共查询到20条相似文献,搜索用时 437 毫秒
1.
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%。 相似文献
2.
3.
4.
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。 相似文献
5.
6.
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。 相似文献
7.
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%。 相似文献
8.
9.
10.
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。 相似文献
11.
12.
13.
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。 相似文献
14.
15.
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。 相似文献
16.
17.
18.
为了减小长期自动驾驶过程中制动性能下降带来的影响,提出了一种驾驶机器人车辆动态制动力矩补偿方法。首先建立了以车速和制动踏板力为输入,制动力矩为输出的驾驶机器人车辆制动性能离线自学习模型。然后考虑到驾驶机器人车辆长期自动驾驶导致离线自学习模型可靠性下降,建立了以车速和制动踏板力为输入,制动力矩为输出的扩展自回归在线辨识模型,并采用模糊变遗忘因子递推最小二乘法进行参数辨识。模糊变遗忘因子递推最小二乘法通过引入遗忘因子的方式,对数据施加时变加权系数,以避免出现数据增长导致的数据饱和现象。模糊变遗忘因子控制器以制动力矩辨识误差为输入,经模糊规则推理实时输出合适的遗忘因子进行参数辨识,能够有效均衡驾驶机器人车辆制动性能参数辨识的稳定性与收敛速度。驾驶机器人车辆自动驾驶过程中,根据当前车速与目标车速的大小计算出所需的制动力矩,加上反馈回来的制动力矩误差,并结合当前时刻的车速,利用制动性能离线自学习模型与机械腿逆向运动学模型实时计算出制动电机输出位移量,实现对驾驶机器人车辆制动力矩的在线补偿。仿真与试验结果表明:利用所提出的方法对车辆动态制动力矩进行辨识时,通过调节遗忘因子,辨识结果能够快速收敛且辨识误差较小。在此基础上,控制驾驶机器人车辆进行纵向车速跟踪时,能够有效减小制动性能下降造成的影响,保证控制车速跟踪误差在±1km·h-1之内。 相似文献
19.
20.
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。 相似文献