Определение уровня заряда литий-ионного аккумулятора на основе алгоритма расширенного фильтра Калмана

Определение уровня заряда литий-ионного аккумулятора на основе алгоритма расширенного фильтра Калмана

Автор: Сяоган У, Ли Сюефэн, Щуров Н.И., Штанг А.А., Ярославцев М.В., Дедов С.И.

Журнал: Журнал Сибирского федерального университета. Серия: Техника и технологии @technologies-sfu

Статья в выпуске: 4 т.13, 2020 года.

Бесплатный доступ

При определении уровня заряда (УЗ) накопителя энергии электрического транспортного средства (ЭТС) на основе схемы замещения литий-ионного аккумулятора (ЛИА) возникают значительные трудности. Так, для оценки УЗ использован расширенный фильтр Калмана (EKF, Extended Kalman filter). Моделирование и экспериментальные результаты показывают, что оценка УЗ может быть выполнена с использованием алгоритма EKF для дорожных условий по циклу движения в Китае (Chinacar) и новому европейскому циклу (NEDC). По сравнению с кулонометрическим методом средняя ошибка оценки УЗ - 1,042 и 1,138 % для циклов соответственно, максимальная ошибка не превышает 4 %. Применение алгоритма для определения УЗ имеет достаточную устойчивость и сходимость.

Еще

Литий-ионный аккумулятор, электротранспорт, оценка уровня заряда, фильтр калмана, дорожные условия

Короткий адрес: https://sciup.org/146281629

IDR: 146281629   |   DOI: 10.17516/1999-494X-0242

Список литературы Определение уровня заряда литий-ионного аккумулятора на основе алгоритма расширенного фильтра Калмана

  • Dubarry, M., N. Vuillaume and B.Y. Liaw, From single cell model to battery pack simulation for Li-ion batteries. Journal of Power Sources, 2009. 186(2): p. 500-507.
  • Борисевич А.В., Моделирование литий-ионных аккумуляторов для систем управления батареями: обзор текущего состояния. Научно-практический журнал Современная техника и технологии, 2014, 5(33) - Режим доступа: http://technology.snauka.ru/2014/05/3542 - Заглавие с экрана. - Access: http://technology.snauka.ru/2014/05/354
  • Андреев А.А., Возмилов А.Г., Калмаков В.А. Моделирование работы литий-ионного аккумулятора в суровых климатических условиях. Труды научно-технической конференции Пром-Инжиниринг, 2015, c. 181-184..
  • He, H., R. Xiong and J. Fan, Evaluation of Lithium-Ion Battery Equivalent Circuit Models for State of Charge Estimation by an Experimental Approach. Energies, 2011, 4(12): p. 582-598.
  • Xiong, R., et al., Model-based state of charge and peak power capability joint estimation of lithium-ion battery in plug-in hybrid electric vehicles. Journal of Power Sources, 2013. 229: p. 159-169.
  • He, W., et al., State of charge estimation for Li-ion batteries using neural network modeling and unscented Kalman filter-based error cancellation. International Journal of Electrical Power & Energy Systems, 2014. 62: p. 783-791.
  • Tian, Y., et al., A modified model based state of charge estimation of power lithium-ion batteries using unscented Kalman filter. Journal of Power Sources, 2014. 270: p. 619-626.
  • Печенко В.В. Динамическая модель ячейки аккумуляторной батареи с единственным состоянием. Радиотехника, 2015. 4: 58-60.
  • Скрипко Л.А. Расчет степени износа литийионных аккумуляторов, используемых в батарейных системах электромобилей гибридных автомобилей, 2017. 3: 2-4.
  • Mu, H., R. Xiong and F. Sun, A Novel Multi-model Probability Based Battery State-of-charge Fusion Estimation Approach. Energy Procedia, 2016. 88: p. 840-846.
  • Zhang, Y., R. Xiong and H. He, Evaluation of the Model-based State-of-Charge Estimation Methods for Lithium-ion Batteries. IEEE Transportation Electrification Conference and Expo (ITEC), 2016: p. 1-8.
  • LI Zhe, LU Languang, OUYANG Minggao, Comparison of methods for improving SOC estimation accuracy through an ampere-hour integeration approach. J Tsinghua Univ(Sci&Tech), 2010(08): p.1293-1296+1301.
  • Roscher, M.A. and D.U. Sauer, Dynamic electric behavior and open-circuit-voltage modeling of LiFePO4-based lithium ion secondary batteries. Journal of Power Sources, 2011. 196(1): p. 331-336.
  • He, H., et al., State-of-Charge Estimation of the Lithium-Ion Battery Using an Adaptive Extended Kalman Filter Based on an Improved Thevenin Model. IEEE Transactions on Industrial Electronics, 2011: p. 1461-1469.
  • A. Zenati, P.D.A.H., Estimation of the SOC and the SOH of Li-ion Batteries, by combining Impedance Measurements with the Fuzzy Logic Inference. Proc. 36th Annu. Conf. IEEE Ind. Electron. Soc, 2010: p. 1773-1778.
  • Ng, K.S., et al., Enhanced coulomb counting method for estimating state-of-charge and state-of-health of lithium-ion batteries. Applied Energy, 2009. 86(9): p. 1506-1511.
  • Chiang, Y., W. Sean and J. Ke, Online estimation of internal resistance and open-circuit voltage of lithium-ion batteries in electric vehicles. Journal of Power Sources, 2011. 196(8): p. 3921-3932.
  • Bernd, T., M. Kleutges and A. Kroll, Nonlinear Black Box Modelling - Fuzzy Networks versus Neural Networks. Neural Computing & Applications, 1999. 8(2): p. 151 - 162.
  • Auger, F., et al., Industrial Applications of the Kalman Filter: A Review. IEEE Transactions on Industrial Electronics, 2013. 60(12): p. 5458-5471.
  • Lin Chengtao, Qiu Bin&Chen Quanshi, A Comparative Study on Power Input Equivalent Circuit Model for Electric Vehicle Battery. Automotive Engineering, 2006: p.229-234.
  • Kim, J. and B.H. Cho, State-of-Charge Estimation and State-of-Health Prediction of a Li-Ion Degraded Battery Based on an EKF Combined With a Per-Unit System. IEEE Transactions on Vehicular Technology, 2011. 60(9): p. 4249-4260.
  • Hu, X., S. Li and H. Peng, A comparative study of equivalent circuit models for Li-ion batteries. Journal of Power Sources, 2012. 198: p. 359-367.
  • State-of-Charge Estimation of the Lithium-Ion Battery Using an Adaptive Extended Kalman Filter Based on an Improved Thevenin Model.
  • WEI Xuezhe, SUN Zechang, TIANJiaqing, Parameter Identification and State Estimation of Li-ion Power Battery in Hybrid Electric Vehicle. JOURNAL OF TONGJI UNIVERSITY (NATURAL SCIENCE), 2008: p.231-235.
  • Plett, G.L., Extended Kalman filtering for battery management systems of LiPB-based HEV battery packs. Journal of Power Sources, 2004. 134(2): p. 252-261.
  • Plett, G.L., Extended Kalman filtering for battery management systems of LiPB-based HEV battery packs. Journal of Power Sources, 2004. 134(2): p. 262-276.
  • Plett, G.L., Extended Kalman filtering for battery management systems of LiPB-based HEV battery packs. Journal of Power Sources, 2004. 134(2): p. 277-292.
  • Yuan, S., H. Wu and C. Yin, State of Charge Estimation Using the Extended Kalman Filter for Battery Management Systems Based on the ARX Battery Model. Energies, 2013. 6(1): p. 444-470.
  • Tourani, A., P. White and P. Ivey, Analysis of electric and thermal behaviour of lithium-ion cells in realistic driving cycles. Journal of Power Sources, 2014. 268: p. 301-314.
  • Xu, L., et al., Optimal sizing of plug-in fuel cell electric vehicles using models of vehicle performance and system cost. Applied Energy, 2013. 103: p. 477-487.
  • Song, Z., et al., Optimization for a hybrid energy storage system in electric vehicles using dynamic programing approach. Applied Energy, 2015. 139: p. 151-162.
Еще
Статья научная
SciUp 2024 © 2024 ©