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...     

基于自适应无迹卡尔曼滤波的汽车状态参数估计

针对车辆状态参数估计过程中过程噪声和测量噪声的不确定性,提出一种基于自适应无迹卡尔曼滤波的车辆状态参数估计算法.建立包括纵向、横向和横摆3个自由度的车辆动力学模型,基于无迹卡尔曼滤波理论建立自适应无迹卡尔曼滤波估计模型,最后搭建MATLAB/Simu-link-Carsim联合仿真平台对提出的算法进行仿真验证.结果表明...     

基于BP-EKF算法的电池SOC估计

介绍了几种常用的电池等效模型,通过试验选择了适用于磷酸铁锂电池的Thevenin模型并辨识了模型参数;分析了EKF算法和BP神经网络原理,提出了BP-EKF算法,使用BP神经网络的自学习能力和逼近能力,优化和补偿EKF算法的非线性误差,同时降低了等效模型的精度要求;使用UDDS电流模拟汽车行驶电流设计了仿真试验,同时使用BP-EKF算法和EKF算法对数据进行处理,结果表明,当SOC初值误差较大时,BP-EKF算法可在300 s内接近理论值,且其收敛精度比EKF算法提高了70%以上。     

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。     

基于无迹卡尔曼滤波与遗传算法相结合的车辆状态估计

针对汽车状态估计中过程噪声和量测噪声统计特性不确定的状况,通过UKF算法与遗传算法相结合,提出一种新的自适应滤波算法,以降低噪声对估计结果的干扰。为达到较高的精度,建立了7自由度非线性车辆动力学模型,结合"魔术公式"轮胎模型对汽车行驶过程中的纵、侧向速度、轮胎力和质心侧偏角分别进行了估计。在利用UKF对汽车状态参数进行估计的同时,引入遗传算法,根据适应度函数对过程噪声和量测噪声进行寻优,实现了噪声的自适应作用,估计精度大幅提高。仿真和道路模拟试验的结果表明,UKF结合遗传算法的方法,能提高估计精度且具有很好的抗干扰性。     

基于改进扩展卡尔曼滤波算法的SOC估算

在电动车、储能系统和移动设备等领域中,电池管理系统是保障电池组性能和安全性的关键技术之一,而电池荷电状态（SOC）估算是其重要的组成部分。文章重点针对18650型号的磷酸铁锂电池（单体电池）SOC估算展开研究和设计,首先选择双阶远程控制（RC）模型作为电池模型,通过电池容量标定实验、开路电压（OCV）-SOC标定实验、混合功率脉冲特性（HPPC）实验确定了双阶RC模型的各个动态参数,在MATLAB/Simulink中搭建动力电池仿真模型,验证了所选模型的可靠性。然后,为了解决单体电池SOC估算精度和成本等问题,以扩展卡尔曼滤波（EKF）算法为基础提出了一种改进方法,即在预测第k个时间步的误差协方差矩阵时,引入了时变渐消因子,在更新方差Q和R时引入自适应分子。最后,通过不同循环工况对提出的算法进行仿真分析,结果显示,提出的算法提升了SOC估算的精度,实用性强。     

基于无迹卡尔曼滤波和门控循环单元的道路坡度估计

针对外接激光雷达等传感器普适性差,而传统道路坡度估计方法仅根据车载CAN总线数据在车辆起步、换挡、制动和停车4种特殊工况中的估计误差较大的问题,提出了一种基于无迹卡尔曼滤波（UKF）和门控循环单元（GRU）的道路坡度估计方法。根据车速等数据识别工况,在非特殊工况下,建立车辆动力学模型并采用UKF来估计坡度;在特殊工况下,将规律性不稳定的时序坡度转换为距序坡度,并利用GRU进行短距坡度预测。仿真和实车试验结果表明：在非特殊工况下,该方法通过UKF可准确估计道路坡度;在特殊工况下,该方法通过GRU可有效跟踪距序坡度变化趋势,显著提高了道路坡度估计精度。     

基于无迹Kalman滤波算法的电池内部温度估计

为实时监测车用锂离子动力电池内部温度,提高电池性能,提出了一种非线性无迹Kalman滤波(UKF)估计算法。对某一2.6 Ah三元单体锂离子电池,建立等效可变参数热模型;用状态方程分析法,建立电池内部外部温度的关联并离散化;用递推最小二乘法(RLS)辨识热模型中时间、表面温度、环境温度、输入电流4种热参数,实时更新系统状态与观测方程的参数矩阵,结合UKF算法,实现电池内部温度估计。通过Matlab搭建仿真模型,用混合动力脉冲能力特性(HPPC)、动态应力测试(DST)以及恒流3种工况,来验证算法精度。结果表明：对于这3种工况,该UKF算法均可在1℃内估计电池内部温度。     

基于指数加权衰减记忆无迹卡尔曼滤波的路面附着系数估计

针对车辆主动安全控制中路面附着系数这一关键信息,提出一种指数加权衰减记忆无迹卡尔曼滤波(FMUKF)估计算法。该算法在传统无迹卡尔曼滤波(UKF)的基础上,利用衰减记忆滤波来解决由于模型不准确造成的滤波误差过大甚至发散等问题。利用Car Sim和MATLAB/Simulink对算法进行了联合仿真和实车道路试验,并与传统UKF算法的估计结果进行对比分析。结果表明,该算法增强了滤波的稳定性、提高了算法的估计精度,且具有一定的自适应性。     

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%。     

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。     

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。     

基于安时积分法的电池SOC估算

安时积分法是蓄电池荷电状态估算过程中常用的方法,但是,安时积分法不能估算初始荷电状态,难于准确测量库伦效率和电池可用容量变化的问题。基于此问题,文章结合传统的开路电压法和负载电压法,对安时积分法估算蓄电池SOC的不足进行补偿,解决了安时积分法的缺陷。能够实时估算电池的荷电状态,并对估算过程中的不足通过负载电压法进行修正。结果表明,这种算法能得到了比较精确的估算效果。