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
针对退役锂电池健康状态估计效率较低的现状,提出一种快速、有效的估计方法。首先采用3阶RC等效电路模型描述电池特性得出状态方程,确保电池模型精确性,同时引入电池荷电状态SOC(State of charge)和欧姆内阻(R 0)作为状态方程参数。其...针对退役锂电池健康状态估计效率较低的现状,提出一种快速、有效的估计方法。首先采用3阶RC等效电路模型描述电池特性得出状态方程,确保电池模型精确性,同时引入电池荷电状态SOC(State of charge)和欧姆内阻(R 0)作为状态方程参数。其次利用区域概念,计算出特定的区域容量与区域电压,减少电池参数估计所需要的数据、时间。然后通过扩展卡尔曼滤波(Extended kalman filtering)算法估计电池参数SOC和R 0,进而对电池健康状态(State of health,SOH)进行估计。最后,利用电池测试设备(Arbin-BT2000)对18650电池进行充放电实验,验证该方法的可行性。实验结果证明SOH估计所需参数明显减少,使得电池数据测量所需时间明显缩短,并且估计误差不超过4%,误差较小,说明所提出方法能快速、有效地估算出电池SOH。展开更多
针对锂电池低荷电状态时输出变化大和模型参数辨识困难问题,提出一种基于三次样条插值法的建模与参数辨识方法。首先建立了含SOC动态的三阶3RC-3D等效电路模型,分析了低SOC时应用最小二乘法对不同模型参数进行辨识产生的误差。在此基础...针对锂电池低荷电状态时输出变化大和模型参数辨识困难问题,提出一种基于三次样条插值法的建模与参数辨识方法。首先建立了含SOC动态的三阶3RC-3D等效电路模型,分析了低SOC时应用最小二乘法对不同模型参数进行辨识产生的误差。在此基础上,结合三次样条插值法的拟合特性和合适的边界条件,构造了三次样条插值函数,在SOC≤10%区间进行了模型各参数辨识,并拟合出了模型参数变化曲线。最后,将辨识后的模型参数曲线与混合脉冲功率特性HPPC(Hybrid Pulse Power Characterization)试验的实际测量值进行了对比。从比较结果看,本文所提的辨识方法减小了参数辨识误差,提高了模型精度,验证了在SOC≤10%区间应用三次样条插值法进行锂电池模型参数辨识的有效性。仿真结果表明,基于三次样条插值辨识方法建立的三阶3RC-3D等效电路模型能够高精度地跟踪锂电池输出外特性。展开更多
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。
文摘针对退役锂电池健康状态估计效率较低的现状,提出一种快速、有效的估计方法。首先采用3阶RC等效电路模型描述电池特性得出状态方程,确保电池模型精确性,同时引入电池荷电状态SOC(State of charge)和欧姆内阻(R 0)作为状态方程参数。其次利用区域概念,计算出特定的区域容量与区域电压,减少电池参数估计所需要的数据、时间。然后通过扩展卡尔曼滤波(Extended kalman filtering)算法估计电池参数SOC和R 0,进而对电池健康状态(State of health,SOH)进行估计。最后,利用电池测试设备(Arbin-BT2000)对18650电池进行充放电实验,验证该方法的可行性。实验结果证明SOH估计所需参数明显减少,使得电池数据测量所需时间明显缩短,并且估计误差不超过4%,误差较小,说明所提出方法能快速、有效地估算出电池SOH。
文摘针对锂电池低荷电状态时输出变化大和模型参数辨识困难问题,提出一种基于三次样条插值法的建模与参数辨识方法。首先建立了含SOC动态的三阶3RC-3D等效电路模型,分析了低SOC时应用最小二乘法对不同模型参数进行辨识产生的误差。在此基础上,结合三次样条插值法的拟合特性和合适的边界条件,构造了三次样条插值函数,在SOC≤10%区间进行了模型各参数辨识,并拟合出了模型参数变化曲线。最后,将辨识后的模型参数曲线与混合脉冲功率特性HPPC(Hybrid Pulse Power Characterization)试验的实际测量值进行了对比。从比较结果看,本文所提的辨识方法减小了参数辨识误差,提高了模型精度,验证了在SOC≤10%区间应用三次样条插值法进行锂电池模型参数辨识的有效性。仿真结果表明,基于三次样条插值辨识方法建立的三阶3RC-3D等效电路模型能够高精度地跟踪锂电池输出外特性。
