针对锂电池荷电状态(State Of Charge,SOC)估计时常用的整数阶等效电路模型无法精准反映电池极化反应和提高在噪声干扰下全生命周期SOC的估计准确度问题,在二阶RC等效电路模型的基础上建立分数阶模型,并采用遗传(GA)算法对其进行参数辨...针对锂电池荷电状态(State Of Charge,SOC)估计时常用的整数阶等效电路模型无法精准反映电池极化反应和提高在噪声干扰下全生命周期SOC的估计准确度问题,在二阶RC等效电路模型的基础上建立分数阶模型,并采用遗传(GA)算法对其进行参数辨识,从而增强参数辨识的鲁棒性。最后在传统的无迹卡尔曼滤波(Unscented Kalman Filter,UKF)算法的基础上引入了多新息理论,提出了一种基于分数阶多新息无迹卡尔曼滤波(Fractional Order Multi Innovation Unscented Kalman Filtering,FOMIUKF)算法来实现对锂电池SOC的实时估计,最后通过搭建仿真模型验证了基于GA分数阶锂电池等效模型的准确性和可靠性,并进行了基于分数阶无迹卡尔曼滤波(Fractional Order Unscented Kalman Filtering,FOUKF)算法、FOMIUKF算法的锂电池SOC估计对比分析,发现FOMIUKF算法估计准确度更高,其估计误差仅为1%。展开更多
准确估计蓄电池荷电状态(state of charge,SOC)对于蓄电池的健康管理具有重要意义。现有SOC估算方法普遍存在复杂性高、自适应较弱的问题,更偏重于理论分析,难以满足实际在线监测的应用场景。为提高SOC估算过程的自适应性以及降低算法...准确估计蓄电池荷电状态(state of charge,SOC)对于蓄电池的健康管理具有重要意义。现有SOC估算方法普遍存在复杂性高、自适应较弱的问题,更偏重于理论分析,难以满足实际在线监测的应用场景。为提高SOC估算过程的自适应性以及降低算法应用的复杂性,提出了一种适用于在线监测应用场景的基于蜣螂优化算法和自适应无迹卡尔曼滤波的SOC估计算法。将二阶Thevenin等效电路作为蓄电池的模型,利用蜣螂优化算法对该模型的关键参数进行自适应辨识,根据所辨识的参数,利用自适应无迹卡尔曼滤波算法对SOC进行估算。为了验证该算法的有效性,利用锂离子电池不同动态工况的实验数据进行了测试。实验结果表明,在初始参数设置模糊或不准确的情况下,该算法依然能够自适应地获取精度更高的SOC估计结果,具有更好的鲁棒性。展开更多
在充电式混合动力电动汽车(plug-in hybrid electric vehicle,PHEV)和电动汽车(electric vehicle,EV)中,对电池进行精确、可靠的荷电状态估计(state of charge,SOC)非常重要。传统估计方法存在计算量大、估计不精确等缺点,提出一种平方...在充电式混合动力电动汽车(plug-in hybrid electric vehicle,PHEV)和电动汽车(electric vehicle,EV)中,对电池进行精确、可靠的荷电状态估计(state of charge,SOC)非常重要。传统估计方法存在计算量大、估计不精确等缺点,提出一种平方根无迹卡尔曼滤波(square root unscented Kalman filter,SRUKF)算法对SOC进行实时估计及更新。利用无迹变换(unscented transformation,UT)精确估计系统方程的均值和协方差,使估算值达到二阶精度。利用平方根算法保证状态协方差的半正定性,提高数字计算的稳定性。通过实验对比,验证了该算法的有效性。结果表明,该方法可使状态估计值具有较小的误差和快速跟随性,满足了SOC估计的实际需求。展开更多
文摘针对锂电池荷电状态(State Of Charge,SOC)估计时常用的整数阶等效电路模型无法精准反映电池极化反应和提高在噪声干扰下全生命周期SOC的估计准确度问题,在二阶RC等效电路模型的基础上建立分数阶模型,并采用遗传(GA)算法对其进行参数辨识,从而增强参数辨识的鲁棒性。最后在传统的无迹卡尔曼滤波(Unscented Kalman Filter,UKF)算法的基础上引入了多新息理论,提出了一种基于分数阶多新息无迹卡尔曼滤波(Fractional Order Multi Innovation Unscented Kalman Filtering,FOMIUKF)算法来实现对锂电池SOC的实时估计,最后通过搭建仿真模型验证了基于GA分数阶锂电池等效模型的准确性和可靠性,并进行了基于分数阶无迹卡尔曼滤波(Fractional Order Unscented Kalman Filtering,FOUKF)算法、FOMIUKF算法的锂电池SOC估计对比分析,发现FOMIUKF算法估计准确度更高,其估计误差仅为1%。
文摘准确估计蓄电池荷电状态(state of charge,SOC)对于蓄电池的健康管理具有重要意义。现有SOC估算方法普遍存在复杂性高、自适应较弱的问题,更偏重于理论分析,难以满足实际在线监测的应用场景。为提高SOC估算过程的自适应性以及降低算法应用的复杂性,提出了一种适用于在线监测应用场景的基于蜣螂优化算法和自适应无迹卡尔曼滤波的SOC估计算法。将二阶Thevenin等效电路作为蓄电池的模型,利用蜣螂优化算法对该模型的关键参数进行自适应辨识,根据所辨识的参数,利用自适应无迹卡尔曼滤波算法对SOC进行估算。为了验证该算法的有效性,利用锂离子电池不同动态工况的实验数据进行了测试。实验结果表明,在初始参数设置模糊或不准确的情况下,该算法依然能够自适应地获取精度更高的SOC估计结果,具有更好的鲁棒性。
