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...     

综合考虑运行状态的锂电池SOC估计研究

锂电池SOC估计影响因素众多,实际工况过于复杂,同时伴随噪声干扰而难以精确估计。为解决上述问题,综合考虑表征参数,提出了锂电池运行状态识别模型。基于RC电路思想,引入运行状态模型,提出了锂电池精确SOC估计模型。为提高模型的鲁棒性和收敛速度,采用粒子群优化算法进行关联参数寻优,并采取噪声误差分析机制提出一种降噪算法。对不同型号锂电池进行实验,仿真结果表明,锂电池运行状态识别模型能有效识别不同退化程度的电池运行状态,估计模型能可靠精确地估计不同退化趋势的锂电池SOC,具有良好的鲁棒性和收敛速度。     

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。     

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。     

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%.     

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。     

一种最优自适应增益非线性观测器的锂电池SOC估算方法

如今电动汽车的发展十分迅速,其动力电池荷电状态SOC关系到锂电池及整车系统的安全、可靠运行,因为SOC表明了电池剩余电量。由于SOC是一个不可直接测量的非线性变量,因此设计一种精度高、可行性强的算法具有十分重要的意义。提出一种最优自适应增益非线性观测器（OAGNO）,用差分进化算法（DE）对观测器参数进行寻优。为了验证该方法的先进性,对型号为NCR18650GA的三元锂电池进行工况实验,结果表明,相比无迹卡尔曼滤波（UKF）,最优自适应非线性状态观测器具有更高的精度,误差在3%左右。     

基于卡尔曼滤波的新能源汽车动力锂离子电池SOC估算方法

由于进行新能源汽车动力锂离子电池SOC估算的过程中产生了滞回电压现象,导致锂离子电池SOC估算结果不准确,估算时间较长,为此提出一种基于卡尔曼滤波的新能源汽车动力锂离子电池SOC估算方法.采用双极化等效电路模型作为基础,加入二极管构建新能源汽车动力锂离子电池模型,消除滞回电压现象造成的理论误差;同时将模型离散化处理,辨识锂离子电池参数;根据参数辨识结果,采用卡尔曼滤波算法估计新能源汽车动力锂离子电池SOC状态.经实验测试结果表明,所提方法的SOC值相对误差基本控制在-0.5%～0.4%左右,所提方法不仅可以有效提升锂离子电池SOC估算结果的准确性,同时还能够有效减少估算时间.     

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。     

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。     

非线性离散系统基于扩展Kalman滤波的鲁棒融合状态估计

非线性系统的状态估计问题是现代控制理论研究中不可或缺的一部分.提出一种基于扩展Kalman滤波的鲁棒融合状态估计算法,它是在已有的扩展Kalman滤波算法的基础上,通过引入CI状态融合来实现的.融合算法的引入能有效填补扩展Kalman滤波器在模型线性化时所带有的精度损失;CI融合算法因为避免了局部估计误差互协方差的计算而变得简单易行,尤其便于实际工程应用.仿真实验结果表明了所提出的多传感器非线性离散系统的CI融合状态估计算法可有效减少估计误差,具有一定的有效性和可行性.     

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。     

加权迭代最小二乘法在线估计锂电池容量研究

电池容量的在线估计精度影响着车辆续驶里程与功率输出的准确性.考虑到复杂的实际车载环境,提高电池容量在线估计精度是一项不小的挑战.传统的SOC-电量增益法通常选取两个不同时刻点作为SOC增量,而选取点的SOC误差会导致电池容量估计不准确.基于此,提出一种基于开路电压与加权迭代最小二乘法的锂电池容量估计方法.首先基于一阶R...     

一种基于改进变分贝叶斯滤波的鲁棒SLAM定位方法（英文）

针对非高斯分布的测量噪声、野值点或未知时变的噪声统计特性导致SLAM定位方法的量测更新中状态估计不正确甚至不收敛的问题,提出一种基于改进变分贝叶斯滤波的鲁棒SLAM定位方法.首先,利用变分贝叶斯自适应滤波算法对时变的测量噪声协方差进行估计.然后,通过重加权平均构建的权重函数对估计的协方差矩阵进行鲁棒化处理.最后,对系统状态更新进行多次迭代,逐步修正其估计误差.同时,为了观测到不同深度的特征点,构建了包含深度参数的特征测量模型.实验结果表明,当量测噪声不服从高斯分布且量测信息中有野值点时,与基于变分贝叶斯自适应卡尔曼滤波的SLAM方法相比,所提方法的定位精度分别提高了17.23%、20.46%和17.76%,说明该方法对环境干扰具有更好的适用性和鲁棒性.     

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。     

用于电动汽车电池SOC预测的BP神经网络模型

为破解目前电动汽车用电池剩余电量准确预测这一难题,在对影响电动汽车动力电池荷电状态(SOC)估算结果的相关因素分析基础上,建立一种用于电动汽车电池SOC预测的反向传播(BP)神经网络模型,首次提出蝙蝠-粒子群算法优化训练BP神经网络.仿真实验结果表明:该方法能方便、快速、准确地实现对电动汽车动力电池SOC预测,提高电动汽车动力电池的能量效率,延长动力电池的使用寿命,对于电动汽车的推广应用与发展具有较好的指导价值.     

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。     

鲁棒融合Kalman滤波在异步电机转速控制中的应用

协方差交叉融合算法是新兴的一种分布式融合算法,该算法避免了局部互协方差或相关阵的计算,算法简单,故得到了广泛的应用.以异步电机转速控制为应用背景,进行协方差交叉融合Kalman滤波算法的应用研究.相比已有的单传感器状态估计,所提出的协方差交叉融合状态估计算法估计精度更高.仿真实例分析说明了所提出的算法的有效性.     

传感器网络的序贯协方差交叉反馈融合状态滤波器（英文）

为了减轻传感器网络融合中心的计算负担和实现传感器信息的充分利用,提出了一种带反馈结构的序贯协方差交叉融合Kalman滤波器。该反馈结构将传感器网络融合中心的状态融合预报值及其融合误差方差信息反馈给局部传感器作为先验信息,进行局部滤波,将得到的新局部状态滤波值和局部滤波误差方差阵信息传递到融合中心,根据到达次序进行序贯协方差交叉融合。搭建了带反馈结构的序贯融合算法框架。仿真实验表明,该算法具有良好的估计性能,且明显减少了融合中心的计算负担,与集中式融合滤波器相比,减小了融合中心的计算压力与负担,提高网络的容错性,与不带反馈的序贯协方差交叉融合滤波器相比,具有更高的估计精度。