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
精准的锂电池建模是保证电池储能系统可靠性至关重要的手段。荷电状态(state of charge,SOC)的准确估计保证了特定应用程序的安全高效运行。为了提高SOC的估计精度,首先建立等效电路模型,利用遗忘因子的偏差补偿最小二乘法(bias compens...精准的锂电池建模是保证电池储能系统可靠性至关重要的手段。荷电状态(state of charge,SOC)的准确估计保证了特定应用程序的安全高效运行。为了提高SOC的估计精度,首先建立等效电路模型,利用遗忘因子的偏差补偿最小二乘法(bias compensation recursive least squares,BCRLS)对电池模型进行参数辨识。然后,利用自适应无迹卡尔曼滤波(adaptive unscented Kalman filter,AUKF)算法来估计SOC。由于无迹无迹卡尔曼滤波算法易受非线性因素的干扰,因此提出了利用权重量定义AUKF算法提高SOC的估计精度。由于电池在放电过程中,电池内部特性会发生变化,而电池欧姆内阻会对SOC估计结果产生直接影响。基于此,本工作提出了双自适应无迹卡尔曼滤波来进一步提高SOC的估计精度。通过和不同算法进行比较,实验结果表明,所提算法估计SOC的误差控制在2%以内,验证了算法的有效性。展开更多
荷电状态(state of charge,SOC)和峰值功率(state of peak power,SOP)的精确估计对保障电池安全稳定运行具有重要意义。为解决传统估计算法误差高、鲁棒性差等问题,本文提出了一种基于自适应无迹卡尔曼滤波(adaptive unscented Kalman f...荷电状态(state of charge,SOC)和峰值功率(state of peak power,SOP)的精确估计对保障电池安全稳定运行具有重要意义。为解决传统估计算法误差高、鲁棒性差等问题,本文提出了一种基于自适应无迹卡尔曼滤波(adaptive unscented Kalman filtering,AUKF)和经济模型预测控制(economic model predictive control,EMPC)的全钒液流电池(all-vanadium redox batteries,VRB)SOC/SOP联合估计方法。首先,为了提高传统模型的建模精度,本文综合考虑了VRB的电化学场和流体力学场的耦合特性,建立了一个能够全面刻画VRB运行过程的综合等效电路模型,并采用人工蜂群算法(artificial bee colony algorithm,ABC)对模型参数进行离线辨识。随后,考虑到传统的UKF算法无法适应系统噪声,收敛性差,且忽略电池参数变化等缺点,本文提出了基于AUKF的在线参数辨识和SOC估计算法,通过自适应调整UKF算法的参数来提高模型的精度。结合SOC的估计结果,采用EMPC算法估计VRB的SOP,并综合考虑了电压、电流、SOC和电解液流速等约束条件。最后,设计了多种实验工况验证了本文提出的SOC/SOP联合估计算法的精度。文章研究内容能够为液流电池不同运行状态下峰值功率预测和储能电站的精准调度提供依据。展开更多
无迹卡尔曼滤波法(Unscented-Kalman Filter,UKF)在估计动力电池的剩余容量(State of Charge,SOC)时,由于系统噪声的不确定,可能导致算法不收敛,而且算法的估计性能受模型精度的影响,为此采用自适应无迹卡尔曼滤波法(Adaptive-UKF,AUKF...无迹卡尔曼滤波法(Unscented-Kalman Filter,UKF)在估计动力电池的剩余容量(State of Charge,SOC)时,由于系统噪声的不确定,可能导致算法不收敛,而且算法的估计性能受模型精度的影响,为此采用自适应无迹卡尔曼滤波法(Adaptive-UKF,AUKF)动态估计电动汽车动力电池的SOC.建立了适用于SOC估计的电池模型,辨识相应的电池模型的参数并进行验证,将AUKF应用到该模型,在未知干扰噪声环境下,在线估计电池的SOC.试验仿真结果表明:UKF算法的估计误差在-0.04~0.06之间跳动,而AUKF算法的估计误差平稳的保持在0.05以内,实时修正微小的模型误差带来的SOC估计误差.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。
文摘精准的锂电池建模是保证电池储能系统可靠性至关重要的手段。荷电状态(state of charge,SOC)的准确估计保证了特定应用程序的安全高效运行。为了提高SOC的估计精度,首先建立等效电路模型,利用遗忘因子的偏差补偿最小二乘法(bias compensation recursive least squares,BCRLS)对电池模型进行参数辨识。然后,利用自适应无迹卡尔曼滤波(adaptive unscented Kalman filter,AUKF)算法来估计SOC。由于无迹无迹卡尔曼滤波算法易受非线性因素的干扰,因此提出了利用权重量定义AUKF算法提高SOC的估计精度。由于电池在放电过程中,电池内部特性会发生变化,而电池欧姆内阻会对SOC估计结果产生直接影响。基于此,本工作提出了双自适应无迹卡尔曼滤波来进一步提高SOC的估计精度。通过和不同算法进行比较,实验结果表明,所提算法估计SOC的误差控制在2%以内,验证了算法的有效性。
文摘无迹卡尔曼滤波法(Unscented-Kalman Filter,UKF)在估计动力电池的剩余容量(State of Charge,SOC)时,由于系统噪声的不确定,可能导致算法不收敛,而且算法的估计性能受模型精度的影响,为此采用自适应无迹卡尔曼滤波法(Adaptive-UKF,AUKF)动态估计电动汽车动力电池的SOC.建立了适用于SOC估计的电池模型,辨识相应的电池模型的参数并进行验证,将AUKF应用到该模型,在未知干扰噪声环境下,在线估计电池的SOC.试验仿真结果表明:UKF算法的估计误差在-0.04~0.06之间跳动,而AUKF算法的估计误差平稳的保持在0.05以内,实时修正微小的模型误差带来的SOC估计误差.
