[1]
梁新成, 张勉, 黄国钧. 基于BMS的锂离子电池建模方法综述[J]. 储能科学与技术, 2020, 9(6): 1933-1939.
[本文引用: 1]
LIANG X C, ZHANG M, HUANG G J. Review on lithium-ion battery modeling methods based on BMS[J]. Energy Storage Science and Technology, 2020, 9(6): 1933-1939.
[本文引用: 1]
[2]
封居强, 伍龙,黄凯峰, 等.基于FFRLS和AEKF的锂离子电池SOC在线估计研究[J]. 储能科学与技术, 2021, 10(1): 242-249
[本文引用: 1]
FENG J Q, WU L, HUANG K F, et al.On-line SOC estimation of lithium-ion battery based on FFRLS and AEKF[J]. Energy Storage Science and Technology, 2021, 10(1): 242-249.
[本文引用: 1]
[3]
余鹏, 王顺利, 于春梅. 基于自适应分数阶扩展卡尔曼的锂电池SOC估算[J]. 储能科学与技术, 2021, 10(1): 335-341.
[本文引用: 1]
YU P,WANG S L,YU C M.SOC estimation of lithium batteries based on improved fractional-order ex-tended Kalman[J]. Energy Storage Science and Technology, 2021, 10(1): 335-341.
[本文引用: 1]
[4]
MOVASSAGH K, RAIHAN S A, BALASINGAM B. Performance analysis of coulomb counting approach for state of charge estimation[C]//2019 IEEE Electrical Power and Energy Conference (EPEC). October 16-18, 2019 , Montreal, QC, Canada. IEEE, 2019: 1-6.
[本文引用: 1]
[5]
AHMED M S, BALASINGAM B. A scaling approach for improved open circuit voltage modeling in Li-ion batteries[C]//2019 IEEE Electrical Power and Energy Conference (EPEC). October 16-18, 2019 , Montreal, QC, Canada. IEEE, 2019: 1-6.
[本文引用: 1]
[6]
AFSHAR S, MORRIS K, KHAJEPOUR A. State-of-charge estimation using an EKF-based adaptive observer[J]. IEEE Transactions on Control Systems Technology, 2019, 27(5): 1907-1923.
[本文引用: 1]
[7]
HOW D N T, HANNAN M A, HOSSAIN L M, et al. State of charge estimation for lithium-ion batteries using model-based and data-driven methods: A review[J]. IEEE Access, 2019, 7: 136116-136136.
[本文引用: 1]
[8]
何磊. 电动汽车锂离子电池建模及SOC估计方法研究[D]. 哈尔滨: 哈尔滨工业大学, 2012.
[本文引用: 1]
HE L. Research on model identification and state of charge estimation for lith-ium-ion battery in electric vehicles[D]. Harbin: Harbin Institute of Technology, 2012.
[本文引用: 1]
[9]
ZHONGXIAOI L, LI Z, ZHANG J B. Alternate adaptive extended Kalman filter and ampere-hour counting method to estimate the state of charge[C]//2018 IEEE International Power Electronics and Application Conference and Exposition (PEAC). November 4-7, 2018 , Shenzhen, China. IEEE, 2018: 1-4.
[本文引用: 1]
[10]
王顺利, 于春梅, 毕效辉. 新能源技术与电源管理[M]. 北京: 机械工业出版社, 2019: 79.
[本文引用: 1]
WANG S L, YU C M, BI X H. New energy technology and power management[M]. Beijing: China Machine Press, 2019: 79.
[本文引用: 1]
[11]
郭宝甫, 张鹏, 王卫星, 等. 基于OCV-SOC曲线簇的磷酸铁锂电池SOC估算研究[J]. 电源技术, 2019, 43(7): 1125-1128,1139.
[本文引用: 1]
GUO B F, ZHANG P, WANG W X, et al. Research on SOC estimation of LiFePO4 battery based on OCV-SOC curve cluster[J]. Chinese Journal of Power Sources, 2019, 43(7): 1125-1128,1139.
[本文引用: 1]
[12]
裴磊. 基于平衡电压的电动汽车锂离子电池状态估计方法研究[D]. 哈尔滨: 哈尔滨工业大学, 2016.
[本文引用: 1]
PEI L. State estimation based on equilibrium voltages for lithium-ion batteries in electric vehicles[D]. Harbin: Harbin Institute of Technology, 2016.
[本文引用: 1]
[13]
赵佳美. 基于二阶EKF的锂离子电池SOC估计的建模与仿真[D]. 西安: 西安科技大学, 2018.
[本文引用: 1]
ZHAO J M. Modeling and simulation of SOC estimation for lithium-ion battery based on second-order EKF[D]. Xi'an: Xi'an University of Science and Technology, 2018.
[本文引用: 1]
[14]
熊瑞. 动力电池管理系统核心算法[M]. 北京: 机械工业出版社, 2018: 49-83.
[本文引用: 3]
XIONG R. Core algorithm of battery management system for EVs[M]. Beijing: China Machine Press, 2018: 49-83.
[本文引用: 3]
[15]
胡晓松, 唐小林. 电动车辆锂离子动力电池建模方法综述[J]. 机械工程学报, 2017, 53(16): 20-31.
[本文引用: 1]
HU X S, TANG X L. Review of modeling techniques for lithium-ion traction batteries in electric vehicles[J]. Journal of Mechanical Engineering, 2017, 53(16): 20-31.
[本文引用: 1]
[16]
杨杰, 王婷, 杜春雨, 等. 锂离子电池模型研究综述[J]. 储能科学与技术, 2019, 8(1): 58-64.
[本文引用: 2]
YANG J, WANG T, DU C Y, et al. Overview of the modeling of lithium-ion batteries[J]. Energy Storage Science and Technology, 2019, 8(1): 58-64.
[本文引用: 2]
[17]
段洋. 电动汽车用锂离子电池SOC估算方法研究[D]. 长沙: 湖南大学, 2018.
[本文引用: 2]
DUAN Y. Research on SOC estimation method of lithium-ion battery for electric vehicle[D]. Changsha: Hunan University, 2018.
[本文引用: 2]
[18]
胡晓松.电动车辆锂离子电池模型辨识、优化与状态估计[D].北京: 北京理工大学, 2012.
[本文引用: 1]
HU X S. Li-ion battery identification, optimization and state estimation for electrified vehicles[D]. Beijing:Beijing Institute of Technology, 2012.
[本文引用: 1]
[19]
周娟, 化毅恒, 刘凯, 等. 一种高精度锂离子电池建模方案研究[J]. 中国电机工程学报, 2019, 39(21): 6394-6403.
[本文引用: 1]
ZHOU J, HUA Y H, LIU K, et al. Research on a high-precision modeling scheme for lithium-ion battery[J]. Proceedings of the CSEE, 2019, 39(21): 6394-6403.
[本文引用: 1]
[20]
费亚龙, 谢长君, 汤泽波, 等. 基于平方根无迹卡尔曼滤波的锂电池状态估计[J]. 中国电机工程学报, 2017, 37(15): 4514-4520, 4593.
[本文引用: 1]
FEI Y L, XIE C J, TANG Z B, et al. State-of-charge estimation based on square root unscented Kalman filter algorithm for Li-ion batteries[J]. Proceedings of the CSEE, 2017, 37(15): 4514-4520, 4593.
[本文引用: 1]
[21]
刘强. 双卡尔曼滤波与充电电压曲线融合的LiFePO4 电池SOC估算[D]. 镇江: 江苏大学, 2018.
[本文引用: 1]
LIU Q. SOC estimation of LiFePO4 battery based on double Kalman filter and charging voltage curve[D]. Zhenjiang: Jiangsu University, 2018.
[本文引用: 1]
[22]
余建坤, 张文彬, 陆玉昌. 遗传算法及其应用[J]. 云南民族学院学报(自然科学版), 2002, 11(4): 193-197.
[本文引用: 1]
YU J K, ZHANG W B, LU Y C. Genetic algorithm and its application[J]. Journal of Yunnan Institute of the Nationalites (Natral Sciences Edition), 2002, 11(4): 193-197.
[本文引用: 1]
[23]
LI X Y, WANG Z P, ZHANG L. Co-estimation of capacity and state-of-charge for lithium-ion batteries in electric vehicles[J]. Energy, 2019, 174: 33-44.
[本文引用: 1]
[24]
WANG L M, LU D, LIU Q, et al. State of charge estimation for LiFePO4 battery via dual extended Kalman filter and charging voltage curve[J]. Electrochimica Acta, 2019, 296: 1009-1017.
[本文引用: 1]
[25]
CHUI C K, CHEN G H . 戴洪德, 译. 卡尔曼滤波及其实时应用[M]. 北京: 清华大学出版社, 2013.
[本文引用: 1]
[26]
MORTENSEN R. Filtering for stochastic processes with applications to guidance[J]. IEEE Transactions on Automatic Control, 1972, 17(1): 184-185.
[本文引用: 1]
[27]
GUO X W, XU X Z, GENG J H, et al. SOC estimation with an adaptive unscented Kalman filter based on model parameter optimization[J]. Applied Sciences, 2019, 9(19): doi: 10.3390/app9194177.
[本文引用: 1]
[28]
LUO J Y, PENG J K, HE H W. Lithium-ion battery SOC estimation study based on Cubature Kalman filter[J]. Energy Procedia, 2019, 158: 3421-3426.
[本文引用: 1]
[29]
HIDALGO-REYES J I, GÓMEZ-AGUILAR J F, ALVARADO-MARTÍNEZ V M, et al. Battery state-of-charge estimation using fractional extended Kalman filter with Mittag-Leffler memory[J]. Alexandria Engineering Journal, 2020, 59(4): 1919-1929.
[本文引用: 1]
[30]
BEN S H, ERRAHIMI F, ES-SBAI N. State of charge estimation by multi-innovation unscented Kalman filter for vehicular applications[J]. Journal of Energy Storage, 2020, 32: doi: 10.1016/j.est.2020.101978.
[本文引用: 1]
[31]
PENG J K, LUO J Y, HE H W, et al. An improved state of charge estimation method based on cubature Kalman filter for lithium-ion batteries[J]. Applied Energy, 2019, 253: doi: 10.1016/j.apenergy.2019.113520.
[本文引用: 1]
[32]
BI Y L, CHOE S Y. An adaptive sigma-point Kalman filter with state equality constraints for online state-of-charge estimation of a Li(NiMnCo)O2 /carbon battery using a reduced-order electrochemical model[J]. Applied Energy, 2020, 258: doi: 10.1016/j.apenergy.2019.113925.
[本文引用: 1]
[33]
RHUDY M B, GU Y. Online stochastic convergence analysis of the Kalman filter[J]. International Journal of Stochastic Analysis, 2013: 1-9.
[本文引用: 1]
[34]
GUO Y F, ZHAO Z S, HUANG L M. SOC estimation of lithium battery based on AEKF algorithm[J]. Energy Procedia, 2017, 105: 4146-4152.
[本文引用: 2]
[35]
FENG K H, HUANG B B, LI Q H, et al. Online estimation of Li-ion battery SOC for electric vehicles based on an improved AEKF[J]. E3 s Web of Conferences, 2019, doi: 10.1051/e3sconf/201911802025.
[本文引用: 1]
[36]
秦鹏, 王振新, 康健强, 等. 实时辨识锂离子电池参数并基于改进AEKF估算SOC[J]. 电子测量技术, 2020, 43(10): 30-35.
[本文引用: 1]
QIN P, WANG Z X, KANG J Q, et al. Real-time identification of lithium-ion battery parameters and estimation of SOC based on improved AEKF[J]. Electronic Measurement Technology, 2020, 43(10): 30-35.
[本文引用: 1]
[37]
LYU C, ZHANG L L, LI J F, et al. Electrochamical model-based SOC estimations by using different algorithms for lithium-ion batteries[C]//2019 14th IEEE Conference on Industrial Electronics and Applications (ICIEA). June 19-21, 2019 , Xi'an, China. IEEE, 2019: 2496-2501.
[本文引用: 1]
[38]
HOSSAIN L M, HANNAN M A, HUSSAIN A, et al. Data-driven state of charge estimation of lithium-ion batteries: Algorithms, implementation factors, limitations and future trends[J]. Journal of Cleaner Production, 2020, 277: doi: 10.1016/j.jclepro.2020.124110.
[本文引用: 1]
[39]
XIONG R, CAO J Y, YU Q Q, et al. Critical review on the battery state of charge estimation methods for electric vehicles[J]. IEEE Access, 2018, 6: 1832-1843.
[本文引用: 1]
[40]
侯忠生, 许建新. 数据驱动控制理论及方法的回顾和展望[J]. 自动化学报, 2009, 35(6): 650-667.
[本文引用: 1]
HOU Z S, XU J X. On data-driven control theory: The state of the art and perspective[J]. Acta Automatica Sinica, 2009, 35(6): 650-667.
[本文引用: 1]
[41]
HANNAN M A, LIPU M S, HUSSAIN A, et al. Neural network approach for estimating state of charge of lithium-ion battery using backtracking search algorithm[J]. IEEE Access, 2018, 6: 10069-10079.
[本文引用: 1]
[42]
FASAHAT M, MANTHOURI M. State of charge estimation of lithium-ion batteries using hybrid autoencoder and long short term memory neural networks[J]. Journal of Power Sources, 2020, 469: doi: 10.1016/j.jpowesour.2020.228375.
[本文引用: 1]
[43]
HONG J C, WANG Z P, CHEN W, et al. Online joint-prediction of multi-forward-step battery SOC using LSTM neural networks and multiple linear regression for real-world electric vehicles[J]. Journal of Energy Storage, 2020, 30: doi: 10.1016/j.est.2020.101459.
[本文引用: 1]
[44]
WANG Q X, WU P Z, LIAN J L. SOC estimation algorithm of power lithium battery based on AFSA-BP neural network[J]. The Journal of Engineering, 2020, 2020(13): 535-539.
[本文引用: 2]
[45]
谢思宇, 王萍, 王智爽. 改进的WNN在蓄电池SOC估算中的应用[J]. 电源学报, 2020, 18(6): 199-206.
[本文引用: 1]
XIE S Y, WANG P, WANG Z S. Application of improved WNN in battery SOC estimation[J]. Journal of Power Supply, 2020, 18(6): 199-206.
[本文引用: 1]
[46]
JIAO M, WANG D Q, QIU J L. A GRU-RNN based momentum optimized algorithm for SOC estimation[J]. Journal of Power Sources, 2020, 459: doi: 10.1016/j.jpowsour.2020.228051.
[本文引用: 1]
[47]
骆秀江, 张兵, 黄细霞, 等. 基于SVM的锂电池SOC估算[J]. 电源技术, 2016, 40(2): 287-290.
[本文引用: 1]
LUO X J, ZHANG B, HUANG X X, et al. Estimation of lithium battery SOC based on SVM[J]. Chinese Journal of Power Sources, 2016, 40(2): 287-290.
[本文引用: 1]
[48]
周志华. 机器学习[M]. 北京: 清华大学出版社, 2016: 122-140.
[本文引用: 2]
ZHOU Z H. Machine learning[M]. Beijing: Tsinghua University Press, 2016: 122-140.
[本文引用: 2]
[49]
于洋, 纪世忠, 魏克新. 基于LS-SVM算法动力电池SOC估计方法的研究[J]. 电源技术, 2012, 36(3): 349-351, 370.
[本文引用: 1]
YU Y, JI S Z, WEI K X. Estimating method for power battery state of charge based on LS-SVM[J]. Chinese Journal of Power Sources, 2012, 36(3): 349-351, 370.
[本文引用: 1]
[50]
李嘉波, 魏孟, 李忠玉, 等. 一种改进的支持向量机回归的电池状态估计[J]. 储能科学与技术, 2020, 9(4): 1200-1205.
[本文引用: 1]
LI J B, WEI M, LI Z Y, et al. An improved battery state estimation based on support vector machine regression[J]. Energy Storage Science and Technology, 2020, 9(4): 1200-1205.
[本文引用: 1]
[51]
王语园, 李嘉波, 张福. 基于粒子群算法的最小二乘支持向量机电池状态估计[J]. 储能科学与技术, 2020, 9(4): 1153-1158.
[本文引用: 1]
WANG Y Y, LI J B, ZHANG F. Battery state estimation of least squares support vector machinebased on particle swarm optimization[J]. Energy Storage Science and Technology, 2020, 9(4): 1153-1158.
[本文引用: 1]
[52]
XU Z C, WANG J, FAN Q, et al. Improving the state of charge estimation of reused lithium-ion batteries by abating hysteresis using machine learning technique[J]. Journal of Energy Storage, 2020, 32: doi: 10.1016/j.est.2020.101678.
[本文引用: 1]
[53]
田冬冬, 李立伟, 杨玉新. 基于改进BP-EKF算法的SOC估算[J]. 电源技术, 2020, 44(9): 1274-1278.
[本文引用: 1]
TIAN D D, LI L W, YANG Y X. Research on SOC estimation based on improved BP-EKF algorithm[J]. Chinese Journal of Power Sources, 2020, 44(9): 1274-1278.
[本文引用: 1]
[54]
ZHANG S Z, GUO X, DOU X X, et al. A data-driven coulomb counting method for state of charge calibration and estimation of lithium-ion battery[J]. Sustainable Energy Technologies and Assessments, 2020, 40: doi: 10.1016/j.seta.2020.100752.
[本文引用: 1]
[55]
陈仕俊, 郑敏信, 满庆丰. 基于STM32和LTC6803的电池管理系统设计[J]. 电源技术, 2015, 39(2): 280-282.
[本文引用: 1]
CHEN S J, ZHENG M X, MAN Q F. Design of battery management system based on STM32 and LTC6803[J]. Chinese Journal of Power Sources, 2015, 39(2): 280-282.
[本文引用: 1]
[56]
汪官勇, 余粟. 基于STM32的锂电池管理系统设计[J]. 化工自动化及仪表, 2018, 45(11): 890-892.
[本文引用: 1]
WANG G Y, YU S. Design of lithium battery management system based on STM32[J]. Control and Instruments in Chemical Industry, 2018, 45(11): 890-892.
[本文引用: 1]
[57]
丁镇涛, 邓涛, 李志飞, 等. 基于安时积分和无迹卡尔曼滤波的锂离子电池SOC估算方法研究[J]. 中国机械工程, 2020, 31(15): 1823-1830.
[本文引用: 1]
DING Z T, DENG T, LI Z F, et al. SOC estimation of lithium-ion battery based on ampere hour integral and unscented Kalman filter[J]. China Mechanical Engineering, 2020, 31(15): 1823-1830.
[本文引用: 1]
[58]
TIAN X, JEPPESEN B, IKUSHIMA T, et al. Accelerating state-of-charge estimation in FPGA-based battery management systems[C]//6th Hybrid and Electric Vehicles Conference (HEVC 2016). November 2-3, 2016 , London, UK. IET, 2016: 1-6.
[本文引用: 1]
1
... 锂离子电池以其比能量高、效率高、寿命长等优点被广泛应用于新能源汽车中,为了进一步提高其使用效率和延长其使用寿命,有效的电池管理系统(battery manage system,BMS)是关键[1 ] ,而SOC的准确估算是保证电池管理安全可靠的关键因素之一[2 ,3 ] .本文针对电动汽车锂离子电池SOC估算方法展开综述,重点分析了基于卡尔曼滤波族算法的SOC估算方法设计与实现. ...
1
... 锂离子电池以其比能量高、效率高、寿命长等优点被广泛应用于新能源汽车中,为了进一步提高其使用效率和延长其使用寿命,有效的电池管理系统(battery manage system,BMS)是关键[1 ] ,而SOC的准确估算是保证电池管理安全可靠的关键因素之一[2 ,3 ] .本文针对电动汽车锂离子电池SOC估算方法展开综述,重点分析了基于卡尔曼滤波族算法的SOC估算方法设计与实现. ...
1
... 锂离子电池以其比能量高、效率高、寿命长等优点被广泛应用于新能源汽车中,为了进一步提高其使用效率和延长其使用寿命,有效的电池管理系统(battery manage system,BMS)是关键[1 ] ,而SOC的准确估算是保证电池管理安全可靠的关键因素之一[2 ,3 ] .本文针对电动汽车锂离子电池SOC估算方法展开综述,重点分析了基于卡尔曼滤波族算法的SOC估算方法设计与实现. ...
1
... 锂离子电池以其比能量高、效率高、寿命长等优点被广泛应用于新能源汽车中,为了进一步提高其使用效率和延长其使用寿命,有效的电池管理系统(battery manage system,BMS)是关键[1 ] ,而SOC的准确估算是保证电池管理安全可靠的关键因素之一[2 ,3 ] .本文针对电动汽车锂离子电池SOC估算方法展开综述,重点分析了基于卡尔曼滤波族算法的SOC估算方法设计与实现. ...
1
... 锂离子电池以其比能量高、效率高、寿命长等优点被广泛应用于新能源汽车中,为了进一步提高其使用效率和延长其使用寿命,有效的电池管理系统(battery manage system,BMS)是关键[1 ] ,而SOC的准确估算是保证电池管理安全可靠的关键因素之一[2 ,3 ] .本文针对电动汽车锂离子电池SOC估算方法展开综述,重点分析了基于卡尔曼滤波族算法的SOC估算方法设计与实现. ...
1
... 锂离子电池以其比能量高、效率高、寿命长等优点被广泛应用于新能源汽车中,为了进一步提高其使用效率和延长其使用寿命,有效的电池管理系统(battery manage system,BMS)是关键[1 ] ,而SOC的准确估算是保证电池管理安全可靠的关键因素之一[2 ,3 ] .本文针对电动汽车锂离子电池SOC估算方法展开综述,重点分析了基于卡尔曼滤波族算法的SOC估算方法设计与实现. ...
1
... SOC的估算方法可分为安时积分法[4 ] 、开路电压法[5 ] 、基于模型的滤波法[6 ] 、数据驱动法[7 ] . ...
1
... SOC的估算方法可分为安时积分法[4 ] 、开路电压法[5 ] 、基于模型的滤波法[6 ] 、数据驱动法[7 ] . ...
1
... SOC的估算方法可分为安时积分法[4 ] 、开路电压法[5 ] 、基于模型的滤波法[6 ] 、数据驱动法[7 ] . ...
1
... SOC的估算方法可分为安时积分法[4 ] 、开路电压法[5 ] 、基于模型的滤波法[6 ] 、数据驱动法[7 ] . ...
1
... 式中,S O C 0 为荷电状态的初始状态;η 为库仑效率,通常取值为1[8 ] ;i b a t t 为锂离子电池充/放电的电流;Q m a x 为锂离子电池的最大容量;t 为当前时刻. ...
1
... 式中,S O C 0 为荷电状态的初始状态;η 为库仑效率,通常取值为1[8 ] ;i b a t t 为锂离子电池充/放电的电流;Q m a x 为锂离子电池的最大容量;t 为当前时刻. ...
1
... AHI法的缺陷在于它是一个开环的估算系统,而这一类系统往往不具备对初始值误差的校正能力和对由噪声、测量偏差导致的误差的调整能力.一种改进方法是使用自适应卡尔曼滤波法进行初值校准,并利用设定的阈值使估算在AHI法和滤波法之中切换[9 ] .这种方法能够克服初始值带来的估算误差并使计算加快,但由于长期处于AHI法的计算中,仍然难以克服噪声和测量偏差带来的误差. ...
1
... 开路电压(open circuit voltage,OCV)是指外电路没有电流流过,电池达到平衡时正负极之间的电位差[10 ] .在一定温度下,电池的SOC与OCV呈现一一对应的数值关系,因此可以通过获取OCV-SOC的曲线来估算SOC[11 ] .由于OCV数据的获取往往需要长时间的静置,这使得OCV法在在线估算SOC中难以开展.在电池处于动态运行工况的条件之下,一种动态平衡电压(dynamic equilibrium voltage,DEV)的概念被提出[12 ] .基于等效电路模型,利用电池的激励与响应数据结合滤波方法可以实现DEV的实时提取,依靠历史数据可以建立DEV-SOC关系,进而运用到SOC的在线估算中. ...
1
... 开路电压(open circuit voltage,OCV)是指外电路没有电流流过,电池达到平衡时正负极之间的电位差[10 ] .在一定温度下,电池的SOC与OCV呈现一一对应的数值关系,因此可以通过获取OCV-SOC的曲线来估算SOC[11 ] .由于OCV数据的获取往往需要长时间的静置,这使得OCV法在在线估算SOC中难以开展.在电池处于动态运行工况的条件之下,一种动态平衡电压(dynamic equilibrium voltage,DEV)的概念被提出[12 ] .基于等效电路模型,利用电池的激励与响应数据结合滤波方法可以实现DEV的实时提取,依靠历史数据可以建立DEV-SOC关系,进而运用到SOC的在线估算中. ...
1
... 开路电压(open circuit voltage,OCV)是指外电路没有电流流过,电池达到平衡时正负极之间的电位差[10 ] .在一定温度下,电池的SOC与OCV呈现一一对应的数值关系,因此可以通过获取OCV-SOC的曲线来估算SOC[11 ] .由于OCV数据的获取往往需要长时间的静置,这使得OCV法在在线估算SOC中难以开展.在电池处于动态运行工况的条件之下,一种动态平衡电压(dynamic equilibrium voltage,DEV)的概念被提出[12 ] .基于等效电路模型,利用电池的激励与响应数据结合滤波方法可以实现DEV的实时提取,依靠历史数据可以建立DEV-SOC关系,进而运用到SOC的在线估算中. ...
1
... 开路电压(open circuit voltage,OCV)是指外电路没有电流流过,电池达到平衡时正负极之间的电位差[10 ] .在一定温度下,电池的SOC与OCV呈现一一对应的数值关系,因此可以通过获取OCV-SOC的曲线来估算SOC[11 ] .由于OCV数据的获取往往需要长时间的静置,这使得OCV法在在线估算SOC中难以开展.在电池处于动态运行工况的条件之下,一种动态平衡电压(dynamic equilibrium voltage,DEV)的概念被提出[12 ] .基于等效电路模型,利用电池的激励与响应数据结合滤波方法可以实现DEV的实时提取,依靠历史数据可以建立DEV-SOC关系,进而运用到SOC的在线估算中. ...
1
... 开路电压(open circuit voltage,OCV)是指外电路没有电流流过,电池达到平衡时正负极之间的电位差[10 ] .在一定温度下,电池的SOC与OCV呈现一一对应的数值关系,因此可以通过获取OCV-SOC的曲线来估算SOC[11 ] .由于OCV数据的获取往往需要长时间的静置,这使得OCV法在在线估算SOC中难以开展.在电池处于动态运行工况的条件之下,一种动态平衡电压(dynamic equilibrium voltage,DEV)的概念被提出[12 ] .基于等效电路模型,利用电池的激励与响应数据结合滤波方法可以实现DEV的实时提取,依靠历史数据可以建立DEV-SOC关系,进而运用到SOC的在线估算中. ...
1
... 开路电压(open circuit voltage,OCV)是指外电路没有电流流过,电池达到平衡时正负极之间的电位差[10 ] .在一定温度下,电池的SOC与OCV呈现一一对应的数值关系,因此可以通过获取OCV-SOC的曲线来估算SOC[11 ] .由于OCV数据的获取往往需要长时间的静置,这使得OCV法在在线估算SOC中难以开展.在电池处于动态运行工况的条件之下,一种动态平衡电压(dynamic equilibrium voltage,DEV)的概念被提出[12 ] .基于等效电路模型,利用电池的激励与响应数据结合滤波方法可以实现DEV的实时提取,依靠历史数据可以建立DEV-SOC关系,进而运用到SOC的在线估算中. ...
1
... 在基于滤波法估算SOC的方法中,卡尔曼滤波(Kalman filter,KF)法是最为常用的一种方法.KF是由美国数学家Rudolf Emil Kalman在1960年所提出的一种新型滤波算法,中心思想是在已知系统状态空间模型、噪声统计特性及初始状态值的前提下,依据最小均方误差原则,利用实际的输出观测数据对系统的状态变量进行修正,实时地获得被估计状态量的最优估计值[13 ] . ...
1
... 在基于滤波法估算SOC的方法中,卡尔曼滤波(Kalman filter,KF)法是最为常用的一种方法.KF是由美国数学家Rudolf Emil Kalman在1960年所提出的一种新型滤波算法,中心思想是在已知系统状态空间模型、噪声统计特性及初始状态值的前提下,依据最小均方误差原则,利用实际的输出观测数据对系统的状态变量进行修正,实时地获得被估计状态量的最优估计值[13 ] . ...
3
... 锂离子电池的模型可分为电化学模型和等效电路模型两种[14 ] . ...
... 电化学模型从电池内部反应的机理出发,以偏微分方程的形式描述反应过程中锂离子的行为及状态,最早为Doyle等建立的准二维(pseudo-two-dimensional,P2D)模型[14 ] .模型的表达式包含固相、液相的扩散方程和欧姆定律方程、电荷守恒方程和Butler-Volmer动力学方程.模型能够很好地仿真电池的内部特性和外部特性,但其包含的微分方程太多,辨识较为麻烦.对P2D模型的简化工作主要从固液相扩散过程、几何结构、数学算法变换开展[15 -16 ] .简化后的模型因其对电池特性描述的高保真度在实验室环境下有着良好的应用,但仍包含大量微分方程导致以何种算法才能保证模型辨识的快速性、收敛性和可靠性成为难点,进而限制其在工程实际中的应用. ...
... 等效电路模型以理想电气元件描述电池的电压响应,通常包含用于描述OCV的电压源、用于描述电压变化的电阻和RC环节.常见的等效电路模型有Rint模型、Thevenin模型、二阶RC模型、PNGV模型和分数阶模型[14 ,16 ] .不同的等效电路模型具有不同的精度和复杂度:Rint模型仅含一个电阻,对电压模拟能力较差;PNGV模型精度高,对电池的动态特性模拟的更好,不过该模型参数辨识相对复杂,不适合工程上使用[17 ] ;分数阶模型考虑了电化学阻抗谱的测量,以常相位角元件替换RC模型中的电容元件,在电压仿真和SOC估算的精度上优于其他等效电路模型,但分数阶微积分的引入使计算量大大增加;RC环节的增加能够增加模型的精度,但模型会变得更加复杂,计算量也随之增大[18 ] ,因此并不是RC环节的阶数越高越好.目前的研究中以Thevenin模型为基础居多,Thevenin模型如图2 所示. ...
3
... 锂离子电池的模型可分为电化学模型和等效电路模型两种[14 ] . ...
... 电化学模型从电池内部反应的机理出发,以偏微分方程的形式描述反应过程中锂离子的行为及状态,最早为Doyle等建立的准二维(pseudo-two-dimensional,P2D)模型[14 ] .模型的表达式包含固相、液相的扩散方程和欧姆定律方程、电荷守恒方程和Butler-Volmer动力学方程.模型能够很好地仿真电池的内部特性和外部特性,但其包含的微分方程太多,辨识较为麻烦.对P2D模型的简化工作主要从固液相扩散过程、几何结构、数学算法变换开展[15 -16 ] .简化后的模型因其对电池特性描述的高保真度在实验室环境下有着良好的应用,但仍包含大量微分方程导致以何种算法才能保证模型辨识的快速性、收敛性和可靠性成为难点,进而限制其在工程实际中的应用. ...
... 等效电路模型以理想电气元件描述电池的电压响应,通常包含用于描述OCV的电压源、用于描述电压变化的电阻和RC环节.常见的等效电路模型有Rint模型、Thevenin模型、二阶RC模型、PNGV模型和分数阶模型[14 ,16 ] .不同的等效电路模型具有不同的精度和复杂度:Rint模型仅含一个电阻,对电压模拟能力较差;PNGV模型精度高,对电池的动态特性模拟的更好,不过该模型参数辨识相对复杂,不适合工程上使用[17 ] ;分数阶模型考虑了电化学阻抗谱的测量,以常相位角元件替换RC模型中的电容元件,在电压仿真和SOC估算的精度上优于其他等效电路模型,但分数阶微积分的引入使计算量大大增加;RC环节的增加能够增加模型的精度,但模型会变得更加复杂,计算量也随之增大[18 ] ,因此并不是RC环节的阶数越高越好.目前的研究中以Thevenin模型为基础居多,Thevenin模型如图2 所示. ...
1
... 电化学模型从电池内部反应的机理出发,以偏微分方程的形式描述反应过程中锂离子的行为及状态,最早为Doyle等建立的准二维(pseudo-two-dimensional,P2D)模型[14 ] .模型的表达式包含固相、液相的扩散方程和欧姆定律方程、电荷守恒方程和Butler-Volmer动力学方程.模型能够很好地仿真电池的内部特性和外部特性,但其包含的微分方程太多,辨识较为麻烦.对P2D模型的简化工作主要从固液相扩散过程、几何结构、数学算法变换开展[15 -16 ] .简化后的模型因其对电池特性描述的高保真度在实验室环境下有着良好的应用,但仍包含大量微分方程导致以何种算法才能保证模型辨识的快速性、收敛性和可靠性成为难点,进而限制其在工程实际中的应用. ...
1
... 电化学模型从电池内部反应的机理出发,以偏微分方程的形式描述反应过程中锂离子的行为及状态,最早为Doyle等建立的准二维(pseudo-two-dimensional,P2D)模型[14 ] .模型的表达式包含固相、液相的扩散方程和欧姆定律方程、电荷守恒方程和Butler-Volmer动力学方程.模型能够很好地仿真电池的内部特性和外部特性,但其包含的微分方程太多,辨识较为麻烦.对P2D模型的简化工作主要从固液相扩散过程、几何结构、数学算法变换开展[15 -16 ] .简化后的模型因其对电池特性描述的高保真度在实验室环境下有着良好的应用,但仍包含大量微分方程导致以何种算法才能保证模型辨识的快速性、收敛性和可靠性成为难点,进而限制其在工程实际中的应用. ...
2
... 电化学模型从电池内部反应的机理出发,以偏微分方程的形式描述反应过程中锂离子的行为及状态,最早为Doyle等建立的准二维(pseudo-two-dimensional,P2D)模型[14 ] .模型的表达式包含固相、液相的扩散方程和欧姆定律方程、电荷守恒方程和Butler-Volmer动力学方程.模型能够很好地仿真电池的内部特性和外部特性,但其包含的微分方程太多,辨识较为麻烦.对P2D模型的简化工作主要从固液相扩散过程、几何结构、数学算法变换开展[15 -16 ] .简化后的模型因其对电池特性描述的高保真度在实验室环境下有着良好的应用,但仍包含大量微分方程导致以何种算法才能保证模型辨识的快速性、收敛性和可靠性成为难点,进而限制其在工程实际中的应用. ...
... 等效电路模型以理想电气元件描述电池的电压响应,通常包含用于描述OCV的电压源、用于描述电压变化的电阻和RC环节.常见的等效电路模型有Rint模型、Thevenin模型、二阶RC模型、PNGV模型和分数阶模型[14 ,16 ] .不同的等效电路模型具有不同的精度和复杂度:Rint模型仅含一个电阻,对电压模拟能力较差;PNGV模型精度高,对电池的动态特性模拟的更好,不过该模型参数辨识相对复杂,不适合工程上使用[17 ] ;分数阶模型考虑了电化学阻抗谱的测量,以常相位角元件替换RC模型中的电容元件,在电压仿真和SOC估算的精度上优于其他等效电路模型,但分数阶微积分的引入使计算量大大增加;RC环节的增加能够增加模型的精度,但模型会变得更加复杂,计算量也随之增大[18 ] ,因此并不是RC环节的阶数越高越好.目前的研究中以Thevenin模型为基础居多,Thevenin模型如图2 所示. ...
2
... 电化学模型从电池内部反应的机理出发,以偏微分方程的形式描述反应过程中锂离子的行为及状态,最早为Doyle等建立的准二维(pseudo-two-dimensional,P2D)模型[14 ] .模型的表达式包含固相、液相的扩散方程和欧姆定律方程、电荷守恒方程和Butler-Volmer动力学方程.模型能够很好地仿真电池的内部特性和外部特性,但其包含的微分方程太多,辨识较为麻烦.对P2D模型的简化工作主要从固液相扩散过程、几何结构、数学算法变换开展[15 -16 ] .简化后的模型因其对电池特性描述的高保真度在实验室环境下有着良好的应用,但仍包含大量微分方程导致以何种算法才能保证模型辨识的快速性、收敛性和可靠性成为难点,进而限制其在工程实际中的应用. ...
... 等效电路模型以理想电气元件描述电池的电压响应,通常包含用于描述OCV的电压源、用于描述电压变化的电阻和RC环节.常见的等效电路模型有Rint模型、Thevenin模型、二阶RC模型、PNGV模型和分数阶模型[14 ,16 ] .不同的等效电路模型具有不同的精度和复杂度:Rint模型仅含一个电阻,对电压模拟能力较差;PNGV模型精度高,对电池的动态特性模拟的更好,不过该模型参数辨识相对复杂,不适合工程上使用[17 ] ;分数阶模型考虑了电化学阻抗谱的测量,以常相位角元件替换RC模型中的电容元件,在电压仿真和SOC估算的精度上优于其他等效电路模型,但分数阶微积分的引入使计算量大大增加;RC环节的增加能够增加模型的精度,但模型会变得更加复杂,计算量也随之增大[18 ] ,因此并不是RC环节的阶数越高越好.目前的研究中以Thevenin模型为基础居多,Thevenin模型如图2 所示. ...
2
... 等效电路模型以理想电气元件描述电池的电压响应,通常包含用于描述OCV的电压源、用于描述电压变化的电阻和RC环节.常见的等效电路模型有Rint模型、Thevenin模型、二阶RC模型、PNGV模型和分数阶模型[14 ,16 ] .不同的等效电路模型具有不同的精度和复杂度:Rint模型仅含一个电阻,对电压模拟能力较差;PNGV模型精度高,对电池的动态特性模拟的更好,不过该模型参数辨识相对复杂,不适合工程上使用[17 ] ;分数阶模型考虑了电化学阻抗谱的测量,以常相位角元件替换RC模型中的电容元件,在电压仿真和SOC估算的精度上优于其他等效电路模型,但分数阶微积分的引入使计算量大大增加;RC环节的增加能够增加模型的精度,但模型会变得更加复杂,计算量也随之增大[18 ] ,因此并不是RC环节的阶数越高越好.目前的研究中以Thevenin模型为基础居多,Thevenin模型如图2 所示. ...
... 经典KF法的局限在于其仅适用于线性系统[25 ] .锂离子电池模型中包含OCV与SOC之间的非线性关系和非线性元件电容,直接使用经典KF法会带来非线性误差,因此在使用KF法进行SOC估算时需要在滤波过程中增加线性化步骤以减少误差.常用的方法包括扩展卡尔曼滤波[26 ] (extended kalman filter,EKF)、无迹卡尔曼滤波[27 ] (unsented kalman filter,UKF)和容积卡尔曼滤波[28 ] (cubature kalman filter,CKF).EKF通过在每个采样点进行系统方程的一阶泰勒展开得到近似的线性系统方程来实现局部线性化,称此过程为雅克比矩阵的求解,其缺点是会增加算法的运算量,同时若系统的非线性函数不可导,EKF将无法展开;UKF通过含有均值和协方差的sigma点集对非线性函数的概率密度分布进行近似,可避免EKF中雅克比矩阵的求解,不受限于系统非线性的表现形式,同时相比EKF,UKF具有更高的线性化精度;CKF基于三阶球面径向容积准则,并使用一组容积点来逼近具有附加高斯噪声的非线性系统的状态均值和协方差[17 ] ,可有效解决非线性系统状态估计问题.EKF、UKF和CKF的递推过程如表1 所示.除基本的EKF、UKF和CKF外,他们的改进方案也被用于SOC的估算中,如将EKF扩展至分数阶[29 ] 、采用更多时刻的观测误差和卡尔曼增益来修正UKF的一步估计结果[30 ] 、以模糊控制器来修正CKF中的卡尔曼增益[31 ] 和将sigma点卡尔曼滤波(SPKF,sigma-point Kalman filter)改进为直接传播协方差平方根的SR-SPKF[32 ] 等. ...
2
... 等效电路模型以理想电气元件描述电池的电压响应,通常包含用于描述OCV的电压源、用于描述电压变化的电阻和RC环节.常见的等效电路模型有Rint模型、Thevenin模型、二阶RC模型、PNGV模型和分数阶模型[14 ,16 ] .不同的等效电路模型具有不同的精度和复杂度:Rint模型仅含一个电阻,对电压模拟能力较差;PNGV模型精度高,对电池的动态特性模拟的更好,不过该模型参数辨识相对复杂,不适合工程上使用[17 ] ;分数阶模型考虑了电化学阻抗谱的测量,以常相位角元件替换RC模型中的电容元件,在电压仿真和SOC估算的精度上优于其他等效电路模型,但分数阶微积分的引入使计算量大大增加;RC环节的增加能够增加模型的精度,但模型会变得更加复杂,计算量也随之增大[18 ] ,因此并不是RC环节的阶数越高越好.目前的研究中以Thevenin模型为基础居多,Thevenin模型如图2 所示. ...
... 经典KF法的局限在于其仅适用于线性系统[25 ] .锂离子电池模型中包含OCV与SOC之间的非线性关系和非线性元件电容,直接使用经典KF法会带来非线性误差,因此在使用KF法进行SOC估算时需要在滤波过程中增加线性化步骤以减少误差.常用的方法包括扩展卡尔曼滤波[26 ] (extended kalman filter,EKF)、无迹卡尔曼滤波[27 ] (unsented kalman filter,UKF)和容积卡尔曼滤波[28 ] (cubature kalman filter,CKF).EKF通过在每个采样点进行系统方程的一阶泰勒展开得到近似的线性系统方程来实现局部线性化,称此过程为雅克比矩阵的求解,其缺点是会增加算法的运算量,同时若系统的非线性函数不可导,EKF将无法展开;UKF通过含有均值和协方差的sigma点集对非线性函数的概率密度分布进行近似,可避免EKF中雅克比矩阵的求解,不受限于系统非线性的表现形式,同时相比EKF,UKF具有更高的线性化精度;CKF基于三阶球面径向容积准则,并使用一组容积点来逼近具有附加高斯噪声的非线性系统的状态均值和协方差[17 ] ,可有效解决非线性系统状态估计问题.EKF、UKF和CKF的递推过程如表1 所示.除基本的EKF、UKF和CKF外,他们的改进方案也被用于SOC的估算中,如将EKF扩展至分数阶[29 ] 、采用更多时刻的观测误差和卡尔曼增益来修正UKF的一步估计结果[30 ] 、以模糊控制器来修正CKF中的卡尔曼增益[31 ] 和将sigma点卡尔曼滤波(SPKF,sigma-point Kalman filter)改进为直接传播协方差平方根的SR-SPKF[32 ] 等. ...
1
... 等效电路模型以理想电气元件描述电池的电压响应,通常包含用于描述OCV的电压源、用于描述电压变化的电阻和RC环节.常见的等效电路模型有Rint模型、Thevenin模型、二阶RC模型、PNGV模型和分数阶模型[14 ,16 ] .不同的等效电路模型具有不同的精度和复杂度:Rint模型仅含一个电阻,对电压模拟能力较差;PNGV模型精度高,对电池的动态特性模拟的更好,不过该模型参数辨识相对复杂,不适合工程上使用[17 ] ;分数阶模型考虑了电化学阻抗谱的测量,以常相位角元件替换RC模型中的电容元件,在电压仿真和SOC估算的精度上优于其他等效电路模型,但分数阶微积分的引入使计算量大大增加;RC环节的增加能够增加模型的精度,但模型会变得更加复杂,计算量也随之增大[18 ] ,因此并不是RC环节的阶数越高越好.目前的研究中以Thevenin模型为基础居多,Thevenin模型如图2 所示. ...
1
... 等效电路模型以理想电气元件描述电池的电压响应,通常包含用于描述OCV的电压源、用于描述电压变化的电阻和RC环节.常见的等效电路模型有Rint模型、Thevenin模型、二阶RC模型、PNGV模型和分数阶模型[14 ,16 ] .不同的等效电路模型具有不同的精度和复杂度:Rint模型仅含一个电阻,对电压模拟能力较差;PNGV模型精度高,对电池的动态特性模拟的更好,不过该模型参数辨识相对复杂,不适合工程上使用[17 ] ;分数阶模型考虑了电化学阻抗谱的测量,以常相位角元件替换RC模型中的电容元件,在电压仿真和SOC估算的精度上优于其他等效电路模型,但分数阶微积分的引入使计算量大大增加;RC环节的增加能够增加模型的精度,但模型会变得更加复杂,计算量也随之增大[18 ] ,因此并不是RC环节的阶数越高越好.目前的研究中以Thevenin模型为基础居多,Thevenin模型如图2 所示. ...
1
... 为了完成对电池外特性的准确描述,还需对等效电路模型中各元件的参数值进行辨识.参数的辨识方法包括离线辨识与在线辨识[19 ] .脉冲电流法是一种经典的模型参数离线辨识方法,通过在固定SOC点对脉冲放电过程与静置过程中的电池电压曲线进行拟合来获取模型参数,该方法简单易行,应用广泛[20 ] . ...
1
... 为了完成对电池外特性的准确描述,还需对等效电路模型中各元件的参数值进行辨识.参数的辨识方法包括离线辨识与在线辨识[19 ] .脉冲电流法是一种经典的模型参数离线辨识方法,通过在固定SOC点对脉冲放电过程与静置过程中的电池电压曲线进行拟合来获取模型参数,该方法简单易行,应用广泛[20 ] . ...
1
... 为了完成对电池外特性的准确描述,还需对等效电路模型中各元件的参数值进行辨识.参数的辨识方法包括离线辨识与在线辨识[19 ] .脉冲电流法是一种经典的模型参数离线辨识方法,通过在固定SOC点对脉冲放电过程与静置过程中的电池电压曲线进行拟合来获取模型参数,该方法简单易行,应用广泛[20 ] . ...
1
... 为了完成对电池外特性的准确描述,还需对等效电路模型中各元件的参数值进行辨识.参数的辨识方法包括离线辨识与在线辨识[19 ] .脉冲电流法是一种经典的模型参数离线辨识方法,通过在固定SOC点对脉冲放电过程与静置过程中的电池电压曲线进行拟合来获取模型参数,该方法简单易行,应用广泛[20 ] . ...
1
... 在实际应用中模型参数会随着电池的容量改变,而电池的老化对参数改变的影响是最大的.由于参数的离线辨识工作往往是在固定电池状态下进行的,当电池发生老化之后原有参数将难以匹配当前电池的状况,这将导致模型在模拟电池外特性时会产生误差,进而影响SOC的估算[21 ] .因此有必要进行实时的模型参数辨识,以保证SOC估算的准确性和可靠性.在线辨识方法有遗传算法[22 ] 、递推最小二乘法[23 ] 、KF法[24 ] 等.因为递推最小二乘法与KF法在收敛速度和对噪声的抑制能力上具有一定优势,目前模型参数的在线辨识工作通常基于这两种方法以及它们的变式展开. ...
1
... 在实际应用中模型参数会随着电池的容量改变,而电池的老化对参数改变的影响是最大的.由于参数的离线辨识工作往往是在固定电池状态下进行的,当电池发生老化之后原有参数将难以匹配当前电池的状况,这将导致模型在模拟电池外特性时会产生误差,进而影响SOC的估算[21 ] .因此有必要进行实时的模型参数辨识,以保证SOC估算的准确性和可靠性.在线辨识方法有遗传算法[22 ] 、递推最小二乘法[23 ] 、KF法[24 ] 等.因为递推最小二乘法与KF法在收敛速度和对噪声的抑制能力上具有一定优势,目前模型参数的在线辨识工作通常基于这两种方法以及它们的变式展开. ...
1
... 在实际应用中模型参数会随着电池的容量改变,而电池的老化对参数改变的影响是最大的.由于参数的离线辨识工作往往是在固定电池状态下进行的,当电池发生老化之后原有参数将难以匹配当前电池的状况,这将导致模型在模拟电池外特性时会产生误差,进而影响SOC的估算[21 ] .因此有必要进行实时的模型参数辨识,以保证SOC估算的准确性和可靠性.在线辨识方法有遗传算法[22 ] 、递推最小二乘法[23 ] 、KF法[24 ] 等.因为递推最小二乘法与KF法在收敛速度和对噪声的抑制能力上具有一定优势,目前模型参数的在线辨识工作通常基于这两种方法以及它们的变式展开. ...
1
... 在实际应用中模型参数会随着电池的容量改变,而电池的老化对参数改变的影响是最大的.由于参数的离线辨识工作往往是在固定电池状态下进行的,当电池发生老化之后原有参数将难以匹配当前电池的状况,这将导致模型在模拟电池外特性时会产生误差,进而影响SOC的估算[21 ] .因此有必要进行实时的模型参数辨识,以保证SOC估算的准确性和可靠性.在线辨识方法有遗传算法[22 ] 、递推最小二乘法[23 ] 、KF法[24 ] 等.因为递推最小二乘法与KF法在收敛速度和对噪声的抑制能力上具有一定优势,目前模型参数的在线辨识工作通常基于这两种方法以及它们的变式展开. ...
1
... 在实际应用中模型参数会随着电池的容量改变,而电池的老化对参数改变的影响是最大的.由于参数的离线辨识工作往往是在固定电池状态下进行的,当电池发生老化之后原有参数将难以匹配当前电池的状况,这将导致模型在模拟电池外特性时会产生误差,进而影响SOC的估算[21 ] .因此有必要进行实时的模型参数辨识,以保证SOC估算的准确性和可靠性.在线辨识方法有遗传算法[22 ] 、递推最小二乘法[23 ] 、KF法[24 ] 等.因为递推最小二乘法与KF法在收敛速度和对噪声的抑制能力上具有一定优势,目前模型参数的在线辨识工作通常基于这两种方法以及它们的变式展开. ...
1
... 在实际应用中模型参数会随着电池的容量改变,而电池的老化对参数改变的影响是最大的.由于参数的离线辨识工作往往是在固定电池状态下进行的,当电池发生老化之后原有参数将难以匹配当前电池的状况,这将导致模型在模拟电池外特性时会产生误差,进而影响SOC的估算[21 ] .因此有必要进行实时的模型参数辨识,以保证SOC估算的准确性和可靠性.在线辨识方法有遗传算法[22 ] 、递推最小二乘法[23 ] 、KF法[24 ] 等.因为递推最小二乘法与KF法在收敛速度和对噪声的抑制能力上具有一定优势,目前模型参数的在线辨识工作通常基于这两种方法以及它们的变式展开. ...
1
... 经典KF法的局限在于其仅适用于线性系统[25 ] .锂离子电池模型中包含OCV与SOC之间的非线性关系和非线性元件电容,直接使用经典KF法会带来非线性误差,因此在使用KF法进行SOC估算时需要在滤波过程中增加线性化步骤以减少误差.常用的方法包括扩展卡尔曼滤波[26 ] (extended kalman filter,EKF)、无迹卡尔曼滤波[27 ] (unsented kalman filter,UKF)和容积卡尔曼滤波[28 ] (cubature kalman filter,CKF).EKF通过在每个采样点进行系统方程的一阶泰勒展开得到近似的线性系统方程来实现局部线性化,称此过程为雅克比矩阵的求解,其缺点是会增加算法的运算量,同时若系统的非线性函数不可导,EKF将无法展开;UKF通过含有均值和协方差的sigma点集对非线性函数的概率密度分布进行近似,可避免EKF中雅克比矩阵的求解,不受限于系统非线性的表现形式,同时相比EKF,UKF具有更高的线性化精度;CKF基于三阶球面径向容积准则,并使用一组容积点来逼近具有附加高斯噪声的非线性系统的状态均值和协方差[17 ] ,可有效解决非线性系统状态估计问题.EKF、UKF和CKF的递推过程如表1 所示.除基本的EKF、UKF和CKF外,他们的改进方案也被用于SOC的估算中,如将EKF扩展至分数阶[29 ] 、采用更多时刻的观测误差和卡尔曼增益来修正UKF的一步估计结果[30 ] 、以模糊控制器来修正CKF中的卡尔曼增益[31 ] 和将sigma点卡尔曼滤波(SPKF,sigma-point Kalman filter)改进为直接传播协方差平方根的SR-SPKF[32 ] 等. ...
1
... 经典KF法的局限在于其仅适用于线性系统[25 ] .锂离子电池模型中包含OCV与SOC之间的非线性关系和非线性元件电容,直接使用经典KF法会带来非线性误差,因此在使用KF法进行SOC估算时需要在滤波过程中增加线性化步骤以减少误差.常用的方法包括扩展卡尔曼滤波[26 ] (extended kalman filter,EKF)、无迹卡尔曼滤波[27 ] (unsented kalman filter,UKF)和容积卡尔曼滤波[28 ] (cubature kalman filter,CKF).EKF通过在每个采样点进行系统方程的一阶泰勒展开得到近似的线性系统方程来实现局部线性化,称此过程为雅克比矩阵的求解,其缺点是会增加算法的运算量,同时若系统的非线性函数不可导,EKF将无法展开;UKF通过含有均值和协方差的sigma点集对非线性函数的概率密度分布进行近似,可避免EKF中雅克比矩阵的求解,不受限于系统非线性的表现形式,同时相比EKF,UKF具有更高的线性化精度;CKF基于三阶球面径向容积准则,并使用一组容积点来逼近具有附加高斯噪声的非线性系统的状态均值和协方差[17 ] ,可有效解决非线性系统状态估计问题.EKF、UKF和CKF的递推过程如表1 所示.除基本的EKF、UKF和CKF外,他们的改进方案也被用于SOC的估算中,如将EKF扩展至分数阶[29 ] 、采用更多时刻的观测误差和卡尔曼增益来修正UKF的一步估计结果[30 ] 、以模糊控制器来修正CKF中的卡尔曼增益[31 ] 和将sigma点卡尔曼滤波(SPKF,sigma-point Kalman filter)改进为直接传播协方差平方根的SR-SPKF[32 ] 等. ...
1
... 经典KF法的局限在于其仅适用于线性系统[25 ] .锂离子电池模型中包含OCV与SOC之间的非线性关系和非线性元件电容,直接使用经典KF法会带来非线性误差,因此在使用KF法进行SOC估算时需要在滤波过程中增加线性化步骤以减少误差.常用的方法包括扩展卡尔曼滤波[26 ] (extended kalman filter,EKF)、无迹卡尔曼滤波[27 ] (unsented kalman filter,UKF)和容积卡尔曼滤波[28 ] (cubature kalman filter,CKF).EKF通过在每个采样点进行系统方程的一阶泰勒展开得到近似的线性系统方程来实现局部线性化,称此过程为雅克比矩阵的求解,其缺点是会增加算法的运算量,同时若系统的非线性函数不可导,EKF将无法展开;UKF通过含有均值和协方差的sigma点集对非线性函数的概率密度分布进行近似,可避免EKF中雅克比矩阵的求解,不受限于系统非线性的表现形式,同时相比EKF,UKF具有更高的线性化精度;CKF基于三阶球面径向容积准则,并使用一组容积点来逼近具有附加高斯噪声的非线性系统的状态均值和协方差[17 ] ,可有效解决非线性系统状态估计问题.EKF、UKF和CKF的递推过程如表1 所示.除基本的EKF、UKF和CKF外,他们的改进方案也被用于SOC的估算中,如将EKF扩展至分数阶[29 ] 、采用更多时刻的观测误差和卡尔曼增益来修正UKF的一步估计结果[30 ] 、以模糊控制器来修正CKF中的卡尔曼增益[31 ] 和将sigma点卡尔曼滤波(SPKF,sigma-point Kalman filter)改进为直接传播协方差平方根的SR-SPKF[32 ] 等. ...
1
... 经典KF法的局限在于其仅适用于线性系统[25 ] .锂离子电池模型中包含OCV与SOC之间的非线性关系和非线性元件电容,直接使用经典KF法会带来非线性误差,因此在使用KF法进行SOC估算时需要在滤波过程中增加线性化步骤以减少误差.常用的方法包括扩展卡尔曼滤波[26 ] (extended kalman filter,EKF)、无迹卡尔曼滤波[27 ] (unsented kalman filter,UKF)和容积卡尔曼滤波[28 ] (cubature kalman filter,CKF).EKF通过在每个采样点进行系统方程的一阶泰勒展开得到近似的线性系统方程来实现局部线性化,称此过程为雅克比矩阵的求解,其缺点是会增加算法的运算量,同时若系统的非线性函数不可导,EKF将无法展开;UKF通过含有均值和协方差的sigma点集对非线性函数的概率密度分布进行近似,可避免EKF中雅克比矩阵的求解,不受限于系统非线性的表现形式,同时相比EKF,UKF具有更高的线性化精度;CKF基于三阶球面径向容积准则,并使用一组容积点来逼近具有附加高斯噪声的非线性系统的状态均值和协方差[17 ] ,可有效解决非线性系统状态估计问题.EKF、UKF和CKF的递推过程如表1 所示.除基本的EKF、UKF和CKF外,他们的改进方案也被用于SOC的估算中,如将EKF扩展至分数阶[29 ] 、采用更多时刻的观测误差和卡尔曼增益来修正UKF的一步估计结果[30 ] 、以模糊控制器来修正CKF中的卡尔曼增益[31 ] 和将sigma点卡尔曼滤波(SPKF,sigma-point Kalman filter)改进为直接传播协方差平方根的SR-SPKF[32 ] 等. ...
1
... 经典KF法的局限在于其仅适用于线性系统[25 ] .锂离子电池模型中包含OCV与SOC之间的非线性关系和非线性元件电容,直接使用经典KF法会带来非线性误差,因此在使用KF法进行SOC估算时需要在滤波过程中增加线性化步骤以减少误差.常用的方法包括扩展卡尔曼滤波[26 ] (extended kalman filter,EKF)、无迹卡尔曼滤波[27 ] (unsented kalman filter,UKF)和容积卡尔曼滤波[28 ] (cubature kalman filter,CKF).EKF通过在每个采样点进行系统方程的一阶泰勒展开得到近似的线性系统方程来实现局部线性化,称此过程为雅克比矩阵的求解,其缺点是会增加算法的运算量,同时若系统的非线性函数不可导,EKF将无法展开;UKF通过含有均值和协方差的sigma点集对非线性函数的概率密度分布进行近似,可避免EKF中雅克比矩阵的求解,不受限于系统非线性的表现形式,同时相比EKF,UKF具有更高的线性化精度;CKF基于三阶球面径向容积准则,并使用一组容积点来逼近具有附加高斯噪声的非线性系统的状态均值和协方差[17 ] ,可有效解决非线性系统状态估计问题.EKF、UKF和CKF的递推过程如表1 所示.除基本的EKF、UKF和CKF外,他们的改进方案也被用于SOC的估算中,如将EKF扩展至分数阶[29 ] 、采用更多时刻的观测误差和卡尔曼增益来修正UKF的一步估计结果[30 ] 、以模糊控制器来修正CKF中的卡尔曼增益[31 ] 和将sigma点卡尔曼滤波(SPKF,sigma-point Kalman filter)改进为直接传播协方差平方根的SR-SPKF[32 ] 等. ...
1
... 经典KF法的局限在于其仅适用于线性系统[25 ] .锂离子电池模型中包含OCV与SOC之间的非线性关系和非线性元件电容,直接使用经典KF法会带来非线性误差,因此在使用KF法进行SOC估算时需要在滤波过程中增加线性化步骤以减少误差.常用的方法包括扩展卡尔曼滤波[26 ] (extended kalman filter,EKF)、无迹卡尔曼滤波[27 ] (unsented kalman filter,UKF)和容积卡尔曼滤波[28 ] (cubature kalman filter,CKF).EKF通过在每个采样点进行系统方程的一阶泰勒展开得到近似的线性系统方程来实现局部线性化,称此过程为雅克比矩阵的求解,其缺点是会增加算法的运算量,同时若系统的非线性函数不可导,EKF将无法展开;UKF通过含有均值和协方差的sigma点集对非线性函数的概率密度分布进行近似,可避免EKF中雅克比矩阵的求解,不受限于系统非线性的表现形式,同时相比EKF,UKF具有更高的线性化精度;CKF基于三阶球面径向容积准则,并使用一组容积点来逼近具有附加高斯噪声的非线性系统的状态均值和协方差[17 ] ,可有效解决非线性系统状态估计问题.EKF、UKF和CKF的递推过程如表1 所示.除基本的EKF、UKF和CKF外,他们的改进方案也被用于SOC的估算中,如将EKF扩展至分数阶[29 ] 、采用更多时刻的观测误差和卡尔曼增益来修正UKF的一步估计结果[30 ] 、以模糊控制器来修正CKF中的卡尔曼增益[31 ] 和将sigma点卡尔曼滤波(SPKF,sigma-point Kalman filter)改进为直接传播协方差平方根的SR-SPKF[32 ] 等. ...
1
... 经典KF法的局限在于其仅适用于线性系统[25 ] .锂离子电池模型中包含OCV与SOC之间的非线性关系和非线性元件电容,直接使用经典KF法会带来非线性误差,因此在使用KF法进行SOC估算时需要在滤波过程中增加线性化步骤以减少误差.常用的方法包括扩展卡尔曼滤波[26 ] (extended kalman filter,EKF)、无迹卡尔曼滤波[27 ] (unsented kalman filter,UKF)和容积卡尔曼滤波[28 ] (cubature kalman filter,CKF).EKF通过在每个采样点进行系统方程的一阶泰勒展开得到近似的线性系统方程来实现局部线性化,称此过程为雅克比矩阵的求解,其缺点是会增加算法的运算量,同时若系统的非线性函数不可导,EKF将无法展开;UKF通过含有均值和协方差的sigma点集对非线性函数的概率密度分布进行近似,可避免EKF中雅克比矩阵的求解,不受限于系统非线性的表现形式,同时相比EKF,UKF具有更高的线性化精度;CKF基于三阶球面径向容积准则,并使用一组容积点来逼近具有附加高斯噪声的非线性系统的状态均值和协方差[17 ] ,可有效解决非线性系统状态估计问题.EKF、UKF和CKF的递推过程如表1 所示.除基本的EKF、UKF和CKF外,他们的改进方案也被用于SOC的估算中,如将EKF扩展至分数阶[29 ] 、采用更多时刻的观测误差和卡尔曼增益来修正UKF的一步估计结果[30 ] 、以模糊控制器来修正CKF中的卡尔曼增益[31 ] 和将sigma点卡尔曼滤波(SPKF,sigma-point Kalman filter)改进为直接传播协方差平方根的SR-SPKF[32 ] 等. ...
1
... 经典KF法的局限在于其仅适用于线性系统[25 ] .锂离子电池模型中包含OCV与SOC之间的非线性关系和非线性元件电容,直接使用经典KF法会带来非线性误差,因此在使用KF法进行SOC估算时需要在滤波过程中增加线性化步骤以减少误差.常用的方法包括扩展卡尔曼滤波[26 ] (extended kalman filter,EKF)、无迹卡尔曼滤波[27 ] (unsented kalman filter,UKF)和容积卡尔曼滤波[28 ] (cubature kalman filter,CKF).EKF通过在每个采样点进行系统方程的一阶泰勒展开得到近似的线性系统方程来实现局部线性化,称此过程为雅克比矩阵的求解,其缺点是会增加算法的运算量,同时若系统的非线性函数不可导,EKF将无法展开;UKF通过含有均值和协方差的sigma点集对非线性函数的概率密度分布进行近似,可避免EKF中雅克比矩阵的求解,不受限于系统非线性的表现形式,同时相比EKF,UKF具有更高的线性化精度;CKF基于三阶球面径向容积准则,并使用一组容积点来逼近具有附加高斯噪声的非线性系统的状态均值和协方差[17 ] ,可有效解决非线性系统状态估计问题.EKF、UKF和CKF的递推过程如表1 所示.除基本的EKF、UKF和CKF外,他们的改进方案也被用于SOC的估算中,如将EKF扩展至分数阶[29 ] 、采用更多时刻的观测误差和卡尔曼增益来修正UKF的一步估计结果[30 ] 、以模糊控制器来修正CKF中的卡尔曼增益[31 ] 和将sigma点卡尔曼滤波(SPKF,sigma-point Kalman filter)改进为直接传播协方差平方根的SR-SPKF[32 ] 等. ...
1
... 在KF族算法中,除系统参数之外,估算精度还易受到状态方程及观测方程噪声协方差的影响.Matthew等[33 ] 利用随机稳定性引理,引入不同参数对在线KF算法的性能进行评估,指出减小过程激励噪声协方差Q 和增大观测噪声协方差R 都能提高算法的估算精度,但随着R 的增大,会导致算法的收敛速度下降.在利用KF族算法进行SOC估算时,通常认为过程和观测的噪声都是高斯白噪声,即将Q 和R 设为定值.然而实际复杂的电池系统并不满足这一假设,这种处理方式忽略了噪声变化对估算结果的影响,会造成SOC估算的误差.针对这一问题的改进方法是使KF算法的噪声自适应,即根据测量值与估算值之间的误差来调整Q 值与R 值,改善因其值不合适引起的估算误差和发散等问题[34 ] .通常可用Sage-Husa自适应方法[35 -36 ] 和利用开窗估计构造新息矩阵更新噪声的自适应方法[37 ,34 ] ,以自适应算法改进的KF族算法具有良好的鲁棒性,在噪声复杂的工况下具有更好的适应性. ...
2
... 在KF族算法中,除系统参数之外,估算精度还易受到状态方程及观测方程噪声协方差的影响.Matthew等[33 ] 利用随机稳定性引理,引入不同参数对在线KF算法的性能进行评估,指出减小过程激励噪声协方差Q 和增大观测噪声协方差R 都能提高算法的估算精度,但随着R 的增大,会导致算法的收敛速度下降.在利用KF族算法进行SOC估算时,通常认为过程和观测的噪声都是高斯白噪声,即将Q 和R 设为定值.然而实际复杂的电池系统并不满足这一假设,这种处理方式忽略了噪声变化对估算结果的影响,会造成SOC估算的误差.针对这一问题的改进方法是使KF算法的噪声自适应,即根据测量值与估算值之间的误差来调整Q 值与R 值,改善因其值不合适引起的估算误差和发散等问题[34 ] .通常可用Sage-Husa自适应方法[35 -36 ] 和利用开窗估计构造新息矩阵更新噪声的自适应方法[37 ,34 ] ,以自适应算法改进的KF族算法具有良好的鲁棒性,在噪声复杂的工况下具有更好的适应性. ...
... ,34 ],以自适应算法改进的KF族算法具有良好的鲁棒性,在噪声复杂的工况下具有更好的适应性. ...
1
... 在KF族算法中,除系统参数之外,估算精度还易受到状态方程及观测方程噪声协方差的影响.Matthew等[33 ] 利用随机稳定性引理,引入不同参数对在线KF算法的性能进行评估,指出减小过程激励噪声协方差Q 和增大观测噪声协方差R 都能提高算法的估算精度,但随着R 的增大,会导致算法的收敛速度下降.在利用KF族算法进行SOC估算时,通常认为过程和观测的噪声都是高斯白噪声,即将Q 和R 设为定值.然而实际复杂的电池系统并不满足这一假设,这种处理方式忽略了噪声变化对估算结果的影响,会造成SOC估算的误差.针对这一问题的改进方法是使KF算法的噪声自适应,即根据测量值与估算值之间的误差来调整Q 值与R 值,改善因其值不合适引起的估算误差和发散等问题[34 ] .通常可用Sage-Husa自适应方法[35 -36 ] 和利用开窗估计构造新息矩阵更新噪声的自适应方法[37 ,34 ] ,以自适应算法改进的KF族算法具有良好的鲁棒性,在噪声复杂的工况下具有更好的适应性. ...
1
... 在KF族算法中,除系统参数之外,估算精度还易受到状态方程及观测方程噪声协方差的影响.Matthew等[33 ] 利用随机稳定性引理,引入不同参数对在线KF算法的性能进行评估,指出减小过程激励噪声协方差Q 和增大观测噪声协方差R 都能提高算法的估算精度,但随着R 的增大,会导致算法的收敛速度下降.在利用KF族算法进行SOC估算时,通常认为过程和观测的噪声都是高斯白噪声,即将Q 和R 设为定值.然而实际复杂的电池系统并不满足这一假设,这种处理方式忽略了噪声变化对估算结果的影响,会造成SOC估算的误差.针对这一问题的改进方法是使KF算法的噪声自适应,即根据测量值与估算值之间的误差来调整Q 值与R 值,改善因其值不合适引起的估算误差和发散等问题[34 ] .通常可用Sage-Husa自适应方法[35 -36 ] 和利用开窗估计构造新息矩阵更新噪声的自适应方法[37 ,34 ] ,以自适应算法改进的KF族算法具有良好的鲁棒性,在噪声复杂的工况下具有更好的适应性. ...
1
... 在KF族算法中,除系统参数之外,估算精度还易受到状态方程及观测方程噪声协方差的影响.Matthew等[33 ] 利用随机稳定性引理,引入不同参数对在线KF算法的性能进行评估,指出减小过程激励噪声协方差Q 和增大观测噪声协方差R 都能提高算法的估算精度,但随着R 的增大,会导致算法的收敛速度下降.在利用KF族算法进行SOC估算时,通常认为过程和观测的噪声都是高斯白噪声,即将Q 和R 设为定值.然而实际复杂的电池系统并不满足这一假设,这种处理方式忽略了噪声变化对估算结果的影响,会造成SOC估算的误差.针对这一问题的改进方法是使KF算法的噪声自适应,即根据测量值与估算值之间的误差来调整Q 值与R 值,改善因其值不合适引起的估算误差和发散等问题[34 ] .通常可用Sage-Husa自适应方法[35 -36 ] 和利用开窗估计构造新息矩阵更新噪声的自适应方法[37 ,34 ] ,以自适应算法改进的KF族算法具有良好的鲁棒性,在噪声复杂的工况下具有更好的适应性. ...
1
... 在KF族算法中,除系统参数之外,估算精度还易受到状态方程及观测方程噪声协方差的影响.Matthew等[33 ] 利用随机稳定性引理,引入不同参数对在线KF算法的性能进行评估,指出减小过程激励噪声协方差Q 和增大观测噪声协方差R 都能提高算法的估算精度,但随着R 的增大,会导致算法的收敛速度下降.在利用KF族算法进行SOC估算时,通常认为过程和观测的噪声都是高斯白噪声,即将Q 和R 设为定值.然而实际复杂的电池系统并不满足这一假设,这种处理方式忽略了噪声变化对估算结果的影响,会造成SOC估算的误差.针对这一问题的改进方法是使KF算法的噪声自适应,即根据测量值与估算值之间的误差来调整Q 值与R 值,改善因其值不合适引起的估算误差和发散等问题[34 ] .通常可用Sage-Husa自适应方法[35 -36 ] 和利用开窗估计构造新息矩阵更新噪声的自适应方法[37 ,34 ] ,以自适应算法改进的KF族算法具有良好的鲁棒性,在噪声复杂的工况下具有更好的适应性. ...
1
... KF族等基于模型的SOC估算算法的局限在于需要对相关领域内的专业知识进行深入的研究和消耗大量的时间进行实验来开发精确的电池模型[38 -39 ] .当目标系统的数学模型未知或难以描述时,数据驱动方法具有巨大的优势[40 ] ,其无需考虑系统内部的实际反应情况,依靠输入与输出间的映射关系即可建立预测模型. ...
1
... KF族等基于模型的SOC估算算法的局限在于需要对相关领域内的专业知识进行深入的研究和消耗大量的时间进行实验来开发精确的电池模型[38 -39 ] .当目标系统的数学模型未知或难以描述时,数据驱动方法具有巨大的优势[40 ] ,其无需考虑系统内部的实际反应情况,依靠输入与输出间的映射关系即可建立预测模型. ...
1
... KF族等基于模型的SOC估算算法的局限在于需要对相关领域内的专业知识进行深入的研究和消耗大量的时间进行实验来开发精确的电池模型[38 -39 ] .当目标系统的数学模型未知或难以描述时,数据驱动方法具有巨大的优势[40 ] ,其无需考虑系统内部的实际反应情况,依靠输入与输出间的映射关系即可建立预测模型. ...
1
... KF族等基于模型的SOC估算算法的局限在于需要对相关领域内的专业知识进行深入的研究和消耗大量的时间进行实验来开发精确的电池模型[38 -39 ] .当目标系统的数学模型未知或难以描述时,数据驱动方法具有巨大的优势[40 ] ,其无需考虑系统内部的实际反应情况,依靠输入与输出间的映射关系即可建立预测模型. ...
1
... 人工神经网络(artificial neural network,ANN)是一种通过模拟人脑神经元和神经系统运作进行数据及信息处理的数学模型,典型的ANN由输入层、隐藏层和输出层组成,利用包含输入与输出的数据集对神经网络进行训练,可以形成输入与输出之间的非线性映射,从而精确地模拟出两者之间的关系[41 ] .在SOC的估算应用中,通常由电池的电流、电压和温度等实时量测数据构成网络的输入,SOC作为输出[42 -43 ] .ANN具有结构简单、参数可调性强、可靠性高等优点,然而对初始权值和阈值的敏感性使ANN容易陷入局部最小值[44 ] ,这使得单一的神经网络难以满足高精度估算SOC的要求. ...
1
... 人工神经网络(artificial neural network,ANN)是一种通过模拟人脑神经元和神经系统运作进行数据及信息处理的数学模型,典型的ANN由输入层、隐藏层和输出层组成,利用包含输入与输出的数据集对神经网络进行训练,可以形成输入与输出之间的非线性映射,从而精确地模拟出两者之间的关系[41 ] .在SOC的估算应用中,通常由电池的电流、电压和温度等实时量测数据构成网络的输入,SOC作为输出[42 -43 ] .ANN具有结构简单、参数可调性强、可靠性高等优点,然而对初始权值和阈值的敏感性使ANN容易陷入局部最小值[44 ] ,这使得单一的神经网络难以满足高精度估算SOC的要求. ...
1
... 人工神经网络(artificial neural network,ANN)是一种通过模拟人脑神经元和神经系统运作进行数据及信息处理的数学模型,典型的ANN由输入层、隐藏层和输出层组成,利用包含输入与输出的数据集对神经网络进行训练,可以形成输入与输出之间的非线性映射,从而精确地模拟出两者之间的关系[41 ] .在SOC的估算应用中,通常由电池的电流、电压和温度等实时量测数据构成网络的输入,SOC作为输出[42 -43 ] .ANN具有结构简单、参数可调性强、可靠性高等优点,然而对初始权值和阈值的敏感性使ANN容易陷入局部最小值[44 ] ,这使得单一的神经网络难以满足高精度估算SOC的要求. ...
2
... 人工神经网络(artificial neural network,ANN)是一种通过模拟人脑神经元和神经系统运作进行数据及信息处理的数学模型,典型的ANN由输入层、隐藏层和输出层组成,利用包含输入与输出的数据集对神经网络进行训练,可以形成输入与输出之间的非线性映射,从而精确地模拟出两者之间的关系[41 ] .在SOC的估算应用中,通常由电池的电流、电压和温度等实时量测数据构成网络的输入,SOC作为输出[42 -43 ] .ANN具有结构简单、参数可调性强、可靠性高等优点,然而对初始权值和阈值的敏感性使ANN容易陷入局部最小值[44 ] ,这使得单一的神经网络难以满足高精度估算SOC的要求. ...
... 利用优化算法改善ANN的结构可有效解决这一问题.人工鱼群算法[44 ] 、遗传算法[45 ] 、动量梯度法[46 ] 等具有全局搜索目标最优值的功能.在优化算法有限次迭代的前提下,拥有最优权值与最优阈值的ANN可以使SOC的估算精度大大提高. ...
1
... 利用优化算法改善ANN的结构可有效解决这一问题.人工鱼群算法[44 ] 、遗传算法[45 ] 、动量梯度法[46 ] 等具有全局搜索目标最优值的功能.在优化算法有限次迭代的前提下,拥有最优权值与最优阈值的ANN可以使SOC的估算精度大大提高. ...
1
... 利用优化算法改善ANN的结构可有效解决这一问题.人工鱼群算法[44 ] 、遗传算法[45 ] 、动量梯度法[46 ] 等具有全局搜索目标最优值的功能.在优化算法有限次迭代的前提下,拥有最优权值与最优阈值的ANN可以使SOC的估算精度大大提高. ...
1
... 利用优化算法改善ANN的结构可有效解决这一问题.人工鱼群算法[44 ] 、遗传算法[45 ] 、动量梯度法[46 ] 等具有全局搜索目标最优值的功能.在优化算法有限次迭代的前提下,拥有最优权值与最优阈值的ANN可以使SOC的估算精度大大提高. ...
1
... 支持向量机(support vector machine,SVM)是一种针对二分类任务设计的数据驱动模型,其核心思想是将输入向量映射到高维空间并构造最优分离的超平面[47 ] .由于其求解通常是借助凸优化技术,求得的解必定是全局最优的[48 ] ,因此相比于ANN,SVM具有更好的泛化能力. ...
1
... 支持向量机(support vector machine,SVM)是一种针对二分类任务设计的数据驱动模型,其核心思想是将输入向量映射到高维空间并构造最优分离的超平面[47 ] .由于其求解通常是借助凸优化技术,求得的解必定是全局最优的[48 ] ,因此相比于ANN,SVM具有更好的泛化能力. ...
2
... 支持向量机(support vector machine,SVM)是一种针对二分类任务设计的数据驱动模型,其核心思想是将输入向量映射到高维空间并构造最优分离的超平面[47 ] .由于其求解通常是借助凸优化技术,求得的解必定是全局最优的[48 ] ,因此相比于ANN,SVM具有更好的泛化能力. ...
... 标准的SVM局限在于当面对的数据样本较大时,其规划问题会变得复杂,连续迭代后会导致模型精度下降,同时计算速度也会有所降低[49 ] .李嘉波等[50 ] 采用最小二乘支持向量机(least squares support vector machine, LSSVM)对标准SVM进行改进,该方法用等式约束替代了标准SVM中的不等式约束,使SOC的估算精度得到提升.除此之外,文献[48 ]中指出SVM的最终性能由核函数直接决定,而核函数的选择是一个未决问题.王语园等[51 ] 采用自适应粒子群算法对LSSVM的正则化系数和核函数进行优化,相比于SVM的结果,SOC的估算精度得到大幅提升. ...
2
... 支持向量机(support vector machine,SVM)是一种针对二分类任务设计的数据驱动模型,其核心思想是将输入向量映射到高维空间并构造最优分离的超平面[47 ] .由于其求解通常是借助凸优化技术,求得的解必定是全局最优的[48 ] ,因此相比于ANN,SVM具有更好的泛化能力. ...
... 标准的SVM局限在于当面对的数据样本较大时,其规划问题会变得复杂,连续迭代后会导致模型精度下降,同时计算速度也会有所降低[49 ] .李嘉波等[50 ] 采用最小二乘支持向量机(least squares support vector machine, LSSVM)对标准SVM进行改进,该方法用等式约束替代了标准SVM中的不等式约束,使SOC的估算精度得到提升.除此之外,文献[48 ]中指出SVM的最终性能由核函数直接决定,而核函数的选择是一个未决问题.王语园等[51 ] 采用自适应粒子群算法对LSSVM的正则化系数和核函数进行优化,相比于SVM的结果,SOC的估算精度得到大幅提升. ...
1
... 标准的SVM局限在于当面对的数据样本较大时,其规划问题会变得复杂,连续迭代后会导致模型精度下降,同时计算速度也会有所降低[49 ] .李嘉波等[50 ] 采用最小二乘支持向量机(least squares support vector machine, LSSVM)对标准SVM进行改进,该方法用等式约束替代了标准SVM中的不等式约束,使SOC的估算精度得到提升.除此之外,文献[48 ]中指出SVM的最终性能由核函数直接决定,而核函数的选择是一个未决问题.王语园等[51 ] 采用自适应粒子群算法对LSSVM的正则化系数和核函数进行优化,相比于SVM的结果,SOC的估算精度得到大幅提升. ...
1
... 标准的SVM局限在于当面对的数据样本较大时,其规划问题会变得复杂,连续迭代后会导致模型精度下降,同时计算速度也会有所降低[49 ] .李嘉波等[50 ] 采用最小二乘支持向量机(least squares support vector machine, LSSVM)对标准SVM进行改进,该方法用等式约束替代了标准SVM中的不等式约束,使SOC的估算精度得到提升.除此之外,文献[48 ]中指出SVM的最终性能由核函数直接决定,而核函数的选择是一个未决问题.王语园等[51 ] 采用自适应粒子群算法对LSSVM的正则化系数和核函数进行优化,相比于SVM的结果,SOC的估算精度得到大幅提升. ...
1
... 标准的SVM局限在于当面对的数据样本较大时,其规划问题会变得复杂,连续迭代后会导致模型精度下降,同时计算速度也会有所降低[49 ] .李嘉波等[50 ] 采用最小二乘支持向量机(least squares support vector machine, LSSVM)对标准SVM进行改进,该方法用等式约束替代了标准SVM中的不等式约束,使SOC的估算精度得到提升.除此之外,文献[48 ]中指出SVM的最终性能由核函数直接决定,而核函数的选择是一个未决问题.王语园等[51 ] 采用自适应粒子群算法对LSSVM的正则化系数和核函数进行优化,相比于SVM的结果,SOC的估算精度得到大幅提升. ...
1
... 标准的SVM局限在于当面对的数据样本较大时,其规划问题会变得复杂,连续迭代后会导致模型精度下降,同时计算速度也会有所降低[49 ] .李嘉波等[50 ] 采用最小二乘支持向量机(least squares support vector machine, LSSVM)对标准SVM进行改进,该方法用等式约束替代了标准SVM中的不等式约束,使SOC的估算精度得到提升.除此之外,文献[48 ]中指出SVM的最终性能由核函数直接决定,而核函数的选择是一个未决问题.王语园等[51 ] 采用自适应粒子群算法对LSSVM的正则化系数和核函数进行优化,相比于SVM的结果,SOC的估算精度得到大幅提升. ...
1
... 标准的SVM局限在于当面对的数据样本较大时,其规划问题会变得复杂,连续迭代后会导致模型精度下降,同时计算速度也会有所降低[49 ] .李嘉波等[50 ] 采用最小二乘支持向量机(least squares support vector machine, LSSVM)对标准SVM进行改进,该方法用等式约束替代了标准SVM中的不等式约束,使SOC的估算精度得到提升.除此之外,文献[48 ]中指出SVM的最终性能由核函数直接决定,而核函数的选择是一个未决问题.王语园等[51 ] 采用自适应粒子群算法对LSSVM的正则化系数和核函数进行优化,相比于SVM的结果,SOC的估算精度得到大幅提升. ...
1
... 标准的SVM局限在于当面对的数据样本较大时,其规划问题会变得复杂,连续迭代后会导致模型精度下降,同时计算速度也会有所降低[49 ] .李嘉波等[50 ] 采用最小二乘支持向量机(least squares support vector machine, LSSVM)对标准SVM进行改进,该方法用等式约束替代了标准SVM中的不等式约束,使SOC的估算精度得到提升.除此之外,文献[48 ]中指出SVM的最终性能由核函数直接决定,而核函数的选择是一个未决问题.王语园等[51 ] 采用自适应粒子群算法对LSSVM的正则化系数和核函数进行优化,相比于SVM的结果,SOC的估算精度得到大幅提升. ...
1
... 除建立输入变量与SOC的非线性映射关系进行直接估算外,数据驱动的方法还被用于与其他估算方法结合,从而实现对原有算法的优化.如Xu等[52 ] 利用长短期记忆神经网络与滤波算法结合,消除磷酸铁锂电池的迟滞现象造成的负面影响而进一步提高SOC估算精度;田东东等[53 ] 利用神经网络对EKF线性化过程造成的误差进行补偿而优化SOC估算;Zhang等[54 ] 利用高斯回归过程结合容量增量实现了充放电初期的SOC标定,为AHI法提供了准确的初值.数据驱动方法有很强的数据综合能力和非线性拟合能力,与现有的其他SOC估算方法结合具有良好的发展前景. ...
1
... 除建立输入变量与SOC的非线性映射关系进行直接估算外,数据驱动的方法还被用于与其他估算方法结合,从而实现对原有算法的优化.如Xu等[52 ] 利用长短期记忆神经网络与滤波算法结合,消除磷酸铁锂电池的迟滞现象造成的负面影响而进一步提高SOC估算精度;田东东等[53 ] 利用神经网络对EKF线性化过程造成的误差进行补偿而优化SOC估算;Zhang等[54 ] 利用高斯回归过程结合容量增量实现了充放电初期的SOC标定,为AHI法提供了准确的初值.数据驱动方法有很强的数据综合能力和非线性拟合能力,与现有的其他SOC估算方法结合具有良好的发展前景. ...
1
... 除建立输入变量与SOC的非线性映射关系进行直接估算外,数据驱动的方法还被用于与其他估算方法结合,从而实现对原有算法的优化.如Xu等[52 ] 利用长短期记忆神经网络与滤波算法结合,消除磷酸铁锂电池的迟滞现象造成的负面影响而进一步提高SOC估算精度;田东东等[53 ] 利用神经网络对EKF线性化过程造成的误差进行补偿而优化SOC估算;Zhang等[54 ] 利用高斯回归过程结合容量增量实现了充放电初期的SOC标定,为AHI法提供了准确的初值.数据驱动方法有很强的数据综合能力和非线性拟合能力,与现有的其他SOC估算方法结合具有良好的发展前景. ...
1
... 除建立输入变量与SOC的非线性映射关系进行直接估算外,数据驱动的方法还被用于与其他估算方法结合,从而实现对原有算法的优化.如Xu等[52 ] 利用长短期记忆神经网络与滤波算法结合,消除磷酸铁锂电池的迟滞现象造成的负面影响而进一步提高SOC估算精度;田东东等[53 ] 利用神经网络对EKF线性化过程造成的误差进行补偿而优化SOC估算;Zhang等[54 ] 利用高斯回归过程结合容量增量实现了充放电初期的SOC标定,为AHI法提供了准确的初值.数据驱动方法有很强的数据综合能力和非线性拟合能力,与现有的其他SOC估算方法结合具有良好的发展前景. ...
1
... 受限于实际使用中的成本、复杂度和可靠性等因素限制,往往只能在估算精度与成本之间选择折中的方案.因此在实际硬件如基于STM32的实现中,电池SOC估算的方法主要集中在AHI法与OCV法[55 -56 ] ,丁镇涛等[57 ] 硬件在环仿真(hardware-in-the-loop, HIL)测试平台中实现了无迹卡尔曼滤波与安时积分结合的SOC估算研究;Tian等[58 ] 开发了基于FPGA的BMS,并使用基于系统在环平台的双扩展卡尔曼滤波算法进行SOC估算,且具有微秒级的快速性.高级算法已经在实验室环境中得到了较好的验证,而在实际硬件环境中的探索仍较为缺乏. ...
1
... 受限于实际使用中的成本、复杂度和可靠性等因素限制,往往只能在估算精度与成本之间选择折中的方案.因此在实际硬件如基于STM32的实现中,电池SOC估算的方法主要集中在AHI法与OCV法[55 -56 ] ,丁镇涛等[57 ] 硬件在环仿真(hardware-in-the-loop, HIL)测试平台中实现了无迹卡尔曼滤波与安时积分结合的SOC估算研究;Tian等[58 ] 开发了基于FPGA的BMS,并使用基于系统在环平台的双扩展卡尔曼滤波算法进行SOC估算,且具有微秒级的快速性.高级算法已经在实验室环境中得到了较好的验证,而在实际硬件环境中的探索仍较为缺乏. ...
1
... 受限于实际使用中的成本、复杂度和可靠性等因素限制,往往只能在估算精度与成本之间选择折中的方案.因此在实际硬件如基于STM32的实现中,电池SOC估算的方法主要集中在AHI法与OCV法[55 -56 ] ,丁镇涛等[57 ] 硬件在环仿真(hardware-in-the-loop, HIL)测试平台中实现了无迹卡尔曼滤波与安时积分结合的SOC估算研究;Tian等[58 ] 开发了基于FPGA的BMS,并使用基于系统在环平台的双扩展卡尔曼滤波算法进行SOC估算,且具有微秒级的快速性.高级算法已经在实验室环境中得到了较好的验证,而在实际硬件环境中的探索仍较为缺乏. ...
1
... 受限于实际使用中的成本、复杂度和可靠性等因素限制,往往只能在估算精度与成本之间选择折中的方案.因此在实际硬件如基于STM32的实现中,电池SOC估算的方法主要集中在AHI法与OCV法[55 -56 ] ,丁镇涛等[57 ] 硬件在环仿真(hardware-in-the-loop, HIL)测试平台中实现了无迹卡尔曼滤波与安时积分结合的SOC估算研究;Tian等[58 ] 开发了基于FPGA的BMS,并使用基于系统在环平台的双扩展卡尔曼滤波算法进行SOC估算,且具有微秒级的快速性.高级算法已经在实验室环境中得到了较好的验证,而在实际硬件环境中的探索仍较为缺乏. ...
1
... 受限于实际使用中的成本、复杂度和可靠性等因素限制,往往只能在估算精度与成本之间选择折中的方案.因此在实际硬件如基于STM32的实现中,电池SOC估算的方法主要集中在AHI法与OCV法[55 -56 ] ,丁镇涛等[57 ] 硬件在环仿真(hardware-in-the-loop, HIL)测试平台中实现了无迹卡尔曼滤波与安时积分结合的SOC估算研究;Tian等[58 ] 开发了基于FPGA的BMS,并使用基于系统在环平台的双扩展卡尔曼滤波算法进行SOC估算,且具有微秒级的快速性.高级算法已经在实验室环境中得到了较好的验证,而在实际硬件环境中的探索仍较为缺乏. ...
1
... 受限于实际使用中的成本、复杂度和可靠性等因素限制,往往只能在估算精度与成本之间选择折中的方案.因此在实际硬件如基于STM32的实现中,电池SOC估算的方法主要集中在AHI法与OCV法[55 -56 ] ,丁镇涛等[57 ] 硬件在环仿真(hardware-in-the-loop, HIL)测试平台中实现了无迹卡尔曼滤波与安时积分结合的SOC估算研究;Tian等[58 ] 开发了基于FPGA的BMS,并使用基于系统在环平台的双扩展卡尔曼滤波算法进行SOC估算,且具有微秒级的快速性.高级算法已经在实验室环境中得到了较好的验证,而在实际硬件环境中的探索仍较为缺乏. ...
1
... 受限于实际使用中的成本、复杂度和可靠性等因素限制,往往只能在估算精度与成本之间选择折中的方案.因此在实际硬件如基于STM32的实现中,电池SOC估算的方法主要集中在AHI法与OCV法[55 -56 ] ,丁镇涛等[57 ] 硬件在环仿真(hardware-in-the-loop, HIL)测试平台中实现了无迹卡尔曼滤波与安时积分结合的SOC估算研究;Tian等[58 ] 开发了基于FPGA的BMS,并使用基于系统在环平台的双扩展卡尔曼滤波算法进行SOC估算,且具有微秒级的快速性.高级算法已经在实验室环境中得到了较好的验证,而在实际硬件环境中的探索仍较为缺乏. ...