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%。     

一种电动汽车上超级电容性控制器的设计

提出了一种利用超级电容实现电动汽车再生制动能量回收的方法，对电动汽车再生制动中使用的储能装置——超级电容的控制系统进行了研究。介绍了一种基于CAN总线的DC—DC控制器的主回路拓扑结构及其控制策略，并详细说明了系统的软硬件设计。     

考虑老化的电动汽车退役锂电池SOC在线估计

为提高电动汽车退役锂电池在梯次利用中的安全性,需要准确及时获取退役电池在使用过程中的荷电状态（SOC）参数值。由于退役电池不断老化会引起容量较快衰减,严重影响SOC参数的估计精度,所以文章提出了一种考虑退役锂电池容量衰减的SOC在线估计方法。经过混合脉冲功率（HPPC）和动态应力测试（DST）循环工况的试验测试,证明了所提方法能够在不同使用工况下准确和实时估计退役锂电池的SOC,并且最大估计误差均小于2%。     

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。     

基于小波变换-模糊控制的复合电源能量管理

以锂电池-超级电容构成的复合电源电动汽车为研究对象,在满足动力性能的前提下,为实现超级电容在合理的荷电状态（SOC）下承担高频率信号,且锂电池承担低频率信号的目标,建立了实时小波变换-模糊控制的能量管理控制策略。基于Matlab/Simulink和ADVISOR软件搭建整车模型,并在NEDC循环工况下进行仿真测试。仿真结果表明,与单一锂电池相比,在小波变换-模糊控制策略下,复合电源锂电池的驱动峰值电流降低了20.68%,寿命提高了16.74%。搭建了按一定比例缩小的复合电源系统试验平台,并在NEDC工况下进行试验验证。结果表明,小波变换-模糊控制策略对复合电源电动汽车的能量管理具有良好的控制效果。     

纯电动汽车复合电源系统控制的仿真研究

基于Advisor2002在Matlab/Simulink环境下搭建复合电源纯电动汽车仿真模型,分别设计了基于模糊控制和模糊神经网络的复合电源的功率分配策略,分别在CYC-ECE和CYC-UDDS道路循环工况下进行仿真。仿真结果表明,复合电源中蓄电池的放电电流明显减小,SOC变化减缓,增加了汽车的续驶里程,验证了复合电源的优越性;基于模糊神经网络的功率分配策略能更好的实现功率分配,超级电容能更好地发挥主动调节作用。     

一种电动汽车上超级电容控制器的设计

提出了一种利用超级电容实现电动汽车再生制动能量回收的方法,对电动汽车再生制动中使用的储能装置——超级电容的控制系统进行了研究。介绍了一种基于CAN总线的DC-DC控制器的主回路拓扑结构及其控制策略,并详细说明了系统的软硬件设计。     

串联式复合电源再生制动系统恒流控制

再生制动技术可以有效回收车辆制动能量，是提高电动汽车续驶里程的重要途径，超级电容具有高功率密度、高效率的特点，利用蓄电池-超级电容组成的复合电源作为电动汽车的储能装置可以改善电池工作状态，提高电池寿命及可靠性，并提高能量回收率。目前使用复合电源（蓄电池-超级电容）进行再生制动的电动汽车多采用并联形式，针对此类状况，基于无源串联复合电源结构设计其再生制动系统，其主要由电机、超级电容组、整流桥和控制器组成。在控制策略上，采用电压反馈恒定电流制动方式，基于脉冲宽度调制（PWM）控制，在制动过程中根据电动汽车车速与超级电容端电压实时调节PWM的占空比以实现目标制动电流恒定。在MATLAB/Simulink平台上建立再生制动系统仿真模型，验证所提控制策略的有效性，并利用某电动汽车对所设计系统进行滑行、制动等试验。研究结果表明：相比有源并联式复合电源，该系统不需要DC/DC转换器，结构及控制简单，该系统能够较好地实现制动能量回收，所采用的控制策略能够有效地实现恒电流制动，电制动减速度稳定，同时具有较高的能量回收率。     

模糊PID控制的电动汽车再生制动系统变换器的研究

提出了利用超级电容作为储能元件实现电动汽车再生制动的能量回收方案,分析了电动汽车控制系统的双向DC/DC变换器和电机驱动器的驱动降压电路、制动升压电路,设计了该控制系统的模糊自整定PID控制器。通过仿真研究表明,在车辆驱动降压变换时,模糊自整定PID控制的超级电容器在150 A左右的大电流放电情况下,超级电容仍能维持2.5 s的指定电压输出,车辆在额定功率下工作,通过降压变换,超级电容储存的能量迅速供给电机,有效提高了驱动电流,改善了起动及加速性能,有效增加了续驶里程。在制动升压变换时,模糊自整定PID控制的超级电容器电流基本跟随指令值上下波动,超级电容电压从120 V不断上升,使得该电容器的储能能力得到充分利用,实现了高水平的能量回收。     

融合工况识别的增程式电动汽车模糊能量管理策略研究

针对模糊能量管理策略设计仅依赖专家经验很难适应复杂工况的问题，本研究提出了一种基于神经网络工况识别的增程式电动汽车模糊能量管理策略。首先，基于中国货车行驶工况（CHTC-HT）数据，利用改进遗传算法优化的BP神经网络构建工况识别模型；其次，根据所识别的工况类型，融合电池SOC及整车需求功率参数，设计了自适应模糊能量管理策略，通过实时获取发动机功率输出实现能量优化分配；最后，通过硬件在环测试验证了所提出的方法。结果表明自适应模糊策略油耗相比规则策略降低9.67%，比模糊策略降低7.84%，有效提高了整车经济性。     

复合电源式混合动力公交车功率分配策略研究

利用AVL/Cruise仿真软件建立了复合电源混合动力汽车模型,针对复合电源与单一电池性能的差异,基于模糊控制的思想,在MATLAB/Simulink下设计了整车功率分配策略与电池、超级电容SOC平衡策略,提出了基于车速的超级电容期望SOC平衡方法。通过仿真,验证了控制策略,达到了预期的控制效果。与采用逻辑门限的控制策略相比,电池的使用率降低了85.6%,燃油经济性提升了2%,可在不影响经济性的前提下延长复合电源中的电池寿命。     

基于多模糊控制的电电混合汽车能量管理策略

针对目前锂电池-超级电容复合能源电动汽车在单一模糊控制策略上的不足,提出并设计了多模糊联合控制的能量管理策略。结合实验台架实际参数,在MATLAB环境下搭建整车模型,通过ECE和UDDS工况对模糊方波调节控制策略、功率分配因子模糊控制策略和改进的基于模糊方波调节的联合控制策略对比分析,最后选择效果最优的基于模糊方波调节的联合控制策略嵌入实验台架进行验证。实验结果表明,本文中提出的控制策略在两种测试工况下均可实现锂电池在不同SOC下充放电电流平滑控制在1C以内,有利于锂电池组安全运行并有效降低整车行驶成本。     

城市公交BUS电动汽车超级电容技术的应用与展望

对超级电容的分类及性能进行了分析,并对我国十二五电动汽车科技发展规划、发展新能源汽车、城市公交BUS电动汽车的超级电容的应用必要性进行了论述,展望了电动汽车超级电容技术发展前景。     

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。     

基于自适应卡尔曼滤波的锂离子电池SOC估计

采用自适应卡尔曼滤波方法,基于锂离子动力电池的等效电路模型,在未知干扰噪声环境下,在线估计电动汽车锂离子动力电池荷电状态(SOC)。仿真结果表明,采用自适应卡尔曼滤波方法估计的SOC误差小于2.4%,有效降低了电动汽车行驶时电池管理系统所受到的未知干扰噪声影响,SOC估计精度高于扩展卡尔曼方法,且具有较好的鲁棒性。     

MXene基复合电极材料的构筑及性能研究

超级电容器作为一种新型储能器件，因其优越的功率密度，较高的能量密度被广泛应用于电动汽车、航空航天、电子通信等行业。本文采用原位水热合成的方法创新性地制备了MXene/Ni（OH）2复合材料，并对其作为超级电容器电极材料进行了结构和电化学性能研究。结果表明，复合材料由分层的MXene和覆盖在表面的褶皱Ni（OH）2纳米薄片组成。在1 A/g的电流密度下，MXene/Ni（OH）2的比电容高达1 897.2 F/g，显著高于单一MXene（103.1 F/g）和Ni（OH）2（1 383.3 F/g）的比电容。在8 A/g的电流密度下充放电1 000次后，其初始比电容保持率为92%，表现出优异的循环寿命，具有极大的实际应用潜力。研究发现的MXene和Ni（OH）2的协同作用为MXene基超级电容器电极材料的研究和应用提供了新思路。     

锂离子动力电池SOC估算技术进展综述

本文回顾了电池管理系统（Battery Management System,BMS）在电动汽车和可再生能源领域的关键发展阶段,本文重点讨论了电池剩余能量监测技术,即荷电状态（State of Charge, SOC）估计方法。文章概述了常见的SOC测量方法,包括基于模型法、安时积分法、放电测试法和人工神经网络法等。随着技术和时代的发展,电池管理系统正朝着智能化方向演进,采用更为先进的控制方法以提升系统性能。结合新型互联网+的服务模式,云计算和大数据在BMS中的潜在应用也在快速发展,为BMS和SOC估算带来了新的可能性。从未来发展趋势来看新型电池技术和应用场景的不断发展,将对SOC估算技术提出更高要求。在电动汽车快速发展的大背景下,持续优化和创新电池估算方法以满足各类电池和应用环境的特定需求已成为行业发展的必然趋势。     

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。     

纯电动汽车复合储能系统参数匹配及控制策略

为了解决纯电动汽车用动力电池功率密度低、大电流充放电能力差和循环使用寿命短等问题,以超级电容与动力电池组成的复合储能系统为研究对象,提出了基于典型循环工况的复合储能系统参数匹配优化方法;在满足各循环工况对复合储能系统能量需求与功率需求的前提下,以动力电池容量和超级电容容量为优化变量,对复合储能系统总成本与总质量进行了多目标优化。在此基础上,根据电机需求功率及超级电容荷电状态,以减小动力电池输出电流为目标,制订了基于滤波思想的基本规则控制策略;为更好地适应不同的循环工况,提出了复合模糊控制策略,其中主模糊控制器基于电机功率需求、动力电池荷电状态和超级电容荷电状态得到动力电池输出功率初次分配系数,子模糊控制器根据电机功率需求和超级电容当前荷电状态与其目标值的差值得到动力电池输出功率修正系数,二者协同作用得到动力电池最佳输出功率,并对整车动力性、经济性、动力电池电流和温度特性进行了仿真分析。结果表明:采用所提出的复合储能系统及2种控制方法与单一动力电池的纯电动汽车相比,百公里加速时间分别缩短了6.89%和9.85%,NYCC工况下总能耗分别降低了14.15%和19.08%,动力电池最大电流分别降低了63.4%和65.17%,动力电池温升分别降低了22.87%和61.53%。     

基于蚁狮算法的UKF车辆状态参数估计器

为了准确获取分布式驱动电动汽车状态参数信息，满足车辆稳定性控制系统的需求，提出一种基于蚁狮算法的无迹卡尔曼滤波状态参数估计器。针对无迹卡尔曼滤波（UKF）过程中噪声协方差矩阵的不确定性，采用蚁狮优化算法（ALO）对其进行寻优，并引入奇异值分解（SVD）的方法来维持噪声协方差矩阵的正定性，此外，基于指数加权最小二乘法对车辆侧偏刚度进行辨识并将其作为状态参数估计器输入。基于MATLAB/Simulink和CarSim联合仿真平台，建立分布式驱动电动汽车参数估计模型，分别进行双移线工况和正弦迟滞工况仿真，并基于A&D5435快速原型开发平台进行双移线工况实车试验。仿真与试验结果表明：相比于SVDUKF算法估计结果，双移线仿真工况下，基于ALO-SVDUKF算法估计得到的质心侧偏角和横摆角速度的均方根误差分别降低了55.7%、30.7%，正弦迟滞仿真工况下，均方根误差分别降低了58.1%、85.1%，且在车辆处于极限失稳状态时仍能维持较好的估计效果；双移线试验工况下，横摆角速度的估计值与实际测量值之间的均方根误差仅为0.938 4（°）·s^-1；提出的基于ALO-SVDUKF算法的分布式驱动电动汽车状态参数估计器能够有效提高质心侧偏角和横摆角速度的估计精度，可为车辆稳定性控制提供精确的状态信息。