首页 | 本学科首页   官方微博 | 高级检索  
相似文献
 共查询到10条相似文献,搜索用时 359 毫秒
1.
针对电动汽车动力锂电池,提出一种能够在恒流及变流放电工况下修正SOC估算误差的方法。首先以双阻容并联网络RC作为锂电池等效电路模型,采用最小二乘法对模型参数进行估计,再依据模型及实验数据构建锂电池非线性状态方程,对锂电池开路电压与SOC的关系进行拟合,最后结合EKF算法与安时积分算法估算锂电池SOC,并采用脉冲放电实验进行验证。实验结果表明,该算法能够在恒流脉冲放电工况下有效修正SOC估算误差,并控制精度在1%以内,且在变流工况下仍可修正SOC初始误差。  相似文献   

2.
动力电池的荷电状态(State of Charge,SOC)是预估电动汽车剩余有效行驶里程的重要参数之一。为提高锂电池SOC 的估算精度,考虑了温度对锂电池特性的影响。通过实验得到温度对电池容量的关系曲线,以及得到OCV-SOC-T 的函数映射关系,基于二阶RC 等效电路模型,利用带遗忘因子递推最小二乘法(Forgetting Factor Recursive Least Square, FFRLS)对模型进行实时在线参数辨识。在不同温度和工况条件下,采用扩展卡尔曼滤波(Extended Kalman filter,EKF)和无迹卡尔曼滤波( Un-scented Kalman filter, UKF)算法对锂电池的SOC 进行估算并对比验证,结果表明,EKF 在动态压力测试工况(DST)和美国联邦城市运行工况(FUDS) 的均方根误差分别在4.93%和4.69%以内,UKF 在DST 和FUDS 工况下的均方根误差分别在1.47%和1.49%以内。研究结果表明,FFRLS联合EKF和UKF都可以实时估算SOC,且在不同温度和不同工况条件下,UKF算法相较于EKF算法,抗干扰能力更强,估算精度更高,收敛性更好。  相似文献   

3.
李孝鹏  蒋艳 《教育技术导刊》2018,17(11):149-153
锂电池SOC估计影响因素众多,实际工况过于复杂,同时伴随噪声干扰而难以精确估计。为解决上述问题,综合考虑表征参数,提出了锂电池运行状态识别模型。基于RC电路思想,引入运行状态模型,提出了锂电池精确SOC估计模型。为提高模型的鲁棒性和收敛速度,采用粒子群优化算法进行关联参数寻优,并采取噪声误差分析机制提出一种降噪算法。对不同型号锂电池进行实验,仿真结果表明,锂电池运行状态识别模型能有效识别不同退化程度的电池运行状态,估计模型能可靠精确地估计不同退化趋势的锂电池SOC,具有良好的鲁棒性和收敛速度。  相似文献   

4.
电动汽车动力电池荷电状态(State Of Charge,SOC)的准确估算能提高整车性能和电池使用效率,方便驾驶员及时准确地了解电池剩余电量和电动汽车续航里程。本文基于等效电路的模型,应用扩展卡尔曼滤波法(EKF),以磷酸铁锂电池作为研究对象,验证该方法估算SOC的准确性。实验结果表明:用EKF法估算SOC,能将误差控制在5%以内,保持较高的精度。  相似文献   

5.
提出一种基于贝叶斯滤波递推状态估计的心脏运动测量信号实时滤波算法,提高心脏数据的测量精度,该方法建立了心脏运动模型与传感器误差模型,采用了扩展卡尔曼滤波与粒子滤波两种贝叶斯滤波方法的实现形式。实验结果表明,提出的算法有效地还原了心脏运动的真实值,并且满足了跟踪系统实时数据处理的要求,为整个系统精度的提高提供了保证。  相似文献   

6.
为弥补传统电动汽车锂电池SOC估计算法估计误差大的缺陷,考虑电动汽车动力电池复杂的工作条件,将参数在线辨识方法和修正协方差扩展卡尔曼滤波(MVEKF)算法结合,提出了一种锂电池SOC在线估计算法.新算法使用变遗忘因子递归最小二乘法实现模型参数在线辨识,利用修正后的状态估计值重新计算迭代过程中的协方差,并将新的过程增益值用于下一状态估计以减少滤波误差.恒脉冲放电和动态应力测试(DST)等实验表明:在电池复杂的充放电条件下,与EKF算法对比,MVEKF滤波算法估计误差更小,最多可减少5%的误差;在DST条件下的充电过程中,EKF会有较大的偏差且不稳定,而MVEKF算法可稳定地估计SOC,且鲁棒性强,适用于电动汽车电池复杂多变的工作条件.  相似文献   

7.
新能源汽车锂电池荷电状态是反映电池及电源系统的重要参数,为达到实时估算SOC目的,基于无迹卡尔曼滤波算法提出SOC估算解决方案。在MATLAB/Simulink环境中建立一阶Thevenin等效电路模型和无迹卡尔曼滤波算法,通过建立混合功率脉冲特性实验,辨析出不同SOC和温度对电池模型的影响参数,将辨析出来的参数代入到UKF算法中进行仿真实验。实验结果表明,该荷电状态估算具有较高的精准度。  相似文献   

8.
为了提高电动车铅酸蓄电池的电池荷电状态(SOC)预测精度,将粒子优化算法(PSO)引入到支持向量机(SVM)中,建立了PSO-SVM电动车铅酸蓄电池SOC预测模型,模型输入量为电池的电压和电流,输出量为SOC。采用PSO算法对SVM的惩罚因子C和径向基函数宽度σ寻优,降低了SVM参数取值的盲目性,提高了预测精度。设计了铅酸蓄电池数据智能采集系统,并进行了实际运行车辆电池数据采集。在advisor2002软件中获取的电池数据和实际车辆电池运行数据的基础上,进行了模型训练和预测。结果表明,PSO-SVM预测模型相对传统的BP、RBF和SVM预测模型具有更好的精度和推广能力,满足了"SOC估算精度小于5%"的要求,从而表明该模型是有效的、可行的,并具有较好的工程实用价值。  相似文献   

9.
针对边缘化粒子滤波器(MPF)中的Kalman滤波通常无法从量测方程中获得线性状态估计,以及标准粒子滤波器估计非线性状态计算量大和粒子退化的问题,提出了一种改进的MPF粒子滤波目标跟踪算法。该方法采用状态的预测值作为Kalman粒子滤波的量测更新,用Kalman滤波估计目标的速度和加速度,并通过蚁群优化算法改进标准粒子滤波器,并用以估计目标的位置信息。仿真结果表明:该方法在提高目标状态估计精度的同时,降低了粒子滤波的计算复杂度,克服了粒子滤波退化现象。  相似文献   

10.
在圆拟合定位算法的基础上,采用增加预处理的方法进行改进,通过改进后的自适应TV修复技术去噪滤波等处理,提高了定位光斑中心位置的精确度。基于Matlab软件进行了改进实验验证表明:采用自适应TV(tolal variation)修复技术能够提供更为准确的中心坐标;在光斑夹杂噪声的情况下,光斑中心横坐标误差小于2个像素,而纵坐标误差在1个像素之内,验证了算法具有较高的精度。  相似文献   

设为首页 | 免责声明 | 关于勤云 | 加入收藏

Copyright©北京勤云科技发展有限公司  京ICP备09084417号