常规LiFePO_4动力电池组SOC(state of charge)估计方法难以同时满足复杂工况下SOC预测的可靠性与初值不敏感性,为解决该问题,提出一种针对电池组工况特性下的扩展卡尔曼滤波算法。该算法基于电池组工况放电特性,提取其特征参数并进行模...常规LiFePO_4动力电池组SOC(state of charge)估计方法难以同时满足复杂工况下SOC预测的可靠性与初值不敏感性,为解决该问题,提出一种针对电池组工况特性下的扩展卡尔曼滤波算法。该算法基于电池组工况放电特性,提取其特征参数并进行模式分类,根据在电池充放电时不同参数与区间,对卡尔曼滤波模型进行动态参数补偿,加快SOC向真值的收敛速度,并减少SOC估计误差,实现算法对SOC估计初值的不敏感性。最后使用美国机车工况测试UDDS标准模型,对实际采集的电池模型进行仿真实验,其结果验证了所提出的算法可行性和有效性。展开更多
利用传统的安时积分法估计全钒液流电池（vanadium redox flow battery,VRB）的荷电状态（state of charge,SOC）,常常会因为累积误差造成估计误差增大的问题。该文针对这一问题,以一阶RC等效电路模型为基础,采用无迹卡尔曼滤波（unscen...利用传统的安时积分法估计全钒液流电池（vanadium redox flow battery,VRB）的荷电状态（state of charge,SOC）,常常会因为累积误差造成估计误差增大的问题。该文针对这一问题,以一阶RC等效电路模型为基础,采用无迹卡尔曼滤波（unscented Kalman filter,UKF）算法对安时积分法估计结果进行修正,提高SOC估计精度。此外,UKF算法同时可以在收敛后准确地实时估计电池模型中的内阻,而电池的内阻可以表征其健康状态（state of health,SOH）,因此UKF算法可根据内阻的估计结果评价电池的SOH。在工况下对电池进行测试性充放电实验,实验结果表明,UKF算法可以快速完成电池SOC的精确估计,绝对误差小于2%,并能准确地估计出电池的内阻,为电池SOH的确定提供参考依据。展开更多
文摘常规LiFePO_4动力电池组SOC(state of charge)估计方法难以同时满足复杂工况下SOC预测的可靠性与初值不敏感性,为解决该问题,提出一种针对电池组工况特性下的扩展卡尔曼滤波算法。该算法基于电池组工况放电特性,提取其特征参数并进行模式分类,根据在电池充放电时不同参数与区间,对卡尔曼滤波模型进行动态参数补偿,加快SOC向真值的收敛速度,并减少SOC估计误差,实现算法对SOC估计初值的不敏感性。最后使用美国机车工况测试UDDS标准模型,对实际采集的电池模型进行仿真实验,其结果验证了所提出的算法可行性和有效性。
文摘利用传统的安时积分法估计全钒液流电池（vanadium redox flow battery,VRB）的荷电状态（state of charge,SOC）,常常会因为累积误差造成估计误差增大的问题。该文针对这一问题,以一阶RC等效电路模型为基础,采用无迹卡尔曼滤波（unscented Kalman filter,UKF）算法对安时积分法估计结果进行修正,提高SOC估计精度。此外,UKF算法同时可以在收敛后准确地实时估计电池模型中的内阻,而电池的内阻可以表征其健康状态（state of health,SOH）,因此UKF算法可根据内阻的估计结果评价电池的SOH。在工况下对电池进行测试性充放电实验,实验结果表明,UKF算法可以快速完成电池SOC的精确估计,绝对误差小于2%,并能准确地估计出电池的内阻,为电池SOH的确定提供参考依据。
