共查询到18条相似文献,搜索用时 78 毫秒
1.
2.
电池SOC估算是电动汽车电池管理系统中重要的一部分,由于电池SOC的估算受很多因素综合影响(如充放电倍率、环境温度、循环寿命、自放电等),所以很难保证SOC在实际应用中的估算精度.通过对SOC估算方法的综述,分析了各种方法的实现原理、优缺点以及目前应用情况等.研究表明,在实际的应用中,应依靠实验数据、提高硬件技术保证数据测量精度、引入电池模型、综合各种算法,扬长补短,从而提高SOC估算的精度. 相似文献
3.
利用神经网络进行了动力电池荷电状态(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)算法建立了动力电池的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。 相似文献
4.
光伏发电系统蓄电池SOC预测技术研究 总被引:1,自引:1,他引:0
蓄电池的荷电状态(SOC)值是反映电池健康状况的一个重要参数。传统的SOC预测方法难以得到精确的结果。为此对蓄电池的SOC预测技术进行了理论上的研究,并在此基础上提出了基于神经网络的蓄电池SOC预测方法。实验结果证明,该模型能够比较准确地预测出蓄电池的SOC值,其误差一般不会超出2%,很少有超出5%的情况,取得了令人满意的可靠预测结果。 相似文献
5.
电池荷电状态(state of charge,SOC)是电池管理系统(Battery Management System,BMS)的重要参数,准确估算电池SOC具有重要意义。首先分析了一般SOC定义存在的问题,提出以电能代替电量定义SOC更能准确描述在各种工况下动力电池的荷电容量;其次将已提出的估算方法分为开路电压法、安时积分法、高级估算方法和复合方法等四类,并对各自优缺点和适应工况进行分析。提出充分利用数据挖掘和数据融合技术将BMS记录的历史数据用于SOC估算,有助于提高计算精度和适用范围。 相似文献
6.
7.
8.
9.
10.
11.
12.
电动汽车动力电池模型和SOC估算策略 总被引:10,自引:1,他引:10
主要研究如何准确估算电动汽车动力电池的荷电量状态。通过对开路电压、自恢复效应、温度、充放电效率、寿命等多个影响荷电量状态的主要因素进行深入研究,建立了一种新的荷电量状态的数学模型,并在此基础上提出了一种电量状态复合估算策略。当电池处于不同状态时,合理地使用开路电压初始电量预估算法、直接调用记录初始电量预估算法、Ah电量动态计量法、系数修正法等不同方法估算电量状态,多种方法的复合使用弥补了使用单一方法的不足,有利于提高电量状态的估算精度。该电量状态复合估算策略成功地应用在电动汽车动力电池的管理上,使电量状态的估算误差小于4%。 相似文献
13.
通过对电动车用MH-Ni电池的开路电压、充放电电流、温度、自放电等因素的研究,建立了一种适用于MH-Ni电池的荷电量状态的数学模型。在初始状态,采用开路电压以及系统存储值,来估算初始电量;在充放电过程中采用电流积分法,并结合各种修正系数来估算过程电量。该方法成功地应用于纯电动车和混合电动车镍氢电池的管理系统中,电量估算误差小于7%。 相似文献
14.
针对铅酸蓄电池在工程应用中其荷电状态(SOC)难以准确估计的问题,本文结合常见的等效电池模型,采用等效电动势法对蓄电池SOC进行了实时估计。与普遍应用的恒参数的电池模型不同,本文通过统计辨识的手段,在不同SOC状态下以及不同的放电倍率条件下对等效模型进行了二维参数辨识。辨识结果表明,电池模型参数在不同的SOC状态下以及不同的放电倍率条件下均存在着较大差别;采用这种二维参数辨识方法估计出的电池SOC能够更加准确地跟踪电池的实际SOC。试验测试验证了这一SOC估计策略的准确性和实用性。 相似文献
15.
修正RC模型混合动力车用氢镍蓄电池SOC预测 总被引:1,自引:0,他引:1
根据混合动力汽车动力蓄电池瞬时脉冲大电流充放电工作特点,提出了一种能够实时动态估计氢镍蓄电池SOC的新方法。结合蓄电池当前状态和历史使用因素共同确定蓄电池初始SOC,并利用修正的RC模型,通过合理分配权值综合运用电量累计法和开路电压法进行蓄电池的SOC预测,电量累计考虑充放电效率和寿命因素影响,开路电压利用卡尔曼滤波法求解。最后,通过台驾试验验证算法的准确性,结果表明,SOC预测误差可控制在6%以内,满足混合动力汽车工作要求。 相似文献
16.
精确估计锂离子电池荷电状态(SOC)是电池管理系统的关键技术之一,直接影响着动力锂电池组的使用效率和安全
性。 锂离子电池特性复杂,其 SOC 无法直接测量,且受电流、温度等因素的影响较大。 为此,提出了一种基于门控循环单元
(GRU)神经网络与无迹卡尔曼滤波(UKF)相结合的组合算法。 该方法利用 GRU 网络获得可测量的电流、电压、温度与锂电池
SOC 之间的非线性关系,并以此作为 UKF 的观测方程。 然后,通过 UKF 估计 SOC 值以提高算法的估计精度。 实验结果表明,
在不同温度以及不同的工况下,本文所提方法的均方根误差(RMSE)和平均绝对误差(MAE)分别小于 0. 51%和 0. 46%,均能提
高 SOC 的估计精度。 相似文献
17.