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%。     

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RLS和UKF算法的锂电池SOC估算研究

电池的荷电状态估计是锂电池管理系统重要的参数之一,在电池能量优化,电池安全及系统可靠性优化方面发挥着重要的作用。文章以二阶Thevenin等效电路作为电池模型,通过递推最小二乘法(RLS)对电池参数进行辨识,采用无迹卡尔曼滤波算法估计电池的SOC(State of charge)。并将估计的结果与试验测量结果进行比较,仿真结果显示,RLS与UKF的联合估计方法可有效估计电池的SOC值,使估算偏差值基本保持在2%以内。     

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。     

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。     

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。     

基于道路工况预测的混合动力汽车自适应等效燃油消耗最小策略

为解决传统自适应等效燃油消耗最小策略(A-ECMS)SOC波动频繁和存在坡度时控制效果不佳的问题,提出基于改进型灰色预测的车速预测算法和基于卡尔曼滤波估计坡度的线性拟合函数的坡度预测算法,实现未来短期道路工况(即车速和道路坡度)的预测,从而提出基于道路工况预测的A-ECMS。仿真结果表明,该算法能很好地预测未来短期道路工况,所提出的能量管理策略相比基于SOC反馈的A-ECMS燃油经济性提高了6.54%,电池SOC更稳定且更好地维持在初始值附近。     

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。     

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。     

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%。     

电动汽车SOC估计算法与电池管理系统的研究

在安时计量方法的基础上,采用基于折算库仑效率的卡尔曼滤波算法估计蓄电池荷电状态(SOC),并将此方法应用于HEV6580混合动力电动汽车镍氢电池管理系统。系统实现的功能包括:数据监测、数据显示、CAN通信、SOC估计、热管理和安全报警。经电池试验台模拟工况试验验证,电池管理系统各子系统达到设计要求且工作稳定。改进SOC估计方法解决了传统安时计量法不能估计初始SOC、难于准确测量库仑效率的问题,为电池管理系统稳定工作提供保证。     

一种改进的动力电池阻抗参数和荷电状态分层在线联合估计方法

传统的电池模型参数和荷电状态SOC联合估计算法通常采用双层架构:一个递推估计器辨识所有模型参数,另一个递推估计器推测SOC。由于待辨识参数较多,该算法往往存在调参麻烦、鲁棒性不高等问题。为解决该问题,本文中提出一种基于3层架构的阻抗参数和SOC在线联合估计算法,将欧姆内阻和极化参数分开辨识,以降低问题的复杂度。另外,通过分析1阶RC模型建模误差的动态特征,引入一个基于1阶惯性环节的集总误差模型,提高了1阶RC模型的精度。两组实车运行工况数据的验证结果表明:所提出算法的鲁棒性比传统算法明显提高,精度也有所提升;25和-20℃工况下的SOC估计误差能分别快速收敛到2%和3%以内。同时,敏感性分析结果表明,该算法对初始误差也具有较好的鲁棒性。     

电动汽车动力电池荷电状态估计

精准可靠的荷电状态估计对电动汽车整车性能有举足轻重的影响,从而成为国内外学者研究的重要方向。文章选取三元锂离子电池作为研究对象,然后介绍了几种荷电状态的估计方法,选择使用模型基础法进行荷电状态的估计,构造一阶Thevenin模型,然后利用充放电实验所得数据和MATLAB里的多项式拟合工具构造得出开路电压-荷电状态（OCV-SOC）的函数对应关系。通过使用最小二乘法来辨识对模型中的参数值可以进行离线辨识,再使用自适应扩展卡尔曼滤波（AEKF）算法来估计锂离子电池的荷电状态。随后进行了动态应力测试（DST）实验,将扩展卡尔曼滤波（EKF）算法与AEKF算法进行荷电状态估计的对比及误差分析,从而对AEKF算法的精确度进行检验。最终通过实验数据可以得出结论,文章介绍的AEKF算法对DST实验工况的荷电状态估计可以保证较满意的精确度,并且此算法不是很复杂,操作性强。     

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。     

基于车辆动力学的道路坡度与整车质量估计

基于动力学方法估计自动变速器坡道换挡控制所需的道路坡度和整车质量。建立7速双离合自动变速器动力学模型,利用卡尔曼滤波算法估计变速器输出轴转矩,将其作为道路坡度和整车质量估计算法的输入。基于整车纵向动力学方程,采用改进型递推最小二乘法设计道路坡度和整车质量实时估计算法。仿真和实车试验结果表明,开发的估计算法能在不增加传感器的前提下实现较为准确的道路坡度和整车质量估计。     

基于模糊-EKF模型的锂离子电池SOC联合估算

以试验数据为基础,建立电动汽车锂离子电池的2-RC等效电路模型,并利用模糊控制联合扩展卡尔曼滤波、安时积分和开路电压等算法建立电池SOC的联合估算模型.实例估算结果表明:该联合估算法最大误差3.12％,精确度高,且能克服单一算法的缺陷.     

基于PNGV改进模型的SOC估计算法

基于磷酸铁锂动力电池改进的PNGV等效电路模型,提出了卡尔曼滤波法结合安时积分法估算电池荷电状态(SOC)的方法。该模型考虑了温度、自放电等因素对模型参数的影响,在Matlab/Simulink中建立了仿真模型,通过对比采用卡尔曼滤波法结合安时积分法和单独采用安时积分法估计得到的电池SOC值,表明PNGV改进模型能真实地反映电池特性,并能在允许的误差范围内准确估计电池的SOC。