电动汽车动力电池模型及SOC预测方法

简要介绍了铅酸蓄电池的电化学过程,提出了一种考虑温度影响的动态R-Q电池模型,并在此基础上建立了一种新的基于状态空间的SOC递推算法。对电池的两种放电过程仿真计算表明,该算法精确可靠,计算速度快,易于实现,适合电动汽车上使用。基于状态空间的SOC预测方法通过电池稳态开路电压来计算SOC,在电池充放电循环过程中没有误差累积,同样可用于其它类型的动力电池。     

电动汽车动力电池SOC估算方法综述

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.     

基于神经网络的动力电池SOC研究

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。     

光伏发电系统蓄电池SOC预测技术研究

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。     

蓄电池SOC估算方法综述

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。     

基于MIV-GA-BP神经网络的铅酸蓄电池SOC预测

建立了铅酸蓄电池充电过程中SOC的神经网络预测模型,采用平均影响值(M1V)算法对预测模型的输入变量进行了分析和筛选.在MIV算法的基础上,比较了基于遗传算法优化的BP神经网络(MIV-GA-BP)与传统MIV-BP神经网络对蓄电池充电过程中SOC的预测误差.测试样本的验证结果表明,MIV-GA-BP神经网络模型对蓄电...     

融合算法在蓄电池SOC估算中的研究综述

蓄电池的荷电状态(SOC)是电池管理系统中的重要参数之一,准确估算电池SOC对生产运行具有重要意义。首先,阐释了SOC的定义;其次,分析了传统单一SOC估算法的不足;然后,论述了近几年蓄电池SOC融合估算方法如神经网络、卡尔曼滤波法和综合法的研究进展,并分析了各种方法存在的优缺点;最后,给出总结与展望。提出充分利用数据挖掘和深度学习技术,将BMS记录的历史数据用于蓄电池SOC的估算,有助于提高计算精度和应用范围。     

电动汽车用锂离子动力电池的寿命试验

研究了一种国产的、以LiMn2O4为正极材料的100 Ah锂离子电池组用于插电式燃料电池混合电动客车时,在高温、高负荷条件下的模拟工况循环寿命特性,获得了电池组容量、效率、内阻、功率能力的变化特征,发现荷电状态(SOC)工作点是影响循环寿命的重要因素。电池组在高温、高负荷条件下,在0.3和0.5两个SOC工作点,循环寿命对应的行驶里程分别约为17 400 km和31 200 km。     

基于电动汽车锂电池的SOC动态估算策略

针对实际运行中电池参数的变化,建立了基于Thevenin模型的锂离子动力电池状态空间模型,采用递推最小二乘法进行模型参数在线辨识,对参数做出实时修正,同时克服广义卡尔曼滤波(EKF)估算的不足,提出了基于无色卡尔曼滤波(UKF)估算锂电池SOC估算的新方法。实验结果验证了在同等条件下,UKF比EKF具有更好的滤波估算精度,提高了系统的适应性。     

车用锂离子动力电池SOC的预测研究

为了估算锂离子动力电池的荷电状态(SOC),在对影响SOC值的因素及传统SOC估算方法分析的基础上,依据实际情况,采用了一种新思路,即将电池的工作状况分为静止、恢复、充放电三种状态,分别对三种状态进行SOC估算。在估算过程中分散并消除影响SOC值的因素,特别在充放电状态下,使用了以库仑效率因子为基础的电量的动态恢复量对安时计量法进行改进,解决了安时计量法会产生累积误差的问题。经实验表明,此方法提高了电池SOC计算的精度,达到了动力汽车的应用要求。     

基于EKF的动力锂电池SOC状态预测

在研究与分析影响SOC值的因素及传统SOC估算方法优缺点的基础上,提出一种基于扩展Kalman滤波(EKF)的算法对SOC进行估算,依据Thevenin模型建立了电池的非线性状态空间方程,通过引入库仑效率因子计算出电量的动态变化量,并利用此变化量对状态方程进行扩展,使得极化效应的影响大大减弱。实验表明,此方法提高了电池SOC计算的精度,达到了动力汽车的应用要求。     

电动汽车动力电池模型和SOC估算策略

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%。     

电动车用MH-Ni电池SOC模型的研究

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%。     

基于二维参数辨识的蓄电池SOC估计

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。     

修正RC模型混合动力车用氢镍蓄电池SOC预测

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。     

基于 GRU-UKF 的锂离子电池 SOC 估计方法研究

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。     

变电流下的电池荷电状态定义方法探讨

铅酸电池的荷电状态 (SOC)的测量和估计 ,对电动汽车的电池管理系统极为重要。分析了目前流行的SOC定义所存在的问题 ,并将各种电池容量的影响因素分为可恢复性和不可恢复性两类 ,这不仅解释了原SOC定义不适应变电流放电情况的原因 ,并以此为基础提出了在变电流放电下的SOC定义方法和计算模型     

电池SOE估算法及在电动汽车工况下的应用

采用电池剩余能量状态(SOE)作为估算对象以提高预测的准确性。基于SOE的传统定义,分析充放电过程中电池能量消耗的形式及对SOE估算的影响,研究不同放电倍率下可用总能的修正模型,并提出一种改进型SOE估算方法。NEDC、FUDS两种标准工况电动汽车的实验验证表明:改进型SOE算法的误差比传统SOE估算方法分别缩减4.6%和6.7%,可提高实际电池SOE估算的精度。