基于多元算法的锂电池SOC估算研究

电池的荷电状态(SOC)是反映电池剩余电量状态的重要参数,精确估计SOC值是电池管理系统(BMS)最重要的功能之一。传统的SOC估算方法如安时积分法、开路电压法、内阻法等的单独使用很难做到对SOC值的精确估计。针对电池SOC前期估算不准、后期累积误差逐渐变大的问题,以Thevenin模型为基础,对传统的安时积分法进行了改进。前期配合开路电压法获取SOC的精确初值,后期结合扩展卡尔曼滤波法修正安时积分法的累积误差,最后用MATLAB对整个过程及其结果进行曲线拟合和分析,实验结果显示所提方法在SOC估算的过程中误差都可以保持在8%范围内,具有较高的估算精度。     

基于扩展卡尔曼滤波模型的电动汽车锂电池SOC估算研究

针对新能源电动汽车锂电池电荷状态SOC估算问题,在锂电池二阶RC等效电路模型基础上,引入扩展卡尔曼滤波方法,利用扩展卡尔曼滤波方法处理复杂非线性系统能力,建立了扩展卡尔曼滤波锂电池SOC估算模型,并通过MATLAB/Simulink对新建模型仿真分析。仿真结果显示,建立的扩展卡尔曼滤波锂电池SOC估算模型具有较高估算精度,整体误差小于±0.05%,满足新能源电动汽车对锂电池SOC估算要求。     

一种改进型锂离子电池SOC估算方法

为提高锂离子电池荷电状态(SOC)的估算精度，首先建立锂离子电池的较精确的二阶 RC等效模型，根据模型建立 状态空间方程，其次介绍电池充放电时电压电流采集方法，根据采集的数据，运用扩展卡尔曼滤波算法(EKF)，对锂离子电池的荷电状态进行估算。结果表明，该数据的采集方法具有很高的精度，用扩展卡尔曼滤波算法估算的结果与真实值较为接近，精确度可达4％，对噪声有很强的抑制作用。     

一种基于分数阶的电池荷电状态估计方法

本文首先简单介绍了分数阶微分的相关知识,以及分数阶系统的优点,然后在整数阶模型的基础上,将整数阶中的元件用分数阶的相关元件替代,建立出分数阶模型,最后使用改进的双扩展卡尔曼滤波和双卡尔曼滤波这两种算法来对电池SOC进行估算,利用仿真软件对两种算法的结果做对比,得到一种估算精确度比较高的算法。     

基于联合算法的锂电池SOC与SOH协同在线预测

以18650型锂电池为研究对象,建立双极化Thevenin(DP-Thevenin)等效电路模型描述其动静态特征.分别以恒流脉冲放电实验和带遗忘因子的递推最小二乘法完成电池电动势及模型参数的辨识;在Simulink中搭建等效电路模型,以脉冲电流作为激励进行验证,得出模型响应电压与实际端电压契合度较好,平均误差为1.83...     

基于粒子优化的多模型粒子滤波算法

针对模型信息引入粒子采样过程中导致用于逼近当前时刻真实状态与模型的粒子数减少问题,本文给出了一种基于粒子优化的多模型粒子滤波算法．在算法实现中,对每个粒子运行一个扩展卡尔曼滤波器,结合扩展卡尔曼滤波中预测更新机制实现最新量测信息的有效利用,进而提升单个采样粒子对于真实系统状态和模型逼近的有效性．理论分析和仿真结果表明：新算法在系统状态估计的精度以及模型辨识的准确性方面均明显地优于交互式多模型粒子滤波算法和多模型粒子滤波算法．     

改进高阶容积粒子滤波的系统状态估计算法

传统粒子滤波（PF）直接采用状态转移先验分布作为重要性密度函数来近似后验概率密度函数,使得后验概率密度函数未包含量测信息。针对此问题,提出了一种改进高阶容积粒子滤波(CPF)的系统状态估计算法。算法采用七阶正交容积卡尔曼滤波（7th-CQKF）对PF的粒子进行传递,使得先验分布更新阶段融入最新量测信息;通过7th-CQKF设计重要性密度函数,提高对状态后验概率密度的逼近程度;通过反比例函数计算粒子权重,突出大噪声粒子与小噪声粒子权重差别,提高粒子有效性。仿真结果表明,改进高阶容积粒子滤波的估计精度高于容积粒子滤波（CPF）。     

粒子滤波和正则粒子滤波算法性能研究

主要介绍了解决系统状态估计问题的滤波算法。在提出非线性高斯系统模型的基础上着重阐述了扩展卡尔曼滤波(EKF)、粒子滤波(PF)和正则粒子滤波(RPF)算法。对这三种算法在不同的噪声条件下的估计性能进行了仿真分析。结果表明,在非线性高斯系统中,PF和RPF的估计性能远比EKF的估计性能要好,由于RPF是从离散分布中重构其近似连续分布,再从该连续分布中采样粒子,估计性能比PF要好,尤其在小噪声的环境下,估计性能更加稳定。     

一种基于预测开路电压的SOC估算方法

估算锂离子动力电池荷电状态（SOC）是电池管理的一个难点,通过对电池放电曲线及恢复曲线分析,拟合出电池开路电压的计算公式,解决了动态情况下预测电池开路电压的问题,使开路电压估算SOC在电动车上使用成为可能。本文采用建立电池模型的方法,通过实验所得数据对模型进行曲线拟合,得到最优参数,并通过另外几组数据进行验证。实验结果...     

基于CNN-BILSTM混合网络的锂离子电池荷电状态估计

针对新能源电池的使用越来越广泛与对电池充电状态(state of charge,SOC)估计精度要求越来越高的问题,提出了一种卷积神经网络（convolutional neural networks,CNN）-双向长短期记忆神经网络（bidirectional long and short term memory neural network,BILSTM）的混合神经网络,用于拟合已知电池的电流电压等与SOC之间的关系,以推测SOC。首先,利用CNN来提取输入数据之间的空间关系,运用BILSTM提取其正向和逆向的时间特征并将其进行合并,以达到最大化地利用数据,提高学习及适应能力。混合模型的具体结构为输入层+卷积层+双向长短期记忆层+一组全连接层+输出层。其次,经过多组不同超参数的对比试验,分析找出了其性能最佳时的超参数,并在学习过程中加入了学习率下降策略以提高学习精度降低过拟合。然后,为检验混合模型的泛化能力,在不同的电池循环下对其进行了实验验证,结果表明在不同的循环次数下混合网络均表现了很好的估计性能,其估计精度可以保持在1%左右。最后,为证明网络的预测精度,文章还运用常用的网络估计...     

基于Sh相关系数的非线性系统状态粒子估计算法

本文提出一种适用于非线性系统状态的粒子估计算法--基于Sh相关系数的粒子估计(PE)算法.该算法主要由预测、更新和平滑组成,利用被估计状态观测值路径和粒子观测值路径之间的Sh相关系数来修正粒子权值.仿真实验结果表明,该算法在状态估计精度上优于序列重要性重采样(SIR)算法、辅助粒子滤波(APF)算法、正则化粒子滤波(RPF)算法、高斯粒子滤波(GPF)算法和高斯混合粒子滤波(GSPF)算法.     

基于RTS-IEKPF算法的锂电池SOC估算

针对瞬间大电流充放电使电池非线性加剧,使用迭代扩展卡尔曼滤波算法(IEKF)估算电池荷电状态(SOC)时会有较大误差。为了减小误差,进一步提高SOC的估算精度,提出一种基于锂电池复合电化学模型的融合RTS最优平滑的迭代扩展卡尔曼粒子滤波算法(RTS-IEKPF)。该方法利用RTS(Rauch-Tung-Streibel)最优平滑算法与IEKF算法结合生成粒子滤波的建议分布,得到RTS-IEKPF,并用该方法来估算锂电池的SOC。实验结果表明,RTS-IEKPF算法SOC的估算精度优于PF,IEKF和IEKPF算法SOC的估算精度。     

基于贝叶斯正则化算法BP神经网络钒电池SOC预测

电池荷电状态(SOC)用于表征电池的剩余电量,是全钒液流电池的一个重要参数。在此介绍常用的钒电池SOC预测方法,并对比其优缺点。基于电池SOC的非线性特征,提出采用BP神经网络预测钒电池的SOC,并采用L-M优化算法以及贝叶斯正则化算法对网络进行优化。使用贝叶斯正则化改进的神经网络在对项目中全钒液流电池测试过程实时预测SOC。实验结果表明,采用贝叶斯正则化算法改进的神经网络能够提高SOC的实时预测精度,具有很好的实用前景。     

粒子滤波及其改进算法的比较

针对非线性、非高斯问题,建立了动态状态空间模型,详细分析了贝叶斯滤波的原理。对于满足线性和高斯的状态空间模型,卡尔曼滤波性能是最优的。但是,真实世界的非线性、非高斯问题存在,使得人们不得不寻找一种更好的滤波方法。解决非线性滤波问题最普遍的方法就是扩展卡尔曼滤波。但扩展卡尔曼滤波只适合弱非线性系统,对于强非线性系统,容易导致滤波发散。因而介绍了适用于强非线性、无高斯约束的基于序列蒙特卡罗算法的粒子滤波波器及其改进算法规则化粒子滤波器。最后对上述几种滤波器进行了性能仿真及分析。     

基于SR-UKF算法的锂电池SOH预测

传统的扩展卡尔曼滤波（EKF）算法估计精度较低,无迹卡尔曼滤波（UKF）算法不能确保滤波过程中状态误差协方差矩阵非负性,因而易出现滤波发散问题。为此,文中通过平方根无迹卡尔曼滤波（SR-UKF）算法预测锂电池健康状态（SOH）。首先,利用UT变换对系统进行线性化处理;然后,利用状态误差协方差矩阵的平方根替代状态误差协方差矩阵,保证状态误差协方差矩阵非负性;其次,构建二阶RC等效电路模型,根据最小二乘法辨识模型初始参数;最后,将代表SOH的欧姆内阻作为状态变量,使用SR-UKF实时估计欧姆内阻,并根据欧姆内阻与SOH的关系获取锂电池的SOH。为验证SRUKF算法在不同放电情况下的适应性,通过恒流放电工况和HPPC放电工况对SR-UKF算法进行仿真。结果表明,相比于传统的EKF算法、UKF算法,SR-UKF算法预测欧姆内阻的效果更好。     

基于SOC的锂动力电池多层双向自均衡方法

电池均衡是优化动力电池性能,提高使用寿命,增强动态工作过程安全性的一项关键技术.针对锂动力电池单体数量多,测量与控制数据量庞大等问题,本文将锂动力电池分为区域模块和全局模块两层,进而提出一种融合区域均衡与全局均衡的多层次协调均衡方法.通过开关电容区域均衡电路与反激式变压器全局均衡电路控制充放电过程的开关通断,实现双向均衡目标;在此基础上,考虑不同电池荷电状态(State of Charge,SOC)分布情况下锂电池的受电能力差异,以多模式充电策略为均衡前提条件,使用SOC关键参数作为均衡判据,实现系统充电与非充电过程的主动双向自均衡.实验结果表明,所提出的双向自均衡方法能实现高精度的均衡目标,且能耗较低.     

基于ESO-UKF的动力电池内部温度在线估计

准确的内部温度估计对动力电池的安全使用至关重要,为了在线获取准确的电池内部温度,本文提出一种基于温度估计模型的ESO-UKF电池内部温度估计方法。其中温度估计模型由Bernardi生热模型与热路传热模型组成,生热模型中端电压由神经网络获取,传热模型参数由递推最小二乘法辨识得到;该算法利用温度估计模型的离散状态空间描述,提出ESO-UKF进行电池内部温度的在线估计,将影响估计精度的传感器偏差视为扩展状态与原状态一起估计,实现了对不确定状态的估计;测试验证表明该算法的估计误差小于1℃,能够实现多工况下内部温度的在线估计,估计精度高、适应性强。