电动汽车用动力电池组SOC的神经网络估计

针对电动汽车用动力电池组的SOC受充放电率、放电历程和温度等因素的影响,传统方法很难建立准确的数学模型,对电池组SOC进行研究,在对动力电池组进行不同工况充放电试验的基础上。建立了电池组的神经网络仿真模型。并分别采用电流输入,电压和电压梯度输入进行了仿真,实现了对电池组SOC的估计。与实验结果对比,仿真结果与实验基本吻合,验证了该方法的正确性。     

自适应无迹卡尔曼滤波动力电池的SOC估计

无迹卡尔曼滤波法(Unscented-Kalman Filter,UKF)在估计动力电池的剩余容量(State of Charge,SOC)时,由于系统噪声的不确定,可能导致算法不收敛,而且算法的估计性能受模型精度的影响,为此采用自适应无迹卡尔曼滤波法(Adaptive-UKF,AUKF)动态估计电动汽车动力电池的SOC.建立了适用于SOC估计的电池模型,辨识相应的电池模型的参数并进行验证,将AUKF应用到该模型,在未知干扰噪声环境下,在线估计电池的SOC.试验仿真结果表明:UKF算法的估计误差在-0.04~0.06之间跳动,而AUKF算法的估计误差平稳的保持在0.05以内,实时修正微小的模型误差带来的SOC估计误差.     

基于自适应UKF的锂离子动力电池状态联合估计

针对由静态的电池模型参数而造成的状态估计累计误差、噪声统计特性的时变不确定性等实用化的问题,基于无迹卡尔曼滤波(unscented Kalman filter, UKF)框架设计了一种自适应UKF的电池状态联合估计算法.在无迹变换(unscented transform,UT)时,对量测方程进行准线性化处理,降低了循环迭代过程中的计算开销;利用带遗忘因子的Sage-Husa自适应估计方法对过程噪声的统计特性参数进行递推估计与修正,提高了UKF估计算法的自适应容错能力;实时跟踪滤波的收敛性,若呈发散趋势时,通过自适应衰减因子对误差协方差进行调整以抑制滤波发散,保证了滤波过程的数值稳定性;采用联合估计策略对一阶Thevenim电池欧姆内阻模型参数进行在线更新,以确保动态测试工况下电池模型的准确性,从而提高了电池荷电状态(state of charge,SOC)以及电池健康状态(state of health,SOH)的估计精度.实验与仿真结果验证了该电池状态联合估计算法的可行性与有效性.     

基于STEKF的锂离子动力电池SOC估算

为能在线准确估算电动汽车动力电池的荷电状态(SOC),提出了一种基于强追踪扩展卡尔曼滤波(STEKF)的锂离子电池的SOC估算方法,该滤波器引入了多重次优渐消因子;以某型锂离子电池为研究对象,基于电池的外特性及相关机理,建立了电池的二阶RC等效电路模型,使用最小二乘法辨识模型参数,然后按照等效电路模型建立电池的STEKF非线性状态空间方程,最后在ECE15工况下进行仿真。结果表明,STEKF估算电池SOC的误差保持在2%以内,该方法能准确估算电池的SOC。     

基于改进DAEKF的锂电池SOC和SOH联合估计

为提高锂离子荷电状态（state of charge,SOC）及健康状态（state of health,SOH）的精度,提出改进双自适应扩展卡尔曼滤波（dual adaptive extended Kalman filter,DAEKF）算法。基于二阶RC模型,建立空间状态方程;选取电池容量作为SOH的表征量,在双扩展卡尔曼滤波算法基础上引入改进的Sage-Husa自适应算法,实现系统协方差矩阵的实时更新;为降低系统计算量,进一步加入多时间尺度理论进行优化。实验结果表明,提出的算法能较准确地估计锂电池的SOC与SOH,SOC的平均误差为0.58%,SOH最大估计误差为0.8%,该算法正确有效。     

自适应卡尔曼滤波法磷酸铁锂动力电池剩余容量估计

卡尔曼滤波法在估计动力电池的剩余容量(SOC)时,由于系统噪声的不确定,可能导致算法不收敛,而且算法的估计性能受模型精度的影响,笔者采用自适应卡尔曼滤波法来动态地估计电动汽车用磷酸铁锂动力电池的SOC。首先对电池模型进行了研究,建立了适用于SOC估计的电池模型,然后设计了相应的电池充放电实验检测到模型的参数,并进行了验证,最后将自适应卡尔曼滤波法应用到该模型,在未知干扰噪声环境下,在线估计电池的SOC。仿真结果表明：自适应卡尔曼滤波法能够实时修正微小的模型误差带来的SOC估计误差,估计精度高于卡尔曼滤波法,且自适应卡尔曼滤波法对初值误差具有修正作用。实车循环行驶实验表明算法适用于磷酸铁锂动力电池的SOC估计。     

基于双卡尔曼滤波的锂电池SOC估计

针对电池SOC估计误差较大的问题,本文提出了双卡尔曼滤波算法。介绍了电池常用的等效模型和使用方向,以双RC模型为基础建立了电池系统的空间方程,使用混合脉冲功率特性测试法得到了模型参数值;推导了安时积分法和扩展卡尔曼滤波原理,在基础上提出了双卡尔曼滤波算法,对双卡尔曼滤波的原理和公式实现进行了详细推导;设计了电池组的充放电实验对算法进行验证,结果表明安时积分法估计误差随时间不断增大,扩展卡尔曼算法估计误差震荡很大,双卡尔曼滤波的估计精度较高,最大估计误差只有0.13%。     

基于多新息扩展卡尔曼滤波的锂离子电池SOC估计研究

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(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(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AEKPF算法对锂离子电池SOC与SOH的联合估计

为了提高锂离子电池SOC(state of charge)和SOH(state of health)的估计精度,采用自适应扩展卡尔曼粒子滤波(adaptive extended Kalman particle filter, AEKPF)算法估算SOC和SOH,该算法通过修正噪声可以解决运用EKF(extended Kalman filter)算法时的噪声误差累积问题,并且AEKF(adaptive extended Kalman filter)算法作为PF(particle filter)算法的建议分布用来实时更新粒子,可以改善单独采用PF算法时的粒子退化问题.为了提高SOC的估计精度,提出考虑电池的劣化特征,联合SOH实现对SOC的修正估计.在Matlab环境下的仿真结果表明:AEKPF算法与AEKF算法相比,可以得到更加准确的SOC和SOH估计值,而且AEKPF算法联合SOH可以有效提高SOC的估计精度,仿真绝对误差不超过±1%.     

基于多新息卡尔曼滤波算法的锂电池SOC估计

针对锂离子电池荷电状态(SOC)较难准确获取的问题,依据锂电池等效电路模型,建立起各参数与SOC的联系,利用脉冲放电的数据对模型进行参数辨识.通过Mat-lab/Simulink验证了模型的正确性和精确性.将扩展卡尔曼滤波算法(EKF)融合多新息理论,建立了多新息扩展卡尔曼滤波算法(MIEKF)估计电池SOC的方法,该方法通过对旧信息的重复使用提高了EKF的估计精度.在美国城市道路循环工况(UDDS)下分别采用EKF和MIEKF算法来估计锂电池SOC,两者估计的最大误差分别为0.0176、0.0087.实验数据表明MIEKF算法估计电池SOC更准确.     

基于DTW-KiBaM模型的锂电池SOC估计

锂离子电池工作温度及老化程度是影响其荷电状态（State of Charge, SOC）估计算法准确性的关键因素.在二阶RC等效电路模型的基础上,提出了一种由动态时间规整算法（Dynamic Time Warping, DTW）与KiBaM模型（Kinetic Battery Model, KiBaM）相结合的混合模型.利用DTW算法基于充电电压数据确定电池老化状态,通过KiBaM模型计算电池由于电流效应导致的不可用容量,结合二阶RC等效电路模型推导新的SOC计算矩阵,采用无迹卡尔曼滤波算法（Unscented Kalman Filter, UKF）实现SOC估计.基于城市道路循环工况（Urban Dynamometer Driving Schedule, UDDS）验证了混合模型的准确性,实验结果表明,在10 ℃低温环境或经过200次循环老化后工作的锂离子电池,模型估计SOC的最大误差小于2%.     

动力锂电池荷电状态估算的改进方法

为了解决传统安时-开路电压法荷电状态(state of charge,SOC)初值SOC_0误差大,忽略了估算过程中温度等影响因素对估算精度的影响等问题,提出了改进的安时积分-开路电压法:根据不同温度、循环使用次数下的实验数据,拟合出SOC与开路电压(open circuit voltage,OCV)、温度、使用次数的函数关系,从而获取准确的SOC_0;结合实验分析温度、放电倍率、使用次数对于安时积分的影响,并对其进行修正和优化。实验表明,改进的安时-开路电压法可将估算精度提高至97%。     

改进PSO优化LSSVM的锂电池SOC估算模型

为提高锂电池荷电状态(SOC)的估算精度,提出一种改进粒子群优化(PSO)算法;对最小二乘支持向量机(LSSVM)的惩罚参数C和核函数参数σ进行寻优,建立基于改进PSO-LSSVM的锂电池SOC估算模型.对磷酸铁锂充放电实验数据进行仿真分析,结果表明:改进PSO-LSSVM模型的平均相对误差为2.96%,均方根误差为0.018,全局最大相对误差为4.79%;改进PSO-LSSVM模型明显提高锂电池SOC估算精度.     

基于置信规则库的锂电池SOC估计

电池荷电状态（SOC）的准确估计在电池广泛应用的背景下日益重要,但是构建精确的物理模型十分困难,使用纯粹的数据驱动方法又容易因为电池个体差异性出现过拟合问题。针对这些问题,提出基于置信规则库（BRB）的方法对锂电池SOC的进行估计。该方法既允许专家通过经验知识克服数据驱动方法的过拟合问题,又能通过参数训练克服专家知识的不准确性。以某型磷酸铁锂（LiFePO-4）电池为例,对提出的方法进行了验证,并将其与神经网络进行了对比。结果表明,该方法估计SOC具有较高的精度,估计误差不超过10%,且可以克服传统神经网络方法存在的过拟合问题。     

基于PSO RBF神经网络的锂电池SOC估算

针对电动汽车锂电池荷电状态(State Of Charge,SOC)的精准估算,提出一种优化的径向基(Radial Basis Function,RBF)神经网络算法;通过粒子群(Particle Swarm Optimization,PSO)算法优化RBF神经网络的参数及结构,确定RBF神经网络中的基函数的宽度以及中心;根据锂电池的充、放电机理,将SOC的影响因子电压(U)、电流(I)、内阻(R)、温度(T)作为输入向量,在Matlab中进行仿真实验;实验表明方法能够实现准确、快速、便捷的锂电池的SOC估算,其预测结果和实际测量结果的误差在4%以下,符合SOC预测误差5%的技术指标要求,对于电动汽车锂电池SOC的估算有着一定的实际应用意义。     

基于奇异值分解无迹卡尔曼滤波的锂电池荷电状态估计

锂电池的荷电状态(state of charge, SOC)是电池管理系统(battery management system, BMS)对锂电池进行管理的重要指标。针对传统SOC估计方法存在的精度低、计算复杂和鲁棒性差等问题,本文提出了一种基于奇异值分解无迹卡尔曼滤波(singular value decomposition unscented Kalman filter, SVD-UKF)的SOC估计方法。该方法利用无迹变换(unscented transformation,UT)提高了计算精度的同时降低了计算量,并且克服了UKF在状态协方差矩阵P非半正定时会出现滤波发散的缺点,提高了算法的鲁棒性。实验结果表明,该算法能够快速收敛于真值,并且将估算误差降低至1%。     

锂离子电池参数辨识与SOC估算研究

电池SOC的估算精度是影响电动汽车性能的重要因素之一.针对传统的卡尔曼滤波方法在滤波时,需要已知系统噪声统计特性这一问题,本文在采用RC等效电路模型,运用多元线性回归方法辨识得到电池模型参数后,提出了采用模糊自适应卡尔曼滤波算法来估算电池SOC.城市道路循环工况仿真对比结果表明,该算法相比传统卡尔曼滤波方法具有更高精度,且能够将误差保持在2%以内,较好地提高了SOC估算精度.     

基于RC等效电路的动力电池SOC估计算法

精确的动力电池剩余电量(SOC)是混合动力系统进行动力分配的重要依据,也是整车控制和降低使用成本的关键.因而,采用简化的RC电池等效电路,建立了电池的动态充、放电模型,把该模型转化为状态空间表达式.基于不同温度下的镍氢动力电池开路电压,通过混合脉冲功率性能(HPPC)测试方法测量,得到动力电池的动态工作内阻.根据电池的动态工作电流,在线实时估算动力电池的SOC.仿真及实验室测试结果表明,该方法的估算误差小于8%,验证了该SOC估算方法的有效性.     

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FFRLS-AEKF的6轮足机器人电池SOC估计

针对6轮足机器人动力电池的荷电状态(state of charge, SOC)估计精度低、电池模型准确度不高等问题,提出一种基于带遗忘因子的递推最小二乘(recursive least squares with forgetting factor,FFRLS)与自适应扩展卡尔曼滤波(adaptive extended Kalman filtering,AEKF)相结合的估计算法。首先通过FFRLS算法辨识建立动力电池等效模型参数;然后利用AEKF对SOC在线估计,并为参数辨识提供准确的开路电压;最后以机器人锂电池包为对象,在动态应力测试工况(dynamic stress test , DST)下实验验证了该算法可以准确地估算动力电池SOC,SOC估计相对误差在2.5%以内。