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。     

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。     

动力锂电池SOC估算方法综述

由于动力电池内部状态不可以直接测量,只能通过内阻、电流等参数来估计,所以状态估计是电池管理与控制中的重点和难点。准确估计电池的SOC(State of charge)不仅可以节约成本,还对电池的使用寿命有延长的功效,具有重要现实意义。本文对动力锂电池SOC估算方法进行综述,首先从SOC的定义入手,其次分析了影响SOC估算的因素,重点比较了常用的SOC估算方法,分析了各方法的优缺点,最后对其进行了总结。     

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。     

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%。     

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。     

基于安时法的锂离子电池SOC估计实时校正方法CSCD

为减少工业常用荷电状态(SOC)估计方法——安时法的累积误差,提出一种实时校正的锂离子电池SOC估计方法。在0~60℃,放电倍率1 C、2 C、3 C和0.33 C下,进行锂离子电池放电实验,测量了电压、电流、温度,建立了锂离子电池放电数据库。从该库获取上述放电温度、放电倍率范围,SOC值为20%、80%时的开路电压,以此两点引入一条关于电压与SOC的直线。以该直线上某点电压所对应SOC作为修正项,并引入修正因子α,来校正安时法所得剩余电量SOC估计值。与实验值对比,该SOC估计结果的误差小于4%,符合工业需求。     

基于稀疏采样数据的电动公交车电池SOC预测方法研究

为提高电动公交车电池SOC预测的精度,基于某电池监控云平台电池数据库中存储的以30 s为采样周期的稀疏采样的电池运行数据,对电动公交车电池SOC预测方法进行了研究。首先,介绍了稀疏采样数据源,分析了电动公交车动力电池的运行过程及其SOC变化的影响因素。选取了当前电池组的总电压、电流、电池模组温度均值及前一时刻SOC值作为预测变量,而选择当前电池组SOC作为输出变量,构建了训练数据集与测试数据集。然后,采用支持向量机(SVM)算法进行训练,并使用贝叶斯优化算法寻找SVM的最优超参数组合,提出了基于稀疏采样数据的电动公交车电池SOC单步预测方法。接着通过对训练数据集的再划分,进一步提出了基于稀疏采样数据的电动公交车SOC自主预测方法,摆脱了在SOC长期预测过程中对于BMS估计的真实SOC值的依赖。试验结果表明,SOC单步预测方法的最大绝对误差仅为1.82%,SOC自主预测方法的最大绝对误差也只有5.89%,都具有较高的预测精度。根据在不同运行路线和不同环境温度下的试验结果,SOC预测模型具有较高的鲁棒性。     

电动汽车用NiMH电池建模及基于状态空间的SOC预测方法

电动汽车的电池管理系统需要精确、可靠的电池荷电状态(SOC)预测器。针对氢镍(NiMH)电池，提出了一种集总参数等效电路模型，介绍了通过实验获得电池参数的方法。该模型考虑了温度对电池参数的影响，能反映电池充放电的动态过程。文中用状态空间描述了R—C电池模型，在此基础上建立了一种新的基于状态空间的SOC递推算法，并对电池的充放电过程进行了仿真计算。分析表明，提出的SOC估计方法同样可用于其它类型的动力电池。     

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。     

基于大数据的车用动力电池开路电压估计方法研究

开路电压是电动汽车动力电池的重要参数之一,对电池电量(SOC)参数的估计具有关键作用。然而,在电动汽车实际使用过程中,动力电池的稳定开路电压状态却往往很难得到。传统的试验获取开路电压的方法难以满足动力电池复杂的实际工况条件。为准确获取实车动力电池的开路电压值,通过大数据分析电动汽车在充电完成状态及下次启动状态的动力电池电压状况,利用随机森林回归(RFR)算法预测动力电池电压变化特性,实现了对充电完成状态的开路电压预估,估计精度可以达到87%,为SOC标定、电池等效电路参数辨识和SOH估计工作实现奠定了基础。     

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。     

电动汽车动力电池SOC估计算法分析

电池荷电状态(SOC)值是电池状态的一个关键指标,它是多项控制策略的前提。SOC不是直接测量获得,可以用其它间接方式来估计。文章简要介绍了SOC的定义及其影响因素,简述了几种常用的SOC估算方法,并对各种方法的优缺点和适用场合比较分析,对SOC估算方法进行了展望。     

纯电动汽车动力锂电池SOC估计策略综述

电池管理系统(BMS)采用了防止电池过放电和过充,提供电池均衡控制,能够实现新能源汽车动力锂电池的最佳利用和保护。电池管理系统实时精准估算电池电荷状态(SOC)是提高电动汽车续航里程和延长寿命的关键。然而,SOC不能直接测量,动力电池的充、放电又是一个复杂过程,导致目前现有的SOC估算策略很难精确地估算出实时在线SOC值。因此,如何提高SOC估算精度是当下BMS领域的研究热点。本文通过对各种SOC估算方法进行文献综述,分析和总结各个SOC估算方法的原理及优缺点,提出SOC估计策略未来发展趋势。     

单电机混合动力汽车最优线控制策略研究

针对一款新型的单电机混合动力汽车,首先按照发动机最低燃油消耗曲线、发动机外特性曲线、电机外特性曲线以及电池SOC的高低进行工作模式的划分;其次采用人工鱼群算法对关键门限值参数(电池SOC工作的上下限值以及围绕最低燃油消耗曲线上限波动值)进行优化;最后制定出最优线控制策略,并与恒温箱控制策略和功率跟随策略进行了仿真比较。     

汽车蓄电池系统模型及其验证（二）

(续本刊上期)2.2.3SOC的计算①SOC的计算可以通过计算SOC变化量来得到,积分得到SOC值。下式用电池自身物理参数来计算SOC变化速度。     

锂离子电池剩余容量估计与优化分析

锂离子电池剩余容量估计是电动汽车电池管理系统核心技术之一。利用支持向量回归(Support Vector Regression,SVR)进行锂离子电池剩余容量的估计,其参数的选择直接决定着支持向量回归的性能。提出利用粒子群算法(Particle Swarm Optimization,PSO)和遗传算法(Genetic Algorithm,GA)对支持向量机进行参数寻优,进行锂电池剩余容量估计分析及优化参数分析;并与基于网格搜索法(Grid Search,GS)的支持向量机和标准支持向量机估计结果作对比。结果表明,GASVR和PSO-SVR均能进行高精度的锂电池剩余容量估计,尤以遗传算法优化性能最佳。     

基于HPSO-BP神经网络融合的锂电池SOC预估研究

为实现锂离子电池荷电状态(SOC)的高精度预测,采用混合粒子群(HPSO)与BP神经网络相结合的联合优化算法,通过优化神经网络的初始权值和阈值克服了种群易陷入局部极小的缺点,加快了收敛速度,减小了SOC预估的误差,通过分析磷酸铁锂(LiFePO4)电池充、放电机理,将电池电压、电流、内阻和温度作为SOC的影响因子。MATLAB仿真结果表明,HPSO-BP神经网络算法的预测精度和收敛速度较传统BP神经网络算法更优。