面向电动汽车一类宽温度,大幅值、宽频率随机电流应用场景,提出一种基于全新电热耦合模型的锂电池多状态在线联合估计方法。该模型由自回归等效电路模型与单态集总热模型耦合而成,以提高模型电气动态跟随性能。电热耦合模型参数采取“...面向电动汽车一类宽温度,大幅值、宽频率随机电流应用场景,提出一种基于全新电热耦合模型的锂电池多状态在线联合估计方法。该模型由自回归等效电路模型与单态集总热模型耦合而成,以提高模型电气动态跟随性能。电热耦合模型参数采取“先验信息初始化-在线修正”的方式确定,以避免电池一致性问题带来的误差,从而实现电热耦合关系在宽温度内的连续准确表达。基于所提出的ARST(autoregression-single state thermal model)耦合模型,该文采用双滤波算法实现锂电池多状态的在线联合估计,弥补目前电池3种及以上状态联合估计的稀缺问题。最后,在[0,50]℃,基于两个动态工况,将所提出的算法与两类基于模型的多状态联合估计算法进行比较。结果表明:ARST模型具有更好的电气跟随性能;所提出的模型参数在线辨识算法能够有效提高模型精度,从而提高多状态联合估计精度;在宽温度应用中,相较仅基于电模型的多状态联合估计算法,兼顾热状态估计的多状态联合估计算法能够有效提高电池状态的估计精度。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
基于等效电路模型的一类车载动力电池剩余荷电状态(state of charge,SOC)的估算方法,其估算精度高度依赖于模型精度,模型精度又正比于模型复杂度,以至于难以较好地应用于嵌入式控制单元.提出复杂度相对较低、能够自适应确定最优模型阶...基于等效电路模型的一类车载动力电池剩余荷电状态(state of charge,SOC)的估算方法,其估算精度高度依赖于模型精度,模型精度又正比于模型复杂度,以至于难以较好地应用于嵌入式控制单元.提出复杂度相对较低、能够自适应确定最优模型阶次的全新等效电路模型——基于阶次自适应AR模型的车载动力电池等效电路灰箱模型.基于此灰箱模型,给出锂离子电池SOC的滑模观测器设计推导及能观性、收敛性证明.结果表明,本文提出的基于阶次自适应AR等效电路灰箱模型的滑模观测器SOC估算方法(adaptive autoregressive-sliding mode observer,AAR-SMO)具有低模型复杂度、高精度、强鲁棒性及快速收敛等性能.展开更多
文摘面向电动汽车一类宽温度,大幅值、宽频率随机电流应用场景,提出一种基于全新电热耦合模型的锂电池多状态在线联合估计方法。该模型由自回归等效电路模型与单态集总热模型耦合而成,以提高模型电气动态跟随性能。电热耦合模型参数采取“先验信息初始化-在线修正”的方式确定,以避免电池一致性问题带来的误差,从而实现电热耦合关系在宽温度内的连续准确表达。基于所提出的ARST(autoregression-single state thermal model)耦合模型,该文采用双滤波算法实现锂电池多状态的在线联合估计,弥补目前电池3种及以上状态联合估计的稀缺问题。最后,在[0,50]℃,基于两个动态工况,将所提出的算法与两类基于模型的多状态联合估计算法进行比较。结果表明:ARST模型具有更好的电气跟随性能;所提出的模型参数在线辨识算法能够有效提高模型精度,从而提高多状态联合估计精度;在宽温度应用中,相较仅基于电模型的多状态联合估计算法,兼顾热状态估计的多状态联合估计算法能够有效提高电池状态的估计精度。
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。
