SOC估计

摘要： 针对电动汽车动力电池组的管理需求,设计了一款基于MC9S12XEP100和LTC6804的锂电池管理系统,实现对单体电池电压、电流和温度实时监控、电压均衡管理、热管理、充放电管理、数据存储和上位机显示功能。针对电池荷电状态(state of charge,SOC)估算精度和实时性方面的问题,提出了一种新颖的开路电压和安时积分融合型SOC估算方法,有效减小了开路电压处于平台期造成的误差影响。采用Arbin电池测试设备对上述功能和SOC估计方法进行了测试验证。结果显示,电池电压误差小于0.07 V,温度误差小于1°C,SOC估算误差小于1.2%,因此,设计系统可用于实际电动汽车动力电池组管理,实现电池SOC实时在线准确估计。

摘要： 针对非线性系统锂电池剩余电量(State of Charge,SOC)估计常用算法——安时积分法初值精度要求高、累计误差大的问题,提出了基于扩展卡尔曼滤波(Extended Kalman Filter,EKF)算法的SOC估计方法。通过建立合理的电池模型,利用MATLAB仿真在恒流工况下证明:安时积分法的平均误差为2.7%,EKF算法在无初始误差和存在初始误差两种工况下降低平均误差分别为0.97%和1.3%。最后通过ADVISOR 2002软件仿真验证了锂电池工作在两种动态电流工况下,基于EKF的SOC估计平均误差分别为1.06%、1.13%,符合SOC估计精度要求。

摘要： 针对现有基于电池恒定参数模型的SOC估计方法忽略了工况和SOC对电池模型参数的影响而导致SOC估计误差偏大的问题,本文提出一种将带有遗忘因子递推最小二乘算法与扩展卡尔曼滤波算法相结合的联合SOC估计方法。该方法先利用FFRLS算法在线辨识电池等效电路模型参数并实时修正电池模型,再利用EKF算法和实时修正的电池模型估计电池SOC。实验结果表明,本文所提的SOC估计方法能有效减小电池模型参数变化所带来的SOC估计误差。在脉冲放电、脉冲充电和动态应力测试实验中,最终电池SOC估计的最大误差分别为1.01%、0.87%和1.59%。

摘要： 为了提高锂离子电池SOC(state of charge)和SOH(state of health)的估计精度,采用自适应扩展卡尔曼粒子滤波(adaptive extended Kalman particle filter,AEKPF)算法估算SOC和SOH,该算法通过修正噪声可以解决运用EKF(extended Kalman filter)算法时的噪声误差累积问题,并且AEKF(adaptive extended Kalman filter)算法作为PF(particle filter)算法的建议分布用来实时更新粒子,可以改善单独采用PF算法时的粒子退化问题.为了提高SOC的估计精度,提出考虑电池的劣化特征,联合SOH实现对SOC的修正估计.在Matlab环境下的仿真结果表明:AEKPF算法与AEKF算法相比,可以得到更加准确的SOC和SOH估计值,而且AEKPF算法联合SOH可以有效提高SOC的估计精度,仿真绝对误差不超过±1%.

摘要： 为了更准确估计锂电池的SOC,从两方面考虑,即模型选择和估计算法。首先,为了减小由于模型引起的估计误差,采用带有遗忘因子的递推最小二乘法对二阶RC等效电路模型参数进行在线辨识,实现锂电池模型参数的自适应。其次,针对SOC的估计,提出了基于EKF结合AHI法实现加权在线估计。实验表明所提方法相比其中单一算法具有更高的估计精度和稳定性,尤其是提高了低SOC区间的估计精度,验证了所提算法的有效性。

摘要： 针对传统安时积分法由于无法在线更新库仑效率而导致的难以准确估测电池剩余容量的问题,提出一种基于频繁项统计进行电流分段积分,利用不同库仑效率对分段积分后电量进行修正的流-安时积分法。该方法利用连续充放电循环对库仑效率进行在线修正,基于柯西频繁项统计算法对电流进行分段累积,利用修正后的库仑效率对分段累计电量进行校正,最后实现了电池剩余容量的准确估计。仿真和实验分析表明:基于频繁项统计的安时积分法有效减小了传统安时积分法产生的电量累积误差,提高了剩余容量及SOC的估计精度。

摘要： 提出了一种基于遗传算法优化双卡尔曼滤波(GA-DKF)的方法进行电池荷电状态(SOC)估计。分别利用遗传算法优化模型参数辨识中卡尔曼滤波的噪声协方差矩阵,以及SOC估计中无迹卡尔曼滤波(UKF)的噪声协方差矩阵。搭建试验平台,依据不同电流倍率下的放电实验数据,得到模型参数动态辨识的结果,分析GA-KF算法辨识参数的有效性。通过不同工况下试验结果、仿真结果以及传统最小二乘法(LS)辨识结果的对比,表明提出的方法能够有效提高锂电池模型精度。最后,采用遗传算法优化双卡尔曼滤波(GA-DKF)进行SOC估计,分别验证该模型在动态工况下SOC估计的精度和鲁棒性。结果表明:该模型不仅具有较高的估计精度,还能克服不同初始SOC的误差,具备良好的鲁棒性。

摘要： 锂离子电池荷电状态(SOC)估算作为电池管理系统(BMS)的重要功能,是合理利用EV车辆电池组能量的前提。现有估算方法中,基于模型驱动法过程繁琐、计算量大;基于数据驱动法对数据要求高,估计精度差。针对以上问题,提出了基于双向GRU(BidiGRU)神经网络结合H∞滤波器的复合估算方法来估算锂离子电池的SOC。用不同温度下北京应力循环工况(BJDST)来训练BidiGRU神经网络模型,再使用联邦测试程序驾驶时间表(US06)来对模型进行测试。测试结果的均方根误差(RMSE)最小可达到2.05%,平均绝对误差(MAE)最小可达到1.79%。用H∞滤波器优化后的RMSE和MAE均可降低到0.17%以下,最低可达到0.11%。结果表明该方法可在不同温度和不同工况下对锂离子电池SOC做出实时估计,并能够达到较高的精度。

摘要： 顺应国家和时代的号召,新能源汽车逐渐兴起。电池作为新能源的动力,含有大量的钴、镍等贵金属,回收价值较高,并且可以最大限度地减少环境污染。针对新能源汽车电池,利用手机线上APP,建立了一种汽车电池回收平台,通过使用API接口函数来实现动力电池回收的线上运营。此外还设计了一种电池的检测模块,通过检测设备与通信模块进行SOC、SOP和SOH估计,从而对电池进行测评,并能够反馈电池的情况。

摘要： 电池荷电状态(SOC)估计的准确性受到电池模型精度的影响。为了提高复杂工况下电池SOC估计精度,比较基于遗忘因子递推最小二乘法-扩展卡尔曼滤波(FFRLS-EKF)和双扩展卡尔曼滤波(DEKF)联合算法的三元锂电池SOC估计方法。分别利用FFRLS和EKF算法在线辨识电池模型参数,然后与EKF算法联合进行三元锂电池SOC估计。在动态应力测试(DST)工况下,两种联合算法的SOC估计结果表明:FFRLS-EKF联合算法的估计误差在2.49%之内,DEKF联合算法的估计误差在2.62%之内;FFRLS建立的电池模型精度更高,端电压平均误差为0.37 mV。

摘要： 电池的SOC估计是电池管理系统的最重要的功能之一,是对电动汽车行驶里程的量化评估.由于复杂的电池动态和环境条件,现有的数据驱动电池状态估计技术无法准确估计电池状态.为了克服这个问题,本文通过结合递归神经网络建模和基于粒子滤波的误差消除提出了一种新的SOC估计方法.首先,采用具有长短时间记忆的递归神经网络来学习电池SOC与锂离子电池的可测量变量(例如电流、电压和温度)之间的长期非线性关系.其次,采用粒子滤波对神经网络模型的估计误差进行去噪,来平滑估计结果.本文所提出的方法是无模型的并且能够捕获可测量变量和电池状态之间的长期依赖性.最后,通过在随机工况和不同温度下与传统数据驱动方法比较来验证所提出方法的优越性.

摘要： 电池的SOC估计是电池管理系统的最重要的功能之一,是对电动汽车行驶里程的量化评估.由于复杂的电池动态和环境条件,现有的数据驱动电池状态估计技术无法准确估计电池状态.为了克服这个问题,本文通过结合递归神经网络建模和基于粒子滤波的误差消除提出了一种新的SOC估计方法.首先,采用具有长短时间记忆的递归神经网络来学习电池SOC与锂离子电池的可测量变量(例如电流、电压和温度)之间的长期非线性关系.其次,采用粒子滤波对神经网络模型的估计误差进行去噪,来平滑估计结果.本文所提出的方法是无模型的并且能够捕获可测量变量和电池状态之间的长期依赖性.最后,通过在随机工况和不同温度下与传统数据驱动方法比较来验证所提出方法的优越性.

摘要： 电池的SOC估计是电池管理系统的最重要的功能之一,是对电动汽车行驶里程的量化评估.由于复杂的电池动态和环境条件,现有的数据驱动电池状态估计技术无法准确估计电池状态.为了克服这个问题,本文通过结合递归神经网络建模和基于粒子滤波的误差消除提出了一种新的SOC估计方法.首先,采用具有长短时间记忆的递归神经网络来学习电池SOC与锂离子电池的可测量变量(例如电流、电压和温度)之间的长期非线性关系.其次,采用粒子滤波对神经网络模型的估计误差进行去噪,来平滑估计结果.本文所提出的方法是无模型的并且能够捕获可测量变量和电池状态之间的长期依赖性.最后,通过在随机工况和不同温度下与传统数据驱动方法比较来验证所提出方法的优越性.

摘要： 电池的SOC估计是电池管理系统的最重要的功能之一,是对电动汽车行驶里程的量化评估.由于复杂的电池动态和环境条件,现有的数据驱动电池状态估计技术无法准确估计电池状态.为了克服这个问题,本文通过结合递归神经网络建模和基于粒子滤波的误差消除提出了一种新的SOC估计方法.首先,采用具有长短时间记忆的递归神经网络来学习电池SOC与锂离子电池的可测量变量(例如电流、电压和温度)之间的长期非线性关系.其次,采用粒子滤波对神经网络模型的估计误差进行去噪,来平滑估计结果.本文所提出的方法是无模型的并且能够捕获可测量变量和电池状态之间的长期依赖性.最后,通过在随机工况和不同温度下与传统数据驱动方法比较来验证所提出方法的优越性.

摘要： 电池的SOC估计是电池管理系统的最重要的功能之一,是对电动汽车行驶里程的量化评估.由于复杂的电池动态和环境条件,现有的数据驱动电池状态估计技术无法准确估计电池状态.为了克服这个问题,本文通过结合递归神经网络建模和基于粒子滤波的误差消除提出了一种新的SOC估计方法.首先,采用具有长短时间记忆的递归神经网络来学习电池SOC与锂离子电池的可测量变量(例如电流、电压和温度)之间的长期非线性关系.其次,采用粒子滤波对神经网络模型的估计误差进行去噪,来平滑估计结果.本文所提出的方法是无模型的并且能够捕获可测量变量和电池状态之间的长期依赖性.最后,通过在随机工况和不同温度下与传统数据驱动方法比较来验证所提出方法的优越性.

摘要： 电动汽车行驶过程中，如何准确估计动力电池的荷电状态(SOC)是一个亟待解决的问题。利用支持向量回归算法(e-SVR)非线性逼近能力强、收敛速度快、具有全局最优解的特性，对电动汽车动力电池的SOC估计进行了研究。首先利用电动汽车仿真平台软件ADVISOR获得了估计过程中需要的训练数据和测试数据，然后对其进行了归一化预处理，利用交叉检验和栅格搜索法来确定支持向量回归模型中的参数。最后，对比BP神经网络算法，进行了仿真实验。结果表明，利用e-SVR算法能更准确地逼近实际SOC值，获得更好的估计效果。

摘要： 电动汽车行驶过程中，如何准确估计动力电池的荷电状态(SOC)是一个亟待解决的问题。利用支持向量回归算法(e-SVR)非线性逼近能力强、收敛速度快、具有全局最优解的特性，对电动汽车动力电池的SOC估计进行了研究。首先利用电动汽车仿真平台软件ADVISOR获得了估计过程中需要的训练数据和测试数据，然后对其进行了归一化预处理，利用交叉检验和栅格搜索法来确定支持向量回归模型中的参数。最后，对比BP神经网络算法，进行了仿真实验。结果表明，利用e-SVR算法能更准确地逼近实际SOC值，获得更好的估计效果。

摘要： 电动汽车行驶过程中，如何准确估计动力电池的荷电状态(SOC)是一个亟待解决的问题。利用支持向量回归算法(e-SVR)非线性逼近能力强、收敛速度快、具有全局最优解的特性，对电动汽车动力电池的SOC估计进行了研究。首先利用电动汽车仿真平台软件ADVISOR获得了估计过程中需要的训练数据和测试数据，然后对其进行了归一化预处理，利用交叉检验和栅格搜索法来确定支持向量回归模型中的参数。最后，对比BP神经网络算法，进行了仿真实验。结果表明，利用e-SVR算法能更准确地逼近实际SOC值，获得更好的估计效果。

摘要： 电动汽车行驶过程中，如何准确估计动力电池的荷电状态(SOC)是一个亟待解决的问题。利用支持向量回归算法(e-SVR)非线性逼近能力强、收敛速度快、具有全局最优解的特性，对电动汽车动力电池的SOC估计进行了研究。首先利用电动汽车仿真平台软件ADVISOR获得了估计过程中需要的训练数据和测试数据，然后对其进行了归一化预处理，利用交叉检验和栅格搜索法来确定支持向量回归模型中的参数。最后，对比BP神经网络算法，进行了仿真实验。结果表明，利用e-SVR算法能更准确地逼近实际SOC值，获得更好的估计效果。

摘要： 电动汽车行驶过程中，如何准确估计动力电池的荷电状态(SOC)是一个亟待解决的问题。利用支持向量回归算法(e-SVR)非线性逼近能力强、收敛速度快、具有全局最优解的特性，对电动汽车动力电池的SOC估计进行了研究。首先利用电动汽车仿真平台软件ADVISOR获得了估计过程中需要的训练数据和测试数据，然后对其进行了归一化预处理，利用交叉检验和栅格搜索法来确定支持向量回归模型中的参数。最后，对比BP神经网络算法，进行了仿真实验。结果表明，利用e-SVR算法能更准确地逼近实际SOC值，获得更好的估计效果。

摘要： 本发明提供一种蓄电元件的SOC估计装置、蓄电装置、蓄电元件的SOC估计方法。蓄电元件的SOC估计装置(50)具备存储部(73)和数据处理部(71)，所述蓄电元件(100)是具有相对于时间的容量下降表示第1推移的第1劣化模式、和容量下降表示第2推移的第2劣化模式的特性的蓄电元件，所述存储部(73)保持表示所述第1劣化模式下的所述蓄电元件的SOC与OCV的相关性的第1相关数据(M1)、和表示所述第2劣化模式下的所述蓄电元件的SOC与OCV的相关性的第2相关数据(M2)，所述数据处理部(71)执行对所述蓄电元件的劣化模式进行判定的模式判定处理、和从所述存储部选择与劣化模式对应的相关数据来估计所述蓄电元件的SOC的估计处理。

摘要： 本发明属于目标跟踪领域，公开了一种SOC估计的基于参数估计准则的自适应滤波方法。本发明提出了一个参数估计准则来估计准确的SOC估计模型，并借此将SOC估计的自适应滤波问题转化为一个有约束的优化问题。通过解决求解问题，从而实现对SOC模型中过程噪声协方差和观测噪声协方差的估计。本发明使得SOC系统在噪声协方差不准确的情况下也具有最优的估计效果。

摘要： 本发明实施例提供一种锂电池SOC估计算法的修正方法和SOC估计算法及存储介质，属于电池容量校准领域。所述修正方法包括：获取锂电池组的所有单体电压；根据所有的所述单体电压计算所述锂电池的第一平均电压；获取所述锂电池组中首个或最后一个单体电池的单体电压；计算所述首个或最后一个单体电池以及与所述首个或最后一个单体电池相邻的单体电池的第二平均电压；判断所述第一平均电压是否位于预设的第一阈值范围。该修正方法能够舍弃掉问题单体电池，采用没有问题的单体电池的单体电压平均值进行计算，优化动态校准和静态校准策略。

摘要： 本发明提供一种蓄电元件的SOC估计装置、蓄电装置、蓄电元件的SOC估计方法。蓄电元件的SOC估计装置(50)具备存储部(73)和数据处理部(71)，所述蓄电元件(100)是具有相对于时间的容量下降表示第1推移的第1劣化模式、和容量下降表示第2推移的第2劣化模式的特性的蓄电元件，所述存储部(73)保持表示所述第1劣化模式下的所述蓄电元件的SOC与OCV的相关性的第1相关数据(M1)、和表示所述第2劣化模式下的所述蓄电元件的SOC与OCV的相关性的第2相关数据(M2)，所述数据处理部(71)执行对所述蓄电元件的劣化模式进行判定的模式判定处理、和从所述存储部选择与劣化模式对应的相关数据来估计所述蓄电元件的SOC的估计处理。

摘要： 本发明涉及一种基于SOC‑OCV优化曲线的锂离子电池SOC估计方法，包括以下步骤：1)在一恒定温度下，对锂离子电池进行恒流恒压充电至截止倍率；2)在相同恒定温度下，对锂离子电池进行小电流恒流放电实验，获得小电流恒流放电OCV变化曲线；3)在相同恒定温度下，对锂离子电池进行HPPC测试实验，获得不同HPPC测试点的OCV值；4)采用PSO算法根据不同HPPC测试点OCV值对小电流恒流放电OCV变化曲线进行拟合优化得到SOC‑OCV优化曲线；5)根据SOC‑OCV优化曲线结合EKF算法进行SOC的闭环估计。与现有技术相比，本发明结合HPPC测试与小电流恒流放电两种方法的优点对SOC‑OCV曲线进行优化，减小HPPC测试过程中需要静置的次数，节省测试时间，提高低SOC区间SOC估计精度。

摘要： 一种用于BMS检测的SOC源产生方法及SOC估计精度测试方法，本发明涉及一种用于BMS检测的SOC源产生及SOC估计精度测试方法。本发明是要解决电池管理系统测试平台对待测试BMS中SOC估计算法精度测试相对低的问题。一：选择样品电池；二：设定样品电池的试验环境温度为N；三：预处理；四：对预处理后的目标样品电池进行可用容量实验；五：对进行可容量实验后的目标样本电池进行常规工况实验；六：对进行常规工况实验的目标样本电池进行校准工况实验；一：设定试验环境温度为N；二：预处理；三：常规工况测试；四：校准工况实验.属于动力电池或动力电池组管理技术及测试技术领域。

摘要： 本发明属于锂电池SoC估计领域，具体涉及一种基于卡尔曼滤波器和神经网络联合估计模型的SoC估计方法；该方法包括：实时获取待检测的锂电池的电流和电压；将获取的电流和电压输入到神经网络联合估计模型中，得到待检测的锂电池SoC估计结果，本发明利用锂电池电化学模型结合神经网络非线性参数化方法，提高了模型的泛化能力；使用Sage‑Husa估计器与无迹卡尔曼滤波算法结合，提高算法估计精度；通过实时更新模型参数，解决了因环境变化和自身老化造成的锂电池模型准确性降低的问题；与深度学习的估计方法相比，需要的数据量更小，抗噪声的能力更强。

摘要： 本发明公开了一种多参数修正的动力电池SOC估计方法及估计系统，属于新能源舰艇技术领域，包括：S1：对动力电池进行充放电测试；以采样间隔Δt为间隔对动力电池外特性进行采样，获取电池端电压Ut，电流I和温度T；S2：基于测试获得的数据建立动力电池二阶等效电路模型，建立系统模型对应的离散方程；S3：采用智能优化算法对动力电池等效电路模型参数进行辨识，获取系统模型对应的模型内参数；S4：基于滤波算法对动力电池SOC进行估计；S5：按一定的间隔对模型参数进行修正，修正方法为：短时域内修正滤波器参数，长时域内修正动力电池容量。本发明采用基础滤波架构为基础，结合多种参数自适应方法实现较好的适用性SOC估计。

摘要： 本发明属于目标跟踪领域，公开了一种SOC估计的基于参数估计准则的自适应滤波方法。本发明提出了一个参数估计准则来估计准确的SOC估计模型，并借此将SOC估计的自适应滤波问题转化为一个有约束的优化问题。通过解决求解问题，从而实现对SOC模型中过程噪声协方差和观测噪声协方差的估计。本发明使得SOC系统在噪声协方差不准确的情况下也具有最优的估计效果。

摘要： 本发明涉及一种基于参数估计OCV的全温度SOC估计方法，属于电池管理技术领域。该方法包含如下步骤：S1：选定一待测动力电池和所需的等效电路模型，并确定需要在线辨识的系统状态和模型参数；S2：进行实验搭建并对该动力电池进行可变功率工况循环实验，然后记录实验数据；S3：基于记录的工况实验数据和自适应联合扩展卡尔曼滤波算法在线辨识电池状态和模型参数；S4：建立基于参数估计的OCV‑SOC‑T模型，并基于该模型和实验工况可实现该动力电池在全温度范围内的SOC精准估计。本发明所采用的模型简单、算法复杂度不高，可实现电池系统状态和模型参数的强鲁棒在线估计，进而实现基于参数估计OCV的全温度SOC精准估计。