一种改进的电动汽车锂电池RC滞后模型及其应用

为提高电动汽车电池SOC估计精度、收敛速度和鲁棒性,提出了一种改进的锂电池RC滞后模型及自适应粒子滤波的SOC估计方法。在传统RC模型基础上加入滞后模块,使用粒子群算法搜索的方法求解模型参数,综合考虑计算量和模型精度,确定了一阶RC滞后模型作为锂电池等效模型。在传统粒子滤波基础上,提出了观测噪声方差自适应估计方法。仿真结果表明,SOC初值误差较大时,自适应粒子滤波收敛速度和鲁棒性、SOC估计精度和稳定性明显优于传统算法。     

基于FFRLS-EKF联合算法的锂离子电池荷电状态估计方法

针对现有基于电池恒定参数模型的SOC估计方法忽略了工况和SOC对电池模型参数的影响而导致SOC估计误差偏大的问题，本文提出一种将带有遗忘因子递推最小二乘算法与扩展卡尔曼滤波算法相结合的联合SOC估计方法。该方法先利用FFRLS算法在线辨识电池等效电路模型参数并实时修正电池模型，再利用EKF算法和实时修正的电池模型估计电池SOC。实验结果表明，本文所提的SOC估计方法能有效减小电池模型参数变化所带来的SOC估计误差。在脉冲放电、脉冲充电和动态应力测试实验中，最终电池SOC估计的最大误差分别为1.01%、0.87%和1.59%。     

基于SOC-OCV优化曲线与EKF的锂离子电池荷电状态全局估计

SOC-OCV曲线是锂离子电池状态估计的基础。针对传统HPPC测试法在非测试点不能描述电池非线性特性和小电流恒流放电法得到的OCV曲线精度不足等问题,提出一种基于粒子群优化算法的OCV曲线优化方法。该方法将小电流恒流放电得到的OCV曲线进行平移,以平移曲线在测试点与HPPC测试得到的OCV值之间的误差和最小为优化目标,对OCV曲线进行优化。然后,以优化OCV曲线为基础对2阶RC模型的模型参数进行辨识和模型端电压估计。结果表明:与HPPC法相比,基于优化OCV曲线的模型精度具有更高的全局精度,在低SOC区域的模型精度提高了一倍。最后,基于优化的OCV曲线和辨识的模型参数,设计扩展卡尔曼滤波算法对SOC进行全SOC区域估计。试验结果表明,基于优化OCV曲线和扩展卡尔曼滤波算法的SOC估计误差在全SOC区域上都能保持在2%以内。     

基于BP-EKF算法的锂电池SOC联合估计

电池荷电状态(SOC)的准确估计是电动车辆进行整车控制优化的先决条件,也是合理实施电池管理的依据。本文中在确定1阶RC等效电路模型的基础上,采用含有遗忘因子的递推最小二乘算法和BP-EKF算法对模型参数与SOC进行在线联合估计,提出一种BP神经网络和扩展卡尔曼滤波(EKF)相结合的锂离子动力电池SOC估计方法,使用相应的滤波输出参数离线训练BP神经网络,进而将训练成功的BP神经网络用于补偿EKF算法的估计误差。通过仿真和电池动态工况试验验证,结果表明,与EKF算法相比,所提出的SOC估计方法具有良好的抑制发散和鲁棒性能,能有效提高SOC的估计精度。     

基于ARWLS和AUKF的锂电池SOC估计

精确估计锂电池荷电状态（SOC）对纯电动汽车的安全稳定行驶有着深远影响,对锂电池SOC状态的估计主要有参数辨识算法和SOC估计算法两个热点问题。针对辨识过程中出现的“数据饱和”现象以及锂电池SOC状态估计时的滤波发散问题,文章提出了自适应遗忘因子递推最小二乘法（ARWLS）-自适应无迹卡尔曼滤波（AUKF）联合算法。首先建立了二阶R-C锂电池数学模型,并针对传统最小二乘法在参数辨识过程中出现的“数据饱和”现象,引入了自适应遗忘因子动态修正新旧数据权重,提升在线参数辨识的准确度以及效率。其次,针对无迹卡尔曼滤波存在的滤波失效问题,提出了自适应无迹卡尔曼滤波算法来自适应调整系统噪声和观测噪声,从而提高SOC估计时的适应性和鲁棒性。最后在混合动力脉冲能力特性（HPPC）工况下对扩展卡尔曼滤波（EKF）、无迹卡尔曼滤波（UKF）和AUKF三种SOC估计算法进行仿真比较,仿真结果表明,AUKF算法估计的SOC曲线跟随SOC真实值曲线变化的性能最好,估计精度也优于其他两种算法,具有更小的估计误差,收敛性也最好。     

基于改进自适应无迹卡尔曼滤波的锂电池SOC估计

针对传统无迹卡尔曼滤波算法在估计电池荷电状态中存在收敛速度较慢、容易发散等问题,提出了一种改进的自适应无迹卡尔曼滤波算法,该算法在传统无迹卡尔曼滤波算法基础上引入了衰减因子和自适应调节因子,提高估计精度和收敛速度。以二阶RC模型为基础,运用最小二乘法对模型参数进行辨识,采用基于UT变换的自适应无迹卡尔曼滤波器算法实现对锂电池SOC的估计。搭建锂电池充放电试验平台,测试试验结果表明,该算法对锂电池SOC估计精度小于1%,在估计精度及收敛速度上均优于传统无迹卡尔曼滤波算法。     

基于分数阶无迹粒子滤波的动力电池SOC估计

针对纯电动汽车动力电池组荷电状态(SOC)估计问题,提出一种基于可变温度的分数阶Thevenin模型的建模方法,并采用分数阶无迹粒子滤波(FUPF)算法估计电池SOC。建立Thevenin模型的分数阶电池模型,采用试验设计(DOE)方法和遗传算法进行参数辨识,利用FUPF算法对SOC进行估计,并与无迹粒子滤波算法进行比较。试验结果表明,基于FUPF算法与可变温度的分数阶电池模型的SOC估计方法能够在较宽温度范围内保持较高的估计精度且比整数阶模型估计精度更高。     

电动汽车锂电池建模及参数辨识方法研究

介绍多种电池模型及其参数辨识算法,综合考虑辨识复杂程度和精度,提出一种利用一阶RC电路模型、遗忘因子最小二乘优化算法、监控平台电池孪生模型的锂电池建模及参数辨识方法,并进行实车应用验证。结果表明,该方法能够使SOC的估计误差保持在3%以内。     

基于无迹卡尔曼滤波算法的锂电池SOC估计

应用无迹卡尔曼滤波算法(UKF)进行锂电池的SOC估计,采用Thevenin二阶RC等效电路模型,对HPPC电池脉冲充放电实验数据进行Matlab处理,得到较为准确的模型。通过在Matlab中编写算法程序,对不同工况的估计值与实际值进行误差估算及对比分析,通过此算法进行SOC估计,得到该算法可有效降低系统误差并纠正SOC的初值偏差。     

异常情况下电动汽车锂电池SOC估计

为提高锂电池在状态突变、模型不准确、SOC初始误差大等异常情况下的SOC估计精度和收敛速度,提出了基于强跟踪卡尔曼滤波算法的SOC估计方法。建立了锂电池的双RC等效电路模型,使用HPPC方法辨识了模型参数;分析了扩展卡尔曼滤波原理和缺陷,在误差协方差矩阵中引入时变渐消因子,用于改进修正系数矩阵,强行使残差序列保持正交特性,基于此原理提出了强跟踪卡尔曼滤波算法。经仿真验证,在模型不准确和状态突变情况下,强跟踪卡尔曼滤波的最大估计误差为2%,而扩展卡尔曼滤波最大误差为4.5%;在SOC初始误差较大情况下,强跟踪卡尔曼滤波在15 s内收敛至真值,而扩展卡尔曼滤波在40 s时收敛至真值。     

不同温度下锂电池剩余电量估算的仿真研究

为提高动力锂电池在使用过程中剩余电量的估算精度,以满足电池管理系统对电池监控的要求,提出一种适用于不同温度的动力锂电池SOC估计方法。首先通过分析对比从控制算法模型中选择了2阶等效电路模型,并依据多温度点实验结果进行电池参数拟合,建立基于温度的电池参数模型。接着根据改进的扩展卡尔曼滤波算法,建立SOC估算模型。最后按照DST和FUDS循环进行快速控制原型仿真,验证该算法对不同温度的鲁棒性。结果表明,所制定的SOC估计算法,既能抑制电流噪声的干扰,又能在初始SOC值有较大误差的情况下,使估算值迅速收敛于真实值,在整个估算过程中误差保持在0.04以内。     

基于遗忘递推最小二乘与自适应无迹卡尔曼滤波的锂电池SOC估计

针对无迹卡尔曼滤波(UKF)在噪声不确定及工况复杂情况下锂电池荷电状态(SoC)估计精度低的问题,提出基于自适应无迹卡尔曼滤波(AUKF)的估计方法.建立了基于二阶RC等效电路模型的锂电池状态方程,采用遗忘递推最小二乘(FFRLS)参数辨识方法,将Sage-Husa自适应滤波算法与UKF相结合对系统噪声协方差进行实时更...     

三元锂电池荷电状态估计的传感器误差影响CSCD

锂电池荷电状态(SOC)的准确估计是电池管理系统的关键技术,为了解析传感器误差对SOC估计精度的影响,以二阶RC等效电路模型为基础,运用遗传算法进行参数辨识,采用扩展Kalman滤波算法进行SOC估计,分析电压、电流传感器存在的漂移和白噪声对SOC估计的影响。结果表明:电压、电流传感器的漂移与SOC估计误差的均值近似呈线性关系,电压、电流传感器存在的白噪声对SOC估计误差的均值无影响;对于实验中的三元锂离子电池,若使SOC估计精度在5%以内,电压的偏差值应控制在10 m V以内、电流偏差值应在1/30 C以内。     

基于模型融合与自适应无迹卡尔曼滤波算法的锂离子电池SOC估计

为提高电动汽车动力电池SOC的估计精度,本文中对锂离子电池模型与参数辨识算法、自适应无迹卡尔曼滤波(AUKF)算法和基于电池模型融合的SOC估计算法进行研究。建立了具有明确物理意义的电池电路模型,采用基于遗传算法(GA)的模型参数辨识算法,设计了基于AUKF的电池SOC估计方法,并基于贝叶斯信息准则,提出了电池模型融合方法,实现了基于模型融合与AUKF的电池SOC估计。仿真结果验证了该方法具有较高的精度。     

基于动态优选遗忘因子最小二乘在线辨识的磷酸铁锂电池SOC估算

为提高行驶中电动汽车的动力电池荷电状态(SOC)估算精度,以磷酸铁锂电池为例,提出了一种基于粒子群优选遗忘因子最小二乘(PSO-FFRLS)在线辨识模型的电池SOC估算方法。首先建立电池二阶等效电路模型,然后运用粒子群优化(PSO)算法实时为遗忘因子递推最小二乘法(FFRLS)优选最佳遗忘因子,最后,在动态工况下,对比了常用定遗忘因子最小二乘和PSO-FFRLS的在线辨识端电压误差,并分别与扩展卡尔曼滤波(EKF)算法联合,对比2种方法的估算效果。结果表明,PSO-FFRLS的端电压在线辨识结果能更好地跟随实测电压且误差极小,其与EKF的联合算法对SOC的估算精度也更高。     

考虑迟滞特性的卡尔曼滤波和门控循环单元神经网络的锂离子电池SOC联合估计

由于迟滞特性的存在，电池管理系统难以准确获得开路电压（OCV）与荷电状态（SOC）之间的状态关系。为有效地运行和管理动力电池，本文研究了考虑迟滞特性的锂离子电池模型，选用带有遗忘因子的递推最小二乘法进行参数在线辨识。提出了一种联合门控循环单元（GRU）神经网络和自适应扩展卡尔曼滤波（AEKF）的SOC估计，分别以AEKF和GRU神经网络的估计结果为模型值和测量值，通过卡尔曼滤波（KF）得到最终的SOC估计结果，并作为下一时刻AEKF的输入。结果表明，常温环境下考虑迟滞特性的模型对端电压预测及联合估计法对SOC估计的均方根误差（RMSE）分别在0.5 mV和0.64%以内；低温及变温环境下端电压预测及SOC估计的RMSE分别在0.9 mV和0.72%以内。考虑迟滞特性的模型及联合估计法具有良好的精度和鲁棒性。     

基于随机加权自适应容积卡尔曼的电池SOC估计

准确估计锂离子电池荷电状态（SOC）对于突破电动汽车发展瓶颈，推动电动汽车商业化至关重要。针对动力电池模型参数辨识问题，提出基于遗忘因子的递推最小二乘法（FRLS）的模型参数在线识别方法。实时测量动力电池电流和电压数据，在线辨识模型参数并实时更新，实时反映电池内部参数的变化过程，对电池动态特性进行实时模拟。针对容积卡尔曼（CKF）滤波过程中对噪声敏感的问题，提出一种基于随机加权思想的自适应容积卡尔曼滤波（ARWCKF）方法。相比于常规CKF容积点权值始终不变，通过引入随机加权因子，自适应调整容积点权值并对系统噪声、状态向量及观测向量进行预测，抑制系统噪声对状态估计的干扰，避免因容积点权重值固定所带来的误差。针对CKF算法在容积点计算过程中由于状态方差矩阵失去正定性导致的平方根分解无法使用的问题，提出基于奇异值分解的容积点计算方法，克服由于先验协方差矩阵负定性变化而导致的滤波精度下降等问题，并进行多种工况、温度下不同SOC初值的对比验证。结果表明：所提出的基于遗忘因子的递推最小二乘法的在线参数辨识及ARWCKF滤波方法具备良好的估计精度及收敛能力，最大电压估计误差不超过40 mV，SOC估计误差不超过1%。     

基于加权自适应递推最小二乘法与EKF的锂离子电池SOC估计

为了实现锂离子电池荷电状态(SOC)的精确估计,建立锂离子电池的二阶等效模型,提出基于加权自适应递推最小二乘法与扩展卡尔曼滤波(ARWEKF)的锂离子电池SOC估计方法。通过静态和动态工况下的仿真和试验进行验证,结果表明:ARWEKF算法的估计精度高于扩展卡尔曼滤波(EKF)算法和基于遗忘因子的递推最小二乘法(FFRLS),其模拟仿真的最大绝对误差为1.36%,均方根误差为0.42%,静态工况试验下的AE为0.67%,RMSE为0.21%,动态工况试验下的AE为1.86%,RMSE为0.56%。     

基于电池能量状态估计和车辆能耗预测的电动汽车续驶里程估计方法研究

本文中提出一种基于动力电池能量状态估计和车辆能耗预测的续驶里程估计模型。电池能量状态估计采用电池状态模型估计电池剩余的可用能量,分析了不同因素的影响。利用纯电动车测试数据,基于递推最小二乘算法辨识车辆能耗参数,结合行驶工况预测汽车能耗,进而计算续驶里程。与传统的续驶里程估计方法相比,基于电池能量状态估计和整车能耗预测的续驶里程估计模型的精度有较大提高。     

基于改进无迹卡尔曼滤波的电池SOC估计

针对电池SOC初值误差较大时,无迹卡尔曼滤波收敛较慢的问题,本文提出了改进的无迹卡尔曼滤波算法。介绍了3种常用的电池等效电路模型,通过对电池的EIS分析,确立了磷酸铁锂电池的Thevenin模型并辨识了模型参数。分析出无迹卡尔曼滤波在初值误差较大时收敛较慢的问题,在此基础上提出了改进的无迹卡尔曼滤波算法。通过实验可以看出,改进算法不仅克服了无迹卡尔曼滤波收敛速度慢的问题,而且提高了估计精度;使用改进算法对老化过程中的电池进行SOC估计,最大估计误差在4%以内,可以满足电动汽车的使用要求。