锂离子电池荷电状态的在线融合估计方法

发布时间：2021-11-01 00:08

　　为提高安时积分法对荷电状态估计的精度,解决其估计误差随时间不断增大的问题,采用极限学习机算法建立了安时积分法的误差预测模型,该模型以电池工作电流作为输入,对应的安时积分法荷电状态估计误差作为输出,将误差预测模型与安时积分法进行融合,对安时积分法的荷电状态估计值进行校正,形成了安时积分法和极限学习机方法融合的锂离子电池荷电状态在线估计方法.仿真分析结果表明,相比安时积分法,融合方法可有效减小荷电状态估计误差,克服安时积分法估计误差随时间不断增大的问题. 

【文章来源】：兰州理工大学学报. 2020,46(05)北大核心

【文章页数】：7 页

【部分图文】：

电池模块原理

表1 部分放电仿真数据及安时积分法误差Tab.1 Partial discharge simulation data and errors of ampere hour integration method 第一组 第二组 电流I/A SOC标准值 绝对误差 电流I/A SOC标准值 绝对误差 5.176 1 0 5.176 1 0 … … … … … … 9.260 0.999 0.012 9.232 0.999 0.012 9.201 0.999 0.012 9.224 0.999 0.012 … … … … … … 41.257 0.605 0.030 47.420 0.604 0.030 43.610 0.604 0.031 17.474 0.603 0.029 … … … … … … 33.573 0.062 0.084 31.406 0.063 0.083选取图2中前1 000、2 000、3 000、4 000、5 000次估计中的最大绝对误差进行比较,结果如表2所列.

综上,本文以表1中第一组的电池电流与安时积分法的绝对误差数据作为输入、输出的训练样本,进行基于ELM算法的误差预测模型的训练.得到以电池电流为输入,估计误差为输出的误差预测模型,其网络结构如图3所示,其中模型输入I为电池电流,模型输出y为估计误差的预测值.为提高算法获取输出权值最优解的效率,本文在训练误差预测模型时,首先采用下式的方法将数据归一化到[0,1]:

【参考文献】：
期刊论文
[1]基于极限学习机的磷酸铁锂电池SOC估算研究[J]. 宋绍剑,王志浩,林小峰.  电源技术. 2018(06)
[2]一种联合锂电池健康和荷电状态的新模型[J]. 朱丽群,张建秋.  中国电机工程学报. 2018(12)
[3]基于开路电压法与卡尔曼滤波法相结合的锂离子电池SOC估算[J]. 付浪,杜明星,刘斌,魏克新.  天津理工大学学报. 2015(06)
[4]最小二乘支持向量机荷电状态估计方法[J]. 盛瀚民,肖建,贾俊波,邓雪松.  太阳能学报. 2015(06)
[5]锂离子电池健康评估和寿命预测综述[J]. 刘大同,周建宝,郭力萌,彭宇.  仪器仪表学报. 2015(01)
[6]基于安时积分法的电池SOC估算误差校正[J]. 鲍慧,于洋.  计算机仿真. 2013(11)
[7]基于BP神经网络的动力电池SOC预测模型与优化[J]. 项宇,刘春光,苏建强,阳贵兵.  电源技术. 2013(06)
[8]电动汽车电池管理系统研究现状及发展趋势[J]. 符晓玲,商云龙,崔纳新.  电力电子技术. 2011(12)
[9]新能源汽车SOC估算的模糊预测算法研究[J]. 张利,王为,陈泽坚,刘征宇.  电子测量与仪器学报. 2011(04)
[10]提高安时积分法估算电池SOC精度的方法比较[J]. 李哲,卢兰光,欧阳明高.  清华大学学报(自然科学版). 2010(08)



本文编号：3469132