基于等效模型扩展卡尔曼滤波锂电池SOC估算

电池管理系统(BMS)的主要任务是对电池荷电状态(SOC)、续航里程和防止电池过充过放等进行实时诊断,其中电池荷电状态的快速精确的估计是BMS的核心技术。基于锂电池这一动态非线性系统,提出了一种更接近于真实的、改进的PNGV电池等效模型;基于改进的PNGV电池等效模型,对比了卡尔曼滤波算法(KF)和扩展卡尔曼滤波算法(EKF)诊断电池荷电状态的实验结果;分析了扩展卡尔曼滤波算法诊断的实验误差。研究表明:采用扩展卡尔曼滤波算法对电池荷电状态进行诊断得到的结果更加精确,其误差能够一直保持在5%以内。     

人工免疫粒子滤波算法估计电动汽车电池SOC

准确预测电池的荷电状态（SOC）对纯电动汽车的安全可靠的运行具有重要意义.标准的粒子滤波算法对锂离子动力电池的非线性特征有一定的适应性,能够对电池的 SOC做出估计.但是在标准粒子滤波运算过程中普遍存在粒子退化现象,导致算法效率和预测精度降低.因此,本文提出一种新的人工免疫粒子滤波算法,将人工免疫算法的原理引入标准粒子滤波算法的粒子更新过程中,对锂离子动力电池SOC的估计进行优化,以提高SOC估计的准确性.利用北京市实际运营的纯电动汽车电池数据,对所提出的电池SOC算法进行实证研究.实验结果表明,相对于标准粒子滤波算法,人工免疫粒子滤波算法能够增加粒子的多样性,具有更好的SOC预测精度和有效性.     

电动汽车行驶里程与电池SOC 相关性分析与建模

为解决电动汽车驾驶员里程焦虑问题,并为车辆行驶里程预测提供重要依据,本文提出一种基于数据驱动的方法来探讨电动汽车行驶里程和电池SOC之间的关系.首先对采集的原始数据进行删除、插值和平均处理,再对电动汽车行驶里程和电池SOC进行相关性分析并建立模型,利用递推最小二乘法对模型参数进行辨识.利用北京市运营物流电动车的数据对建立的模型及参数辨识结果进行验证.实验结果表明,本文采用的基于数据驱动预测行驶里程的方法是可行的,所建立的行驶里程与电池SOC模型具有较高的准确度.     

分布式自适应网格交互多模型JPDA算法

将自适应网格交互多模型(AGIMM)算法和联合概率数据互联(JPDA)算法相结合,提出了用于多传感器多目标跟踪的分布式自适应网格交互多模型联合概率数据互联(DAGIMM-MSJP-DA)算法.该算法在航迹关联检验阶段结束后,融合中心采用模糊加权方法对不同传感器关于同一目标的各模型概率、各模型状态估计及其对应的估计协方差阵进行融合,从而得到关于目标的总体状态估计和相应的估计协方差阵,并将融合后的各模型概率反馈至各传感器以便进行统一的、更为精确的网格自适应调整.最后通过计算机仿真验证了该算法的有效性和正确性.     

基于六参数RC等效电路模型的锂离子电池SOC估计

为提高电动车锂离子动力电池荷电状态(SOC)的估算精度,提出了一种基于六参数RC等效电路的电池模型,采用扩展卡尔曼滤波开展对电池SOC的估算方法研究。在考虑未知干扰和环境噪声的影响下,进一步提出了在扩展卡尔曼滤波的基础上的自适应卡尔曼滤波算法,并开展了对电池SOC的在线估算。仿真结果表明:虽然扩展卡尔曼滤波和自适应卡尔曼滤波都对电池SOC有较好的估算精度,但在未知干扰和噪声的影响下自适应卡尔曼滤波具有更好的鲁棒性。     

�綯������ʻ�������SOC ����Է����뽨ģ

为解决电动汽车驾驶员里程焦虑问题,并为车辆行驶里程预测提供重要依据,本文提出一种基于数据驱动的方法来探讨电动汽车行驶里程和电池SOC之间的关系。首先对采集的原始数据进行删除、插值和平均处理,再对电动汽车行驶里程和电池SOC进行相关性分析并建立模型,利用递推最小二乘法对模型参数进行辨识。利用北京市运营物流电动车的数据对建立的模型及参数辨识结果进行验证。实验结果表明,本文采用的基于数据驱动预测行驶里程的方法是可行的,所建立的行驶里程与电池SOC模型具有较高的准确度。     

基于LSTM的电池组工作状态预测

运用长短期记忆神经网络（LSTM）对电池的电压、电流、荷电状态（SOC）进行预测。考虑驾驶行为对电池组工作状态的影响,确定了含加速度、车速、电压、电流、SOC在内的多参数LSTM模型;根据中国亿维新能源车辆云平台数据,采用Adam优化算法完成对LSTM模型的训练、测试与预测。结果表明：多参数LSTM模型可有效预测电池的SOC和电压变化状态,电流均方误差由14.848%降到3.192%。     

融合卡尔曼滤波的高速公路状态估计误差界限分析

为分析高速公路交通流检测数据质量,本文构建平方流量误差界(Squared Flow Error Bound, SFEB)和扩展卡尔曼滤波(Extended Kalman Filter, EKF)的决策级融合模型SFEB-EKF,在检测器空间覆盖不足情况下,计算检测路段和无检测器路段的交通状态估计误差界限。与SFEB 算法相比,融合模型利用EKF交通状态估计模型估计全路段交通状态,基于得到的估计样本计算全路段交通状态估计误差下界。同时,采用最近邻法(Nearest Neighbor Method, NNM)计算全路段交通状态估计误差上界。应用开源高速公路数据集测试模型,结果表明,与需要输入真实样本的SFEB算法相比,融合模型SFEB-EKF在缺少真实样本情况下,能取得相似的结果且误差保持 在5%以内,不同检测器覆盖率实验下模型表现出良好的稳定性。本文模型通过给出无检测器路段交通状态估计界限,为高速公路交通检测器布设方案提供参考。     

基于改进卡尔曼滤波锂离子电池SOC估计

为了估算锂离子电池的剩余电量，考虑估计过程中的噪声影响，采用卡尔曼滤波方式进行电池的荷电状态估计研究。以戴维南等效电路模型为基础进行了电池参数的辨识，利用Simulink建立基于卡尔曼滤波的电池荷电状态估计模型。分析了电池在不同的放电电流的工况下，测量误差对电池荷电状态估计的影响，提出了改进卡尔曼滤波算法。仿真结果表明：与拓展卡尔曼滤波算法相比，改进卡尔曼滤波算法精度更高。     

基于实车数据的电动汽车电池剩余使用寿命预测

电动汽车电池剩余使用寿命预测是当下电池研究领域的热点内容,现有电池剩余使用寿命预测模型大多基于单一预测指标,预测精度较低,模型的泛化性能较差。本文通过实车数据构建了GM-LSTM的Stacking融合模型,实现电动汽车电池剩余使用寿命的准确预测。首先根据电池剩余使用寿命影响因素,提取车辆真实的运行参数和环境参数,基于随机森林算法筛选最优特征集合作为模型输入,其次选择差分整合移动平均自回归算法对所选特征进行惯性延伸,克服数据时间维度上的限制,最后基于数据特点,分别建立灰色预测模型和长短时记忆神经网络模型实现电池剩余使用寿命预测,并通过Stacking模型融合进一步降低预测误差。结果表明：模型融合 后平均相对误差为1.6%,平均绝对误差为0.013,能够稳定可靠的实现电动汽车电池剩余使用寿命预测。