的参数描述电池内部动态变化过程。通过对锂离子电池充放电实验和HPPC测试,结合MATLAB拟合工具,辨识出不同SOC下各参数的值,基于SIMULINK搭建仿真模型。对比仿真结果,所建立模型的端电压平均误差为12.36mV,相比于固定参数传统模型的31.50mV,精度提高了60.76%,更能准确描述锂离子电池内部的静动态特性。

基于改进EKF算法的锂离子电池SOC在线估计

锂离子电池因其能量密度高、自放电率低、污染小等优势,已经在储能电站领域得到广泛应用。针对锂离子电池各项状态预测,首先搭建二阶RC等效电路模型,然后采用带遗忘因子的递推最小二乘法(FFRLS)对模型参数进行辨识,提出一种基于自适应扩展卡尔曼滤波(AEKF)算法的SOC-SOH联合估计方法。在不同电池工况下进行对比验证,结果表明,与扩展卡尔曼滤波(EKF)和无迹卡尔曼滤波(UKF)相比,所提方法预测SOC和SOH的精确度和计算效率均有所提高,具有一定的实用价值。

基于AIC准则的锂离子电池变阶RC等效电路模型研究

提出一种变阶RC等效电路模型,并基于赤池信息量准则(AIC)辨识不同SOC处RC模型的最优阶数,兼顾了模型的准确度和实用性。通过脉冲充放电、恒流充放电以及自定义UDDS循环工况实验验证了该模型的有效性。变阶RC模型通过略增加模型的复杂度,能更加准确地描述锂离子电池两端陡、中间平的非线性电压特性,相对误差在1%以内,具有较高的实用价值。

修正RC模型混合动力车用氢镍蓄电池SOC预测

根据混合动力汽车动力蓄电池瞬时脉冲大电流充放电工作特点,提出了一种能够实时动态估计氢镍蓄电池SOC的新方法。结合蓄电池当前状态和历史使用因素共同确定蓄电池初始SOC,并利用修正的RC模型,通过合理分配权值综合运用电量累计法和开路电压法进行蓄电池的SOC预测,电量累计考虑充放电效率和寿命因素影响,开路电压利用卡尔曼滤波法求解。最后,通过台驾试验验证算法的准确性,结果表明,SOC预测误差可控制在6%以内,满足混合动力汽车工作要求。

基于三阶RC网络的等效电路电池模型

针对Thevenin模型结构过于简化、精度不足的问题,提出一种精确的三阶RC网络等效电路模型。在充分考虑电池极化的基础上,对磷酸铁锂正极锂离子电池进行充放电性能测试,并用最小二乘拟合法对模型参数进行辨别。基于Simscape搭建Thevenin模型及三阶RC模型,用变电压对模型进行仿真分析。三阶RC网络电池模型估算的相对误差不超过±0. 01 V,相比于Thevenin模型的±0. 06 V,精度更高,更能体现电池的特性。

基于分数阶模型的储能用锂离子电池荷电状态估计

锂电池荷电状态(state of charge,SOC)的准确估计对于新型储能系统的高效运行至关重要,为提升锂电池SOC估计的精度,提出了一种基于分数阶无迹卡尔曼滤波(fractional order unscented Kalman filter,FOUKF)算法和带自适应遗忘因子的递推最小二乘法(recursive least square method with adaptive forgetting factor,AFFRLS)来估计锂电池的SOC。首先,提出了基于分数阶微积分理论的二阶RC模型来对锂电池特性进行建模。然后进行脉冲表征测试,获得电池的端电压,并基于AFFRLS的方法完成参数辨识。此外,所提出的基于FOUKF的算法应用于电池放电实验中进行SOC估计。最后,从最大绝对误差(MAE)、平均绝对误差(AAE)和均方根误差(RMSE)3项预测指标与对比方法进行比较。实验结果表明,FOUKF算法对SOC的估计MAE小于2%,AAE以及RMSE均小于0.8%,实验结果表明所提算法具有较高的精度和抗干扰能力。

基于变阶RC网络的锂离子电池等效电路模型

针对电动汽车锂离子电池阻容(resistance-capacitance,RC)模型存在低阶模型近似程度低和高阶模型结构复杂的问题,提出一种兼具实用性和精确性的可变阶RC网络等效电路模型。在充分理解磷酸铁锂电池特性的基础上,对电池进行了测试实验,利用赤池信息量准则(Akaike information criterion,AIC)对等效电路模型阶数进行辨识,并用CF工具箱对模型参数进行识别,在MATLAB/Simulink中搭建变阶RC等效电路模型,对恒流放电和脉冲放电2种工况进行仿真验证。结果表明,变阶RC模型的平均估算误差在0.5%以内,体现了该模型的优越性。

基于SRCKF的电动汽车锂离子电池荷电状态估计

精确的电池荷电状态(state of charge,SOC)估计对提高新能源汽车电池管理系统的性能、电池使用安全性以及整车能量管理策略的准确性具有至关重要的作用。综合考虑电池模型精度和复杂度,建立了锂离子电池二阶RC等效电路模型,运用自适应遗忘因子递推最小二乘法(adaptive forgetting factor-recursive least square,AFF-RLS)在线辨识模型参数。在此基础上,采用平方根容积卡尔曼滤波(square root cubature Kalman filter,SRCKF)估算电池SOC,使用动态应力测试工况(dynamic stress test,DST)对模型参数和SOC进行验证。研究结果表明,与无迹卡尔曼滤波(unscented Kalman filter,UKF)估算相比,SRCKF估算误差小、鲁棒性好。

车用动力电池二阶RC建模及参数辨识

建立精确的动力电池模型是电池管理系统(batterymanagementsystem,BMS)开发过程中的重要环节,电池系统具有较强的非线性特性,其模型参数随多种因素的变化而变化。在电池模型参数辨识过程中,考虑的可变因素越多,辨识结果越准确,但模型的运行速度将降低,影响其实际应用。在各种可变因素中,电池荷电状态(stateofcharge,SOC)对电池模型参数的影响最为显著,对不同SOC下电池模型参数进行辨识并应用于电池模型,将在提高模型精度的同时保持较好的实时性。本文以动力锂电池为对象,采用二阶RC等效电路模型,通过试验得到电池组在不同SOC下的回弹电压数据,采用最小二乘拟合法辨识不同SOC状态下的模型参数。在此基础上搭建模型参数随SOC变化的实时仿真模型,并对模型进行仿真和试验验证,结果表明模型具有较高的精度和实时性。

锂电池二阶RC等效电路模型参数辨识

以锂电池二阶RC等效电路模型为研究对象,将电池模型RC参数的辨识问题归结为非线性最优化问题,建立非.线性最小二乘优化模型,采用Levenberg-Marquard(LM)算法对其进行求解.该优化问题不仅是非线性的,而且非凸,因此需要对优化算法中的初始值进行选取,同时放电电流大小的变化也会影响参数求解结果的稳健性.为解决这两个问.题,首次提出一种简单有效的RC参数初始值的选取方法和调整最优化模型中的目标函数的方法,保证该算法在不同放电电流情况下均能得到正确的解.仿真结果表明:在选定合适的初始值的情况下,该算法能够快速准确求解模型中的RC参数值.

关于二阶RC锂电池模型的仿真研究

随着科技的飞快发展,能源的缺少和环境污染问题日益严重。电动汽车作为新能源产业的代表,其核心部件锂电池的荷电状态(SOC)估计是电池管理的一个难点。该文以锂电池为研究对象,基于多方面因素,首先用二阶RC模型作为研究对象。在每个等分点处进行一次脉冲放电实验,其次在室温下展开HPPC实验并进行电池参数辨识。然后基于MATLAB/Simulink仿真平台,将SOC为0.8时的附近工作点作为电流激励代入辨识的二阶RC等效电路模型中,最后将实测和仿真的端电压进行对比。实验结果表明:模型能够较好地拟合不同区间的实测与仿真端电压之间的关系,拟合电压曲线平均误差为0.0032 V,有着良好的精度。

锂电池PNGV模型与二阶RC模型分析与比较

归纳总结了现有的锂电池模型,提出了二阶RC模型,并与传统的PNGV模型做了对比,分别搭建了PNGV和二阶RC的等效电路模型,并进行了各自的参数辨识,以及MATLAB仿真验证。通过比较得出锂电池二阶RC模型具有更好的动态特性,为锂电池组的成组技术和SOC估计等的研究提供了理论基础。

基于二阶RC锂电池模型的自适应卡尔曼SOC估算

为了更加精确地估算锂电池荷电状态,建立能够反映电池动态工作特性的二阶RC等效模型。在模型参数辨识的基础上,先用数学分析、电路模型构建相关状态方程与观测方程,再结合扩展卡尔曼滤波算法,针对状态噪声与观测噪声的不确定干扰,提出一种自适应调整方案。通过锂电池放电实验,结合MATLAB仿真分析,验证了自适应调整后的卡尔曼滤波算法可更精确地预估锂电池荷电状态,与扩展卡尔曼滤波算法相比,该算法降低了约2.31%的误差。

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。

基于VFFRLS算法的锂电池参数辨识

动力电池性能是影响电动汽车综合性能的关键因素,因此准确辨识锂离子电池模型的参数对后续电池系统的荷电状态估计和健康状态预测至关重要。为了提高锂离子电池模型参数辨识算法的精度,以磷酸铁锂电池作为研究对象,建立电池二阶RC等效电路模型,并采用基于变量遗忘因子的最小二乘算法对锂离子电池模型进行在线参数辨识。通过搭建测试平台进行充放电实验,基于2种不同工况的实验数据,分别用文中算法、递推最小二乘算法和传统的带遗忘因子的最小二乘算法进行参数辨识,根据辨识结果估计出的端口电压与实验测试得到的实际值的误差比较来描述文中算法辨识结果的准确度。实验结果表明,基于变量遗忘因子的最小二乘算法在锂电池参数辨识方面表现出快速的收敛性和较高的估计精度。

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。