针对原有的锂电池组荷电状态(state of charge,SOC)估算方式是在电池放电后进行测量,在电池内阻数值较大时难以获取明确的开路电压,导致其在锂电池组SOC估算上具有误差等问题,设计了基于分段聚合和卡尔曼滤波的锂电池组SOC估算方法.在...针对原有的锂电池组荷电状态(state of charge,SOC)估算方式是在电池放电后进行测量,在电池内阻数值较大时难以获取明确的开路电压,导致其在锂电池组SOC估算上具有误差等问题,设计了基于分段聚合和卡尔曼滤波的锂电池组SOC估算方法.在构建等效电路模型的基础上,辨识锂电池参数,并定义开路电压等锂电池组SOC估算指标.分段聚合切换锂电池反馈路径,利用卡尔曼滤波线性递推估算锂电池组SOC数值.结果表明:以锂电池脉冲放电过程为测试条件,提出的方法估算结果与实际SOC值基本一致,在SOC为0.6时,该方法能将SOC估算相对误差控制在0~0.4%.展开更多
考虑电池单体老化差异所致的电池组不一致性,针对串联电池组荷电状态(state of charge,SOC)、容量估计问题,提出一种基于自回归等效电路模型(autoregression equivalent circuit model,AR-ECM)的平均差异模型(mean-difference model,MDM...考虑电池单体老化差异所致的电池组不一致性,针对串联电池组荷电状态(state of charge,SOC)、容量估计问题,提出一种基于自回归等效电路模型(autoregression equivalent circuit model,AR-ECM)的平均差异模型(mean-difference model,MDM)。基于此模型,提出串联电池组SOC、容量多尺度联合估计算法。该算法由2个部分组成,一是基于AR-ECM的MDM及差异化模型参数辨识策略:条件辨识策略和定频分组辨识策略;二是基于多时间尺度H无穷滤波(multi-timescale H infinity filter,Mts-HIF)的电池组SOC、容量联合估计算法。通过将所提出MDM中的自回归平均模型(autoregression mean model,AR-MM)与传统MDM中的n阶RC平均模型(nRC mean model,nRC-MM)比较,结果表明所提出的AR-MM在复杂运行工况下具有更优的动态跟随性能。依据最小化信息量准则(akaike information criterion,AIC),AR-MM具有更优的复杂度与精度的权衡。通过与基于多时间尺度扩展卡尔曼滤波(multi-timescale extended Kalman filter,Mts-EKF)联合状态估计算法比较,结果表明所提出的Mts-HIF状态估计算法具有更优的鲁棒性、精度和收敛速度。展开更多
针对动力锂电池组充放电过程中,各单体电池之间存在的不一致性,设计了超级电容与双向DC-DC变流器相结合的无损均衡管理系统。采用无迹卡尔曼滤波法估算锂电池的荷电状态,与通常采用的扩展卡尔曼滤波器进行了对比研究,经实验验证,本系统...针对动力锂电池组充放电过程中,各单体电池之间存在的不一致性,设计了超级电容与双向DC-DC变流器相结合的无损均衡管理系统。采用无迹卡尔曼滤波法估算锂电池的荷电状态,与通常采用的扩展卡尔曼滤波器进行了对比研究,经实验验证,本系统能够快速、高效地实现锂电池组的均衡控制,实现精确地锂电池SOC(State of Charge)估计,提高了动力锂电池组的可靠性和安全性。展开更多
在锂电池组提供动力的电动汽车中,对锂电池进行准确、可靠的荷电状态估计(State of Charge,SOC)尤为重要。针对传统SOC估算方法存在计算量大、估算不准确等缺点,以Thevenin等效电路模型为基础建立二阶RC网络电池模型,提出一种基于扩展...在锂电池组提供动力的电动汽车中,对锂电池进行准确、可靠的荷电状态估计(State of Charge,SOC)尤为重要。针对传统SOC估算方法存在计算量大、估算不准确等缺点,以Thevenin等效电路模型为基础建立二阶RC网络电池模型,提出一种基于扩展卡尔曼滤波(Estimation Kalman Filter,EKF)算法[1]的电动汽车锂电池组SOC实时估算方法,并对EKF算法进行改进。在Matlab/Simulink软件中建立电池等效电路模型并在脉冲及自定义充放电工况下进行仿真[2]。实验表明改进后的算法误差保持在2%以内,对电动汽车锂电池SOC估计精度有明显提高,满足了对电动汽车锂电池组SOC在线估计需求。展开更多
文摘电池组中单体间存在的不一致性是电池状态估计问题中的一大难点。针对串联锂离子电池组,提出了一种基于强跟踪滤波器（strong tracking filter,STF）与LevenbergMarquardt（LM）算法相结合的电池组不一致性辨识与状态估计的新方法。首先针对＂参考单体＂给出了一阶等效电路模型与开路电压–荷电状态（state of charge,SOC）特性关系曲线,通过STF算法得到其状态估计与参数估计;其次建立不同单体的＂电压相似函数＂,并引入LM算法对SOC、极化电压、欧姆内阻3种不一致因素进行辨识;最后对2组5个LiFePO4单体串联的电池组在不同的工况下进行了实验验证。结果表明,所提方法对各单体的状态与内阻估计误差在合理的范围内,对电池组不一致性辨识与状态估计具有良好的效果。
文摘针对原有的锂电池组荷电状态(state of charge,SOC)估算方式是在电池放电后进行测量,在电池内阻数值较大时难以获取明确的开路电压,导致其在锂电池组SOC估算上具有误差等问题,设计了基于分段聚合和卡尔曼滤波的锂电池组SOC估算方法.在构建等效电路模型的基础上,辨识锂电池参数,并定义开路电压等锂电池组SOC估算指标.分段聚合切换锂电池反馈路径,利用卡尔曼滤波线性递推估算锂电池组SOC数值.结果表明:以锂电池脉冲放电过程为测试条件,提出的方法估算结果与实际SOC值基本一致,在SOC为0.6时,该方法能将SOC估算相对误差控制在0~0.4%.
文摘考虑电池单体老化差异所致的电池组不一致性,针对串联电池组荷电状态(state of charge,SOC)、容量估计问题,提出一种基于自回归等效电路模型(autoregression equivalent circuit model,AR-ECM)的平均差异模型(mean-difference model,MDM)。基于此模型,提出串联电池组SOC、容量多尺度联合估计算法。该算法由2个部分组成,一是基于AR-ECM的MDM及差异化模型参数辨识策略:条件辨识策略和定频分组辨识策略;二是基于多时间尺度H无穷滤波(multi-timescale H infinity filter,Mts-HIF)的电池组SOC、容量联合估计算法。通过将所提出MDM中的自回归平均模型(autoregression mean model,AR-MM)与传统MDM中的n阶RC平均模型(nRC mean model,nRC-MM)比较,结果表明所提出的AR-MM在复杂运行工况下具有更优的动态跟随性能。依据最小化信息量准则(akaike information criterion,AIC),AR-MM具有更优的复杂度与精度的权衡。通过与基于多时间尺度扩展卡尔曼滤波(multi-timescale extended Kalman filter,Mts-EKF)联合状态估计算法比较,结果表明所提出的Mts-HIF状态估计算法具有更优的鲁棒性、精度和收敛速度。
文摘针对动力锂电池组充放电过程中,各单体电池之间存在的不一致性,设计了超级电容与双向DC-DC变流器相结合的无损均衡管理系统。采用无迹卡尔曼滤波法估算锂电池的荷电状态,与通常采用的扩展卡尔曼滤波器进行了对比研究,经实验验证,本系统能够快速、高效地实现锂电池组的均衡控制,实现精确地锂电池SOC(State of Charge)估计,提高了动力锂电池组的可靠性和安全性。
文摘在锂电池组提供动力的电动汽车中,对锂电池进行准确、可靠的荷电状态估计(State of Charge,SOC)尤为重要。针对传统SOC估算方法存在计算量大、估算不准确等缺点,以Thevenin等效电路模型为基础建立二阶RC网络电池模型,提出一种基于扩展卡尔曼滤波(Estimation Kalman Filter,EKF)算法[1]的电动汽车锂电池组SOC实时估算方法,并对EKF算法进行改进。在Matlab/Simulink软件中建立电池等效电路模型并在脉冲及自定义充放电工况下进行仿真[2]。实验表明改进后的算法误差保持在2%以内,对电动汽车锂电池SOC估计精度有明显提高,满足了对电动汽车锂电池组SOC在线估计需求。
