准确估算并合理利用电池的荷电状态(state of charge,SOC)与健康状态(state of health,SOH)可以延长电池的使用寿命。为了实现准确的SOC-SOH在线估计,在扩展卡尔曼滤波的基础上,采用多尺度并行扩展卡尔曼滤波估计算法(multi-scale doubl...准确估算并合理利用电池的荷电状态(state of charge,SOC)与健康状态(state of health,SOH)可以延长电池的使用寿命。为了实现准确的SOC-SOH在线估计,在扩展卡尔曼滤波的基础上,采用多尺度并行扩展卡尔曼滤波估计算法(multi-scale double extended Kalman filter,MDEKF)提高估计精度。在建立电池2阶RC等效电路模型上,利用最小二乘法对模型参数进行辨识,设计并行结构的滤波器进行电池SOC估计和参数修正,并以电池组容量值作为表征量对SOH进行估算。仿真实验结果表明,SOC估计误差由1.43%降低到1.10%,SOH估计结果稳定在0.5%以内,验证了算法的快速收敛性和实时性。展开更多
锂离子电池具有无记忆效应、轻量化、环保等特点,因此常作为电动交通工具、电子设备的能源来源,并适用于各种规模的能源存储。在锂离子电池管理系统中,电池的荷电状态(state of charge,SOC)是最关键的指标之一,其准确估计对于实现电池...锂离子电池具有无记忆效应、轻量化、环保等特点,因此常作为电动交通工具、电子设备的能源来源,并适用于各种规模的能源存储。在锂离子电池管理系统中,电池的荷电状态(state of charge,SOC)是最关键的指标之一,其准确估计对于实现电池系统的高效能量管理和优化控制至关重要。因此本文提出了一种基于动态噪声自适应无迹卡尔曼滤波的SOC估计方法。首先,通过间歇放电实验获取电池不同SOC下的开路电压,并进一步拟合得到电池的OCV-SOC曲线,接着采用二阶RC等效电路模型对锂离子电池建模,然后通过混合功率脉冲特性工况测试对电池模型参数进行辨识。由于实际应用中锂离子电池为非线性系统且SOC估计精度容易受到噪声的影响,本文在卡尔曼滤波算法的基础上采用无迹变换处理,加入噪声自适应过程,以实现噪声特性自适应估计,动态调整测量噪声与过程噪声,提高算法鲁棒性以及估计精度。最后选取DST与FUDS工况进行验证,结果表明在不同工况下动态噪声自适应无迹卡尔曼滤波算法的估计平均绝对误差、最大绝对误差以及均方根误差相较于自适应无迹卡尔曼滤波、无迹卡尔曼滤波算法均有降低,其平均绝对误差小于0.59%。本文提出的动态噪声自适应无迹卡尔曼滤波算法能够更准确地估计锂离子电池SOC。展开更多
文摘准确估算并合理利用电池的荷电状态(state of charge,SOC)与健康状态(state of health,SOH)可以延长电池的使用寿命。为了实现准确的SOC-SOH在线估计,在扩展卡尔曼滤波的基础上,采用多尺度并行扩展卡尔曼滤波估计算法(multi-scale double extended Kalman filter,MDEKF)提高估计精度。在建立电池2阶RC等效电路模型上,利用最小二乘法对模型参数进行辨识,设计并行结构的滤波器进行电池SOC估计和参数修正,并以电池组容量值作为表征量对SOH进行估算。仿真实验结果表明,SOC估计误差由1.43%降低到1.10%,SOH估计结果稳定在0.5%以内,验证了算法的快速收敛性和实时性。
文摘锂离子电池具有无记忆效应、轻量化、环保等特点,因此常作为电动交通工具、电子设备的能源来源,并适用于各种规模的能源存储。在锂离子电池管理系统中,电池的荷电状态(state of charge,SOC)是最关键的指标之一,其准确估计对于实现电池系统的高效能量管理和优化控制至关重要。因此本文提出了一种基于动态噪声自适应无迹卡尔曼滤波的SOC估计方法。首先,通过间歇放电实验获取电池不同SOC下的开路电压,并进一步拟合得到电池的OCV-SOC曲线,接着采用二阶RC等效电路模型对锂离子电池建模,然后通过混合功率脉冲特性工况测试对电池模型参数进行辨识。由于实际应用中锂离子电池为非线性系统且SOC估计精度容易受到噪声的影响,本文在卡尔曼滤波算法的基础上采用无迹变换处理,加入噪声自适应过程,以实现噪声特性自适应估计,动态调整测量噪声与过程噪声,提高算法鲁棒性以及估计精度。最后选取DST与FUDS工况进行验证,结果表明在不同工况下动态噪声自适应无迹卡尔曼滤波算法的估计平均绝对误差、最大绝对误差以及均方根误差相较于自适应无迹卡尔曼滤波、无迹卡尔曼滤波算法均有降低,其平均绝对误差小于0.59%。本文提出的动态噪声自适应无迹卡尔曼滤波算法能够更准确地估计锂离子电池SOC。
