基于UKF算法的电池荷电状态SOC估算研究

新能源汽车锂电池荷电状态是反映电池及电源系统的重要参数,为达到实时估算SOC目的,基于无迹卡尔曼滤波算法提出SOC估算解决方案。在MATLAB/Simulink环境中建立一阶Thevenin等效电路模型和无迹卡尔曼滤波算法,通过建立混合功率脉冲特性实验,辨析出不同SOC和温度对电池模型的影响参数,将辨析出来的参数代入到UKF算法中进行仿真实验。实验结果表明,该荷电状态估算具有较高的精准度。     

修正型PNGV构架的锂电池SOC预测及内阻识别

荷电状态(SOC)是电动汽车动力电池的核心性能指标。为了进一步提高锂离子电池组单体电池荷电状态预测精度,提出一种基于改进PNGV模型的电池内阻辨识与SOC预测。根据锂离子动力电池的特性分析,建立改进型PNGV模型。利用实验采集的数据和最小二乘算法实现内阻的在线识别。通过该内阻辨识算法,更加准确地反映电池的当前电压。根据预测更加准确的电压,从而提出基于数据融合PHM法预测电池的SOC,该方法基于实验数据和灰色预测模型来估算电池的荷电状态。仿真和实验结果表明,基于内阻辨识的SOC预测更准确,具有较强的工程实用性。     

新能源汽车用电池管理系统工程化设计

电池管理系统是新能源汽车的关键部件,对电池的安全可靠、有效使用和延长使用寿命等起到非常重要的作用。文章对电池管理系统的设计原理、控制策略、远程诊断进行了介绍,针对车辆运行过程中最容易出现的SOC估算问题进行研究,通过SOC的算法与实际运行工况结合建立了满足车辆运行需要的高精度SOC估算模型。     

基于AIC准则的锂离子电池高精度分段电路模型

针对单一等效电路模型表征锂离子电池特性不准确、全时段不一致、鲁棒性较差的问题,提出一种高精度的分段模型.基于Simulink构建了五种等效电路模型,采用混合动力脉冲特性实验辨识模型参数.基于AIC信息准则判定充电、放电和搁置等阶段和不同SOC处最佳模型.在DST动态应用测试工况下,将模型与二阶RC、三阶RC和内阻模型仿...     

电动汽车动力电池SOC估算分析

电动汽车动力电池荷电状态(State Of Charge,SOC)的准确估算能提高整车性能和电池使用效率,方便驾驶员及时准确地了解电池剩余电量和电动汽车续航里程。本文基于等效电路的模型,应用扩展卡尔曼滤波法(EKF),以磷酸铁锂电池作为研究对象,验证该方法估算SOC的准确性。实验结果表明:用EKF法估算SOC,能将误差控制在5%以内,保持较高的精度。     

改进粒子滤波的锂电池SOC估算

为了提高锂电池SOC估算的精度,采用改进粒子滤波算法。首先在Thevenin模型的基础上考虑了电流漂移和温度对SOC估算的影响,并对模型参数求解,同时校正了锂电池SOC估算模型,减少了计算误差,使得SOC估算更加精确;通过UKF算法更新粒子,比对权值大小,只有权值大的粒子才能够进入复制组被重新采样,小的则被抛弃,进入复制组的粒子通过线性函数生成新粒子,如果抛弃组粒子数目大于复制组粒子时,循环使用抛弃组粒子;最后给出了算法流程。试验结果表明,改进算法提高了SOC估算精度,本文模型结果与试验标准结果的误差能够控制在较小的范围内,最大误差为1.846%,明显低于采用卡尔曼滤波和粒子滤波算法的SOC估计误差。     

基于修正协方差扩展卡尔曼滤波法的电动汽车锂电池SOC在线估计(英文)

为弥补传统电动汽车锂电池SOC估计算法估计误差大的缺陷,考虑电动汽车动力电池复杂的工作条件,将参数在线辨识方法和修正协方差扩展卡尔曼滤波(MVEKF)算法结合,提出了一种锂电池SOC在线估计算法.新算法使用变遗忘因子递归最小二乘法实现模型参数在线辨识,利用修正后的状态估计值重新计算迭代过程中的协方差,并将新的过程增益值用于下一状态估计以减少滤波误差.恒脉冲放电和动态应力测试(DST)等实验表明:在电池复杂的充放电条件下,与EKF算法对比,MVEKF滤波算法估计误差更小,最多可减少5%的误差;在DST条件下的充电过程中,EKF会有较大的偏差且不稳定,而MVEKF算法可稳定地估计SOC,且鲁棒性强,适用于电动汽车电池复杂多变的工作条件.     

基于先进小波神经网络的HEV动力锂离子电池SOC估计(英文)

为了提高混合动力汽车(HEV)电池荷电状态(SOC)的估计精度,提出了一种基于先进小波神经网络的HEV动力电池SOC估计算法.首先,建立了基于先进小波神经网络的电池SOC估计模型.然后,通过数学推导证明了先进小波神经网络的收敛性.最后,利用大量HEV动力电池在行驶过程中充放电的数据样本,对神经网络进行网络训练.仿真结果表明,所提出的估计算法与传统SOC估计算法相比,提高了电池SOC的估计精度,有效地将估计误差从±8%减小到±1.5%.     

变温度下EKF和UKF的锂电池SOC估算对比

动力电池的荷电状态(State of Charge,SOC)是预估电动汽车剩余有效行驶里程的重要参数之一。为提高锂电池SOC 的估算精度,考虑了温度对锂电池特性的影响。通过实验得到温度对电池容量的关系曲线,以及得到OCV-SOC-T 的函数映射关系,基于二阶RC 等效电路模型,利用带遗忘因子递推最小二乘法(Forgetting Factor Recursive Least Square, FFRLS)对模型进行实时在线参数辨识。在不同温度和工况条件下,采用扩展卡尔曼滤波(Extended Kalman filter,EKF)和无迹卡尔曼滤波( Un-scented Kalman filter, UKF)算法对锂电池的SOC 进行估算并对比验证,结果表明,EKF 在动态压力测试工况(DST)和美国联邦城市运行工况(FUDS) 的均方根误差分别在4.93%和4.69%以内,UKF 在DST 和FUDS 工况下的均方根误差分别在1.47%和1.49%以内。研究结果表明,FFRLS联合EKF和UKF都可以实时估算SOC,且在不同温度和不同工况条件下,UKF算法相较于EKF算法,抗干扰能力更强,估算精度更高,收敛性更好。     

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。     

不同开路电压松弛时间下基于等效电路解构的锂离子电池荷电状态估计（英文）

目的:开路电压是基于模型的电池荷电状态估计的必要参数,其测试耗时大、效率低。本文旨在测试各种电压松弛时间的荷电状态-开路电压关系,研究其对开路电压法和等效电路模型的荷电状态估计准确度的影响,提高开路电压测试效率。创新点:1.通过电路解构方法,将二阶阻容电路分解为简单路,运用二阶段递推最小二乘法辨识电路模型的参数;2.基于递推最小二乘法和卡尔曼滤波算法,建立电路参数辨识和荷电状态估计的的联合自适应算法,研究电池电压松弛时间对基于等效电路模型的荷电状态估计的影响。方法:1.通过电路解构技术和理论推导,构建辨识二阶阻容等效电路参数的二阶段递推最小二乘法辨识方法(图2和公式(4)~(9));2.将二阶段递推最小二乘法和扩展卡尔曼滤波器集成,建立适应工况变化的电池模型参数辨识和状态估计的联合算法(图3);3.通过电池测试,建立多温度和多电压松弛时间的荷电状态与开路电压的关系,驱动自适应联合算法,获得既保证荷电状态估计准确度,又缩短开路电压测试时间的电压松弛时间。结论:1.二阶段递推最小二乘法既能简化矩阵计算,又能够保证电路参数的辨识非负性;2.联合自适应算法能够适应工况变化辨识模型参数和估计荷电状态;3.联合自适应算法的结果表明,5 min的电压松弛时间既能保证荷电状态估计性能,又能极大地提高开路电压测试效率。     

动力型锂离子二次电池市场发展的前景

锂离子二次电池技术近年来发展迅速。动力型锂离子二次电池是电动汽车、电动工具的电力来源,市场前景广阔。本文分析了在目前的电源技术水平下,锂离子二次电池在动力型应用上的优势和缺点,探讨了纯锂离子电池电动汽车所面临的问题以及可能的发展方向,指出在现有技术条件下,混合动力汽车是比较务实的选择。     

基于RC等效电路模型的锂电池SOC估计

针对电动汽车动力锂电池,提出一种能够在恒流及变流放电工况下修正SOC估算误差的方法.首先以双阻容并联网络RC作为锂电池等效电路模型,采用最小二乘法对模型参数进行估计,再依据模型及实验数据构建锂电池非线性状态方程,对锂电池开路电压与SOC的关系进行拟合,最后结合EKF算法与安时积分算法估算锂电池SOC,并采用脉冲放电实验...     

电池管理系统关键技术SOC估算的研究

在大量先验数据的基础上,根据电池管理系统的采样数据,结合安时积分法和开路电压法,对电池SOC进行估算,同时考虑温度及单体电池的不一致性对电池性能的影响,根据不同温度与电池SOC之间的修正数据关系对上述算法进行高低端修正,实验结果表明此方法能够降低安时积分法估计电池SOC的累积误差,准确估算电池SOC,且具有较强的实用性和可靠性。     

电动车电池保护系统研究与设计

随着电动车在日常生产生活中的广泛应用,各种技术事故也多有发生。电动车的质量关键在电池,如何提升电池使用寿命,提高电池安全性,从而延长电瓶车使用寿命,提高安全系数越来越受到人们的重视。基于DSP2407的电池保护系统,通过实时检测电池的电压、电流、工作温度等参数,运用卡尔曼滤波算法估算电池的剩余电量,判断电池SOC(荷电状态),当电池工作状态异常时及时报警,从而延长电池使用寿命,确保电池使用安全。     

基于PSO-SVM的电动车铅酸蓄电池SOC预测

为了提高电动车铅酸蓄电池的电池荷电状态(SOC)预测精度,将粒子优化算法(PSO)引入到支持向量机(SVM)中,建立了PSO-SVM电动车铅酸蓄电池SOC预测模型,模型输入量为电池的电压和电流,输出量为SOC。采用PSO算法对SVM的惩罚因子C和径向基函数宽度σ寻优,降低了SVM参数取值的盲目性,提高了预测精度。设计了铅酸蓄电池数据智能采集系统,并进行了实际运行车辆电池数据采集。在advisor2002软件中获取的电池数据和实际车辆电池运行数据的基础上,进行了模型训练和预测。结果表明,PSO-SVM预测模型相对传统的BP、RBF和SVM预测模型具有更好的精度和推广能力,满足了"SOC估算精度小于5%"的要求,从而表明该模型是有效的、可行的,并具有较好的工程实用价值。     

基于自适应无味卡尔曼滤波的机床选点温升快速辨识方法研究

研究目的：为了缩短机床温升试验时间,提出一种机床热特性快速辨识方法,利用较短时间的温度采样数据即可准确预测出完整的温升曲线,进而获得热平衡时间及稳态温度等热特性参数。创新要点：提出了基于自适应无味卡尔曼滤波的机床选点温升快速辨识方法,其中最短辨识时间判据可以有效解决如何寻找准确辨识热特性参数的最短采样时间问题,而自适应无味卡尔曼滤波则可以实时调整参数,防止外界因素对辨识的干扰。研究方法：由于无味卡尔曼滤波在非线性状态预测和参数辨识上具有优势,所以本文将无味卡尔曼滤波算法应用到机床选点温升辨识上。为了防止辨识过程中的发散退化等问题,将无味卡尔曼滤波发展为自适应无味卡尔曼滤波（图1）。在快速辨识方法上提出了最短辨识时间判据（图2）。文章中又将此算法应用到实际的立式加工中心温升辨识上,证明了该算法的可行性及有效性（图5和6）。最后又将带有自适应调整过程的无味卡尔曼滤波算法和不带调整过程的算法做了对比,显示了自适应调整过程对辨识算法的重要性（图6和11）。重要结论：基于自适应无味卡尔曼滤波的机床选点温升快速辨识方法可以准确快速地辨识出温升曲线,获取热特性参数,将原来394 min的热平衡试验时间缩短,只需28 min即可得到温升变化情况。     

混合动力汽车电池及电动机建模分析

新能源汽车已成为汽车技术发展的主要方向,而电池技术在混合动力汽车(HEV)以及纯电动汽车中都是最关键的技术,也是制约混合动力汽车及电动汽车发展的瓶颈,对电池管理模型建立仿真分析尤为重要。     

深海环境对于FeLiPO_4聚合物电池性能的影响（英文）

目的:通过对万米深海环境中的高压和低温环境的模拟,研究深海环境对水下潜行器中动力电池性能所产生的影响以及该影响对电池剩余电量(SoC)估计精度的影响。创新点:1.通过压力桶和恒温箱模拟万米深海高压低温环境;2.通过实验计算环境对电池模型参数的影响;3.利用UPF算法对电池SoC进行估计并根据环境影响情况对开路电压(OCV)和SoC的关系进行补偿。方法:1.建立等效电路模型,建立电池系统状态空间方程(公式(1)～(16));2.通过混合功率脉冲测试(HPPC)对处于模拟深海环境中的电池进行等效电路模型参数辨识(图6);3.通过对OCV-SoC关系进行补偿得到低温高压环境下电池的OCV-SoC关系式(公式(17)和(18));4.利用无迹卡尔曼滤波算法对常温常压环境和低温高压环境中的电池SoC进行估计(图8)。结论:1.FeLiPO4聚合物锂离子电池能够在深海环境中正常使用,但深海环境的高压低温特性会对电池参数本身产生影响;2.由于电池参数受高压低温特性的影响,SoC的估计误差会变大;3.通过对OCV-SoC关系的补偿能够在一定程度上提高电池SoC的估计精度,从而减小由于参数变化带来的估计误差。     

电动自行车企业如何抢占新能源战略先机

在“十二五”规划中确定的七个战略性新兴产业里,新能源汽车是其中之一。而电池是新能源汽车与电动自行车的主要动力电源,是其关键的部件。数据显示,目前电动自行车电池已占铅酸电池总产量的37%,汽车启动型电池占33％,可以说,电池的发展关系着国家新能源战略目标的实现,被喻为新能源发展的发动机,在国家“十二五”战略规划中占据着重要地位。