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%。     

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。     

基于容量增量分析的石墨负极磷酸铁锂电池SOC估算方法研究

本文中对纯电动汽车用磷酸铁锂电池SOC估算方法进行研究。首先,利用基本的测试手段测得反映电池外特性的充放电电压曲线(V vs Q),并用它求得反映电池电化学特性的容量增量曲线(ΔQ/ΔV vs V)。接着,采用容量增量分析法研究充放电倍率、温度和老化程度对电池性能的影响。最后,建立了电池内部相变阶段的容量增量峰与电池SOC的对应关系,并利用这一关系来估算电池SOC,为电动汽车制定动力电池管理策略提供依据。     

起停系统蓄电池选型及电池传感器开发

阐述AGM（超细玻璃纤维）阀控密封式铅酸蓄电池的选型、标定及传感器的开发.     

电池荷电状态校正算法

荷电状态校正算法主要用于电动汽车仿真程序中,调整蓄电池荷电状态的初值,使仿真结果更接近于汽车的真实性能。在分析荷电状态校正算法的基础上,应用电动汽车仿真软件ADVISOR对一混合动力轿车的实例分别进行了无荷电状态校正算法、线性荷电状态校正算法和零差值荷电状态校正算法的仿真,并且进行了比较和分析,最后对荷电状态校正算法的效果作了综合评价。     

基于转矩分配的并联式混合动力电动轿车能量管理策略研究

提出了基于对驾驶员行驶需求转矩进行实时分配的混合动力电动汽车整车能量管理策略．针对一款双电机结构的并联式混合动力电动轿车的特点，提出以发动机稳态状态下的燃油消耗率特性图为基础，将车辆行驶需求转矩合理地分配给发动机、主电机及ISG，从而实现降低发动机燃油消耗，维持电池SOC平衡的控制目的．按此能量管理策略建立该电动轿车的控制器模型，并将其整体嵌入电动汽车前向仿真软件HEVSim中的相应整车模型中进行仿真测试，仿真结果达到控制要求，证实该能量管理策略具有合理性与可行性。     

双源式无轨电车储能系统设计

介绍了双源式无轨电车的储能系统的基本原理与相关设计要点,特别是根据一种无轨电车运营模式对储能系统容量、储能形式以及能量分配进行了研究,同时在电池箱散热设计中采用了有限元的分析方法,最后通过无轨电车实际运营考核验证了该方法的有效性。     

Plug-in串联式混合动力电动汽车控制策略研究

控制策略直接影响了串联混合动力汽车的燃油经济性、排放性以及车辆的续驶里程。文中基于WG6120HD混合动力城市客车动力系统。综述了蓄电池组SOC的估算方法以及对蓄电池容量的评价,并结合蓄电池组SOC的变化情况,对Plug—in串联式混合动力汽车控制策略进行了分析和研究。     

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...     

基于超声测量及神经网络的锂离子动力电池SOC估算

准确地估算电动汽车动力电池的荷电状态(State of Charge,SOC)对电动汽车的安全驾驶和及时充电至关重要.基于超声测量和神经网络提出一种动力电池SOC估算方法.该方法对动力电池施加一个超声波脉冲,超声信号经过电池后得到反馈脉冲波,并以反馈波形的峰峰值作为神经网络的输入来建立模型,从而对动力电池SOC进行估算...