本文選題：離散小波變換 + 降噪��； 參考：《西安交通大學學報》2017年10期

【摘要】：針對鋰離子電池充放電電壓信號(DCV)中存在的噪聲信號導致荷電狀態(tài)(SOC)估計精度降低、波動較大的問題,提出了一種基于離散小波變換(DWT)的降噪擴展卡爾曼濾波(EKF)算法。該算法利用多分辨率分析(MRA)分解攜帶噪聲的DCV信號,通過對比4種閾值硬閾值降噪規(guī)則對攜帶噪聲的DCV信號的降噪處理效果,選擇Stein無偏風險閾值硬閾值降噪規(guī)則調(diào)整小波系數(shù),通過含自適應遺忘因子的遞推最小二乘法辨識電池模型參數(shù)后,利用擴展卡爾曼濾波算法估計SOC。仿真結(jié)果表明:使用Stein無偏風險閾值硬閾值降噪規(guī)則有效地降低了DCV信號中的噪聲信號;所提算法具有較好的魯棒性,能夠有效地提高SOC估計精度,使SOC估計誤差范圍控制在3%之內(nèi)。
[Abstract]:Aiming at the problem that the noise signal in the charge / discharge voltage signal of lithium ion battery (DCV) leads to the decrease of the state of charge (SOC) estimation accuracy and the large fluctuation, a DWT-based denoising extended Kalman filter (EKF) algorithm is proposed. The DCV signal with noise is decomposed by Multiresolution Analysis (MRA), and the noise reduction effect of DCV signal with noise is compared by comparing four threshold hard threshold de-noising rules. The Stein unbiased risk threshold hard threshold denoising rule is selected to adjust the wavelet coefficients. After the parameters of the battery model are identified by the recursive least square method with adaptive forgetting factor, the extended Kalman filter algorithm is used to estimate the SOC. The simulation results show that using the Stein unbiased risk threshold hard threshold de-noising rule can effectively reduce the noise signal in the DCV signal, and the proposed algorithm is robust and can effectively improve the accuracy of SOC estimation. The error range of SOC estimation is controlled within 3%.
【作者單位】： 西安交通大學陜西省智能機器人重點實驗室;西安交通大學機械制造系統(tǒng)工程國家重點實驗室;西安交通大學機械工程學院;
【基金】：國家自然科學基金資助項目(51405374) 中國博士后基金資助項目(2014M560763) 中國博士后科學基金特別資助項目(2016T90904) 陜西省博士后基金資助項目(2014M560763)
【分類號】：TM912

【相似文獻】

相關期刊論文 前10條

1 緱玲玲;袁中直;鐘清華;劉金成;;一次鋰-亞硫酰氯電池電化學阻抗譜與荷電狀態(tài)(英文)[J];中山大學學報(自然科學版);2007年S1期

2 王福忠;鄧坤;;基于區(qū)域極點配置電池荷電狀態(tài)的估計方法[J];節(jié)能;2013年04期

3 趙凱;朱黎明;;無跡卡爾曼濾波的電池荷電狀態(tài)估計試驗研究[J];汽車工程學報;2013年05期

4 程博;韓琳;王軍平;曹秉剛;;利用免疫進化網(wǎng)絡的鎳氫電池組荷電狀態(tài)預測[J];西安交通大學學報;2007年11期

5 李革臣;古艷磊;;電化學阻抗譜法預測鋰電池荷電狀態(tài)[J];電源技術(shù);2008年09期

6 夏晴;劉志遠;;電動汽車動力電池荷電狀態(tài)的滑模估計方法[J];東南大學學報(自然科學版);2011年S1期

7 麻友良,陳全世,朱元;變電流下的電池荷電狀態(tài)定義方法探討[J];電池;2001年01期

8 何鵬林;王曉冬;;串聯(lián)鋰離子電池組荷電狀態(tài)評估方法對比[J];安全與電磁兼容;2011年01期

9 沈江;張文斌;全小紅;周嵩;陳景玲;;鈦酸鋰電池荷電狀態(tài)的試驗研究[J];新技術(shù)新工藝;2014年01期

10 葉林;陳政;趙永寧;;考慮電池荷電狀態(tài)的光伏功率分段平滑控制方法[J];電網(wǎng)技術(shù);2014年07期

相關會議論文 前3條

1 孫駿;李寶輝;;電動汽車電池荷電狀態(tài)的估算方法研究及展望[A];2012安徽省汽車工程學會年會論文集[C];2012年

2 張秀玲;宋建軍;;基于RBF神經(jīng)網(wǎng)絡的MH-Ni電池荷電狀態(tài)預估模型[A];系統(tǒng)仿真技術(shù)及其應用（第7卷）——'2005系統(tǒng)仿真技術(shù)及其應用學術(shù)交流會論文選編[C];2005年

3 程艷青;高明煜;;基于卡爾曼濾波的電動汽車SOC估計[A];浙江省電源學會第十一屆學術(shù)年會暨省科協(xié)重點科技活動“高效節(jié)能電力電子新技術(shù)”研討會論文集[C];2008年

相關博士學位論文 前1條

1 鄒幽蘭;基于退役鋰動力電池容量、內(nèi)阻和荷電狀態(tài)的建模與參數(shù)估計[D];中南大學;2014年

相關碩士學位論文 前10條

1 張樹鵬;電動汽車電池荷電狀態(tài)及行動力分析研究[D];上海交通大學;2015年

2 潘貴財;基于神經(jīng)網(wǎng)絡的電池組容量檢測系統(tǒng)設計[D];大連理工大學;2015年

3 羅志亮;鋰電池荷電狀態(tài)自適應估計算法研究[D];哈爾濱工業(yè)大學;2016年

4 楊瀟;基于模糊算法的風儲聯(lián)合系統(tǒng)控制策略研究[D];山東大學;2016年

5 林鵬峰;磷酸鐵鋰電池建模及其荷電狀態(tài)估計算法研究[D];西南交通大學;2015年

6 馮小華;多模式電池組的能量快速擴展與分配方法研究[D];上海應用技術(shù)大學;2016年

7 趙曉兵;鋰離子電池荷電狀態(tài)在線估計技術(shù)研究[D];南京航空航天大學;2016年

8 黃銳森;鋰電池荷電狀態(tài)、健康狀態(tài)以及功率狀態(tài)的聯(lián)合在線估計算法[D];西南交通大學;2017年

9 夏晴;電動汽車用鋰離子電池荷電狀態(tài)估計算法的研究[D];哈爾濱工業(yè)大學;2011年

10 和曉念;鋰電池荷電狀態(tài)預測方法研究[D];河南師范大學;2012年

，

本文編號：1786843