在动力电池荷电状态(state of charge,SOC)预测方法中,针对安时积分法存在累计误差、拓展卡尔曼滤波算法估计结果发散等问题,本文提出了基于交互多模型无迹卡尔曼滤波(IMM-UKF)算法的SOC估计策略。首先建立二阶RC电池等效模型,利用含有...在动力电池荷电状态(state of charge,SOC)预测方法中,针对安时积分法存在累计误差、拓展卡尔曼滤波算法估计结果发散等问题,本文提出了基于交互多模型无迹卡尔曼滤波(IMM-UKF)算法的SOC估计策略。首先建立二阶RC电池等效模型,利用含有遗忘因子的递推最小二乘法在线辨识电池等效模型参数,考虑电池在不同倍率状态下放电引起电池实际容量的变化和传感器的噪声,通过建立大电流、中电流、小电流3个不同参数的电池模型,然后研究三个模型之间马尔科夫链,根据先验信息确定各模型之间的转移概率和模型概率,最后搭建Matlab仿真模型,其实验结果表明IMM-UKF估计平均误差在1%以内,算法的自适应性增强,预测精度提高,较目前主流的预测方法有更好地预测效果。展开更多
针对纯电动汽车动力电池健康状态(state of health,SOH)预测中非线性影响因素多、算法繁杂、难以在单片机开发平台中实现等难点,首先利用累计充电循环次数计量法得到使用循环次数,将SOH与使用循环次数、内阻变化量、电压降值的相关非线...针对纯电动汽车动力电池健康状态(state of health,SOH)预测中非线性影响因素多、算法繁杂、难以在单片机开发平台中实现等难点,首先利用累计充电循环次数计量法得到使用循环次数,将SOH与使用循环次数、内阻变化量、电压降值的相关非线性关系转换成离散的二维数据表,依据使用条件,采用二分查表法获得不同估计方法下SOH值;再将使用循环次数、电压降值和内阻变化量作为输入量,以相应SOH的权重作为输出,利用T-S模糊控制建立SOH动态预测模型,根据权重和边界条件计算得到SOH.仿真结果表明,所提方法最大预测误差4.3%,响应时间55ms内,预测效果比现有方法显著提高.展开更多
文摘在动力电池荷电状态(state of charge,SOC)预测方法中,针对安时积分法存在累计误差、拓展卡尔曼滤波算法估计结果发散等问题,本文提出了基于交互多模型无迹卡尔曼滤波(IMM-UKF)算法的SOC估计策略。首先建立二阶RC电池等效模型,利用含有遗忘因子的递推最小二乘法在线辨识电池等效模型参数,考虑电池在不同倍率状态下放电引起电池实际容量的变化和传感器的噪声,通过建立大电流、中电流、小电流3个不同参数的电池模型,然后研究三个模型之间马尔科夫链,根据先验信息确定各模型之间的转移概率和模型概率,最后搭建Matlab仿真模型,其实验结果表明IMM-UKF估计平均误差在1%以内,算法的自适应性增强,预测精度提高,较目前主流的预测方法有更好地预测效果。
文摘针对纯电动汽车动力电池健康状态(state of health,SOH)预测中非线性影响因素多、算法繁杂、难以在单片机开发平台中实现等难点,首先利用累计充电循环次数计量法得到使用循环次数,将SOH与使用循环次数、内阻变化量、电压降值的相关非线性关系转换成离散的二维数据表,依据使用条件,采用二分查表法获得不同估计方法下SOH值;再将使用循环次数、电压降值和内阻变化量作为输入量,以相应SOH的权重作为输出,利用T-S模糊控制建立SOH动态预测模型,根据权重和边界条件计算得到SOH.仿真结果表明,所提方法最大预测误差4.3%,响应时间55ms内,预测效果比现有方法显著提高.
