基于LPV理论锂离子电池SOC估算研究

以磷酸铁锂电池为研究对象,在进行了电池特性实验的基础上确定电池电压特性以及开路电压与SOC关系。以二阶等效电路模型为基础,结合LPV理论及EKF原理,在Simulink中搭建电池仿真模型,实现了电池模型参数与SOC的联合估算,设计实验验证了模型的正确性。并嵌入整车模型模拟运行,电池SOC工作区间符合控制策略,设计的磷酸铁锂电池SOC估算方法可行有效。     

电动汽车磷酸铁锂电池最佳SOC工作区研究

磷酸铁锂电池由于寿命长、安全性能好、成本低,已经成为电动汽车的理想动力源和能量源。电池的荷电状态(SOC)是影响电池性能及使用寿命的主要因素之一,以10 Ah磷酸铁锂电池单体为研究对象,对其开路电压、极化电压、电池内阻进行了实验研究。结果表明,当电池单体SOC在20%~90%时,磷酸铁锂电池的电压和内阻变化平稳,确定为电池的最佳工作区。     

电动汽车电池管理系统的建立及SOC准确估计

以STC12C5A60S2型单片机作为主控芯片,完成了电动汽车电池管理系统(BMS)的搭建,实现了参数采集、信息显示、安全报警和电池荷电状态(SOC)估计等主要功能。提出了开路电压法和安时法相结合的SOC估算方法,并进行了Matlab仿真。最后通过搭建的实验平台,对磷酸铁锂电池组进行模拟工况实验,电池SOC估算值误差在5%以内。验证了实验平台和软件系统的可靠性和估计算法的正确性。     

电动车磷酸铁锂电池衰减后开路电压特性分析

电动车用动力电池的开路电压特性是其最重要的性能之一。针对电动车用磷酸铁锂动力电池进行耐久性测试,分析了不同衰减情况下电池的开路电压曲线变化情况。研究结果表明,电池低SOC区域,磷酸铁锂电池开路电压相对于电池电量的关系基本不变;而由于电池衰减主要机理为可用锂离子的损失,在高电量区域的开路电压曲线平台随容量衰减而有规律的逐渐消失。结果可用于指导实车电池开路电压曲线的标定。     

磷酸铁锂电池SOC估算方法研究

磷酸铁锂电池宽的电压平台和严重的两端极化不利于SOC的估算,但电池的SOC对电池组不一致性和寿命有着重要的影响,因此本文在磷酸铁锂电池的现有SOC估算分析基础上,研究了反应电池电化学特征的伏安特性曲线,提出了不同充电倍率、不同老化程度下可靠和准确的△Q/△V分析方法,利用电池在充电过程中的峰值△Q修正电池SOC值。为电动汽车电池组在线均衡和智能电池系统的管理策略提供依据。     

磷酸铁锂电池荷电状态估算方法研究

电池的荷电状态(SOC)是电池管理系统要实现的重要功能之一。精确估算电池的荷电状态能为提高电池利用率和延长电池寿命起到重要作用。分析温度、放电倍率、充放电循环次数等因素对电池容量的影响,结合磷酸铁锂电池本身的特性,提出一种改进的安时计量法与开路电压法相结合的估算方法对SOC进行在线估算。应用到自平衡两轮车上,实验测试结果显示此方法能够实时、准确地估算电池SOC。     

磷酸铁锂电池倍率容量特性建模及荷电状态估算

针对磷酸铁锂蓄电池,首先采用解析型动力学电池模型(KBM)对电池的倍率容量特性进行描述,进而推导出双井荷电状态(SOC)的数学表达式;为建立SOC与电池电压的联系,进一步将KBM与电动势模型相结合形成综合模型;最后,基于该综合模型及非线性滤波算法实现SOC估算。实验结果表明,该模型可以体现锂电池的倍率容量特性及可用容量恢复特性,双井SOC估算结果可更全面地体现锂电池的SOC;此外,这种基于非线性滤波的SOC估算策略还具备初始误差自校正能力。     

基于LabVIEW的动力电池SOC实时估算系统研发

在电动汽车能量管理控制策略和电池管理系统研究中,电池荷电状态(State of charge,SOC)的准确估算一直是重点和难点。基于磷酸铁锂动力电池的工作原理和充放电特性试验,利用MATLAB软件拟合获得不同放电电流下的库仑效率和开路电压与SOC的关系。并采用虚拟仪器LabVIEW与相关硬件,实时采集动力电池相关数据,将SOC估算的安时法与开路电压法相结合,实现了对动力电池SOC的实时估算与高精度显示,提高了电池SOC研发系统的实用性与准确性。     

基于极限学习机的磷酸铁锂电池SOC估算研究

SOC(state of charge)的准确估算是电池管理系统的重要目标之一。针对传统神经网络方法在磷酸铁锂电池SOC估算中存在计算复杂、学习时间过长的问题,提出了一种新的基于ELM(extreme learning machine)的电池SOC估算方法。利用电池充放电系统完成磷酸铁锂电池在不同电流下的放电实验,获得实时测量的电压、电流。运用实验获得的数据对模型进行训练和预测,将预测效果与BP(back propagation)神经网络和SVM(support vector machine)进行对比,研究ELM在SOC预测中的可行性和优势。经分析可知,基于ELM的磷酸铁锂电池荷电状态估算模型的精度更高,并且网络训练速度得到大幅提升。     

基于Buck-Boost电路的能量转移型均衡方案

提出了一种基于Buck-Boost电路的新型均衡电路,实现了锂离子串联电池组充放电均衡。根据均衡能量流向,采取两种不同的均衡策略:电池组放电时,均衡能量由电池组向组内荷电状态(state of charge,SOC)较低的单体电池转移;电池组充电时,均衡能量由电池组中SOC较高的单体电池向电池组转移。以单体电池开路电压在线估计为基础,运用开路电压法估算SOC,选取SOC值在一定阈值范围之外的单体电池作为均衡对象,对6节串联的磷酸铁锂电池进行了充放电均衡实验。实验结果表明,该方案可以有效减小单体电池间的不一致性,提升电池组的整体性,同时提高了电池组充放电容量。     

基于电路等效的磷酸铁锂材料电池建模研究

为了完整地了解磷酸铁锂电池的内部结构及工作特性,需要进行等效建模对其进行精确的参数辨识。以容量10Ah的磷酸铁锂电池为研究对象,选取PNGV模型进行特性分析,并用最小二乘法进行参数辨识。通过磷酸铁锂电池的充放电实验,表征出电池的充放电特性;通过OCV与SOC的标定实验,拟合出OCV与SOC之间的函数关系;通过HPPC实验研究,利用公式对模型各个参数进行计算,再通过最小二乘法拟合得到各参数的非线性规律。通过实验估算出PNGV模型中电容Cb的变化趋势,在客观上体现出电池对电量变化的敏感程度。以上几种实验结果表明,模型仿真与实测结果之间的误差平均值约为3.062 mV,最大误差为37 mV,基本反映出磷酸铁锂电池的工作特性,为动力电池的SOC估算及磷酸铁锂电池应用领域的仿真研究提供了理论基础。     

典型蓄电池的建模与荷电状态估算的对比研究

研究不同蓄电池荷电状态(state of charge,SOC)的变化特征有助于在实际应用过程中对蓄电池类型进行选择。基于铅酸电池、磷酸铁锂电池、全钒液流电池3种典型蓄电池模型,采用电池容量修正过的改进安时计量法和改进安时-卡尔曼预测法(Ah-Kal法),对各电池在不同充放电模式下,用MATLAB软件编程得到两种估算方法下的SOC变化曲线。通过SOC对比曲线可以发现铅酸电池的自放电较严重,循环寿命短;磷酸铁锂电池可迅速提供大功率;而全钒液流电池适合作为长期大容量储能支持。同时,改进安时计量法和Ah-Kal的估算结果基本相同,验证了Ah-Kal法的正确性。     

一种联合PID控制与扩展卡尔曼滤波的磷酸铁锂电池荷电状态估算方法

锂离子电池作为新能源存储的载体,是执行“双碳”目标的重要助力,精确估算电池荷电状态(state of charge,SOC)能够有效辅助电池管理,进而延长电池使用寿命。针对卡尔曼滤波类算法的SOC估算效果受磷酸铁锂电池特性制约的问题,该文提出一种比例积分微分(proportional integral differential,PID)控制与扩展卡尔曼滤波(extended Kalman filter,EKF)联合方法。该方法利用PID控制原理设计SOC初值补偿策略并优化EKF算法的状态变量修正过程,可降低磷酸铁锂电池特性对算法的影响。实验结果表明,与EKF算法相比,所提方法在估算磷酸铁锂电池SOC时拥有更高的估算精度与更快的收敛速度,对电池模型误差与采样噪声表现出较强的鲁棒性。     

基于STM32和LTC6803的电池管理系统设计

设计了一种基于STM32和LTC6803的纯电动汽车锂电池管理系统,旨在提高单体电池电压检测的精度,缩短检测时间,并实现了自动均衡的功能。给出了系统的软硬件设计方法,其中硬件包括电压采样、电流采样和LTC6803的接口电路等电路。并采用结合开路电压法和安时积分法的电池荷电状态(SOC)估算方法,实现对电池剩余电量的精确估算。     

基于混合动力汽车车载电池SOC算法的研究

在混合动力汽车中,电池荷电状态(state of charge,SOC)是发动机和电机动力分配以及电池管理的一个重要依据.以磷酸铁锂电池为研究对象,在进行了电池各种特性实验的基础上提出了一种电池SOC的估算方法,即在安时计量法的基础上,与等效电路模型和开路电压法相结合的估算方法.利用Matlab软件建立了该算法的仿真模型,仿真结果验证了该综合估算方法的可行性和精确性.     

一种多采样率EKF的锂电池SOC估计

为了准确估算出锂离子电池的荷电状态(SOC),采用多采样率的扩展卡尔曼滤波算法(MREKF),建立了二阶RC的电池的等效电路模型,对磷酸铁锂电池进行充放电实验,并根据实验数据进行参数辨识,获得等效电路模型的参数。根据电路模型建立电池的状态方程,分别使用安时法,单采样率的扩展卡尔曼算法和多采样率的扩展卡尔曼算法对电池的SOC进行估计,并用Matlab仿真,对比了三种算法,实验和仿真结果表明MREKF能更精确地估算出SOC。     

基于SVM的锂电池SOC估算

以锂电池SOC作为研究对象,将基于VC维和结构最小化理论为基础的支持向量机(SVM)的方法引入到锂电池SOC的估算中。充分利用支持向量机的对锂电池非线性独特的功能,综合考虑锂电池的电压、温度及电流等因素对SOC的影响,提出了支持向量机估算电池SOC的算法,并将其在锂电池充放电实验中验证。结果表明,支持向量机在估算锂电池SOC时,可以获得更高的估算精度,为电池管理系统提供一种实用的SOC估算方案。     

基于MARS的电池荷电状态估计

将多元自适应回归样条估算方法应用于大容量磷酸铁锂电池组的SOC估计,将电压、电流和温度共同作为输入变量。对实验所得数据进行标准化处理,将处理后的数据进行训练,得到SOC估计的精简数学模型,并对模型进行了验证。仿真实验结果表明该方法可以提高SOC估算精度。     

混合动力汽车动力电池SOC估算方法的研究

为了准确预测混合动力汽车(HEV)动力电池的SOC,将安时法、开路电压法和卡尔曼滤波算法结合起来,并考虑温度、滞环效应等因素对SOC的影响,提出了新的SOC估算方法。通过建立电池的二阶动态RC模型并且采用双无味卡尔曼滤波(DUKF)的方法估算电池模型的状态和参数,使电池的SOC估算达到更高的精度。通过蓄电池的放电实验初步确定电池的模型参数以及电池的开路电压(OCV)与SOC的关系曲线,并且采用matlab仿真验证了DUKF方法对SOC估算的准确性。     

基于神经网络的磷酸铁锂电池SOC预测研究

利用神经网络进行了电动汽车用的磷酸铁锂（LiFePO4）电池荷电状态（state of charge,SOC）预测研究。在分析磷酸铁锂电池充放电机理的基础上,采用levenberg-marquardt（LM）算法建立了磷酸铁锂电池的BP（back propagation）神经网络模型,并进行了电池SOC值的预测。结果表明,基于神经网络的电池SOC预测方法具有较高的精度,可用来预测磷酸铁锂电池的SOC值。