模型预测电流控制的航空蓄电池充放电控制器研究

为解决充电电路启动时电流增大、放电时系统抗扰动能力差等问题,提出了基于模型预测电流控制的航空蓄电池充放电控制方法,通过预测电流实现了充放电电流的无差拍跟踪,提高系统的抗扰性能与动态响应速度.本文设计的直升机蓄电池充放电控制器,不仅能够满足直升机蓄电池大电流快速充放电、消除镍镉电池的记忆效应的特殊要求,蓄电池还可以对直升机负载恒压放电.仿真结果证明了该方法的有效性,提高系统的鲁棒性.     

基于改进BP神经网络的铅酸蓄电池放电程度评估

针对传统方法评估蓄电池放电程度的缺点,引入人工神经网络算法,建立以蓄电池开路电压、内阻和工作温度为输入的蓄电池放电程度改进BP神经网络模型,实现对铅酸蓄电池放电程度的评估。结果表明,通过该网络模型可以方便快速地得到蓄电池的放电程度评估值,所得结果满足要求。     

独立光伏系统中蓄电池剩余容量的模糊估计

利用模糊技术,以蓄电池端电压和放电电流为变量进行模糊化处理,根据专家知识和经验完成模糊规则生成并进行模糊推理,经反模糊化处理得到蓄电池的剩余容量估计.仿真估计结果与实验结果进行比较,两者的SOC值基本一致,所设计的蓄电池SOC模糊估计法基本上可以满足蓄电池在线状态下的SOC测量.     

自制电动自行车表盘指示器

表盘指示电路主要用来指示蓄电池的放电状态及调速电路的过流、过热等各种保护信息。本文介绍的是蓄电池放电状态指示这一部分的原理与制作。目前大多数价位较低的电动自行车蓄电池放电状态指示都比较简单,只分高、中、低三档进行粗略指示,用户很难确切地了解蓄电池的放电情况。基于这一现状,笔者应许多购买电     

基于扩展卡尔曼滤波法的矿用可移动救生舱蓄电池荷电状态估计

针对基于安时计量法的矿用可移动救生舱蓄电池荷电状态SOC估计在环境温度或放电电流波动较大的情况下精度较低的问题,提出了一种基于扩展卡尔曼滤波法的矿用可移动救生舱蓄电池SOC估计方法。该方法在安时计量法的基础上,把影响蓄电池SOC估计的环境温度和放电电流因素作为蓄电池系统的噪声,采用扩展卡尔曼滤波法的优化估计递推算法对蓄电池SOC进行实时滤波与估计,从而提高了蓄电池SOC的估计精度。实验结果表明,该方法的蓄电池SOC估计结果与实测值基本一致,可用于矿用可移动救生舱蓄电池管理系统中。     

基于BP神经网络的蓄电池充放电温度模型的建立

由于蓄电池机理复杂,蓄电池的温度具有明显的非线性、滞后性和模型不确定性,采用BP神经网络对蓄电池温度进行仿真研究,建立网络模型,反映蓄电池温度变化趋势.     

基于小电流二次放电法的蓄电池内阻在线检测研究

针对铅酸蓄电池内阻小、大电流放电对电池损害大、小电流放电信号小等问题,提出了一种小电流二次放电法测蓄电池内阻的新方法;采用组合开关和精密高稳定性功率电阻组成两个放电回路,在控制器的作用下进行两次小电流放电,经过采样保持器分别采集两次放电过程中放电电阻两端的电压,两次放电电压差值由超低失调漂移放大器ICL7650进行放大,由两次放电电阻的端电压及差值,实现蓄电池的内阻测量;实验数据表明,两次小电流放电测得的蓄电池内阻值与大电流放电测得的蓄电池内阻结果一致,该方法可实现蓄电池内阻的在线检测。     

一种新颖的自动恒流放电系统的研制

介绍了采用IGBT功率器件、PWM控制和康铜电阻合金为放电电阻的放电系统,其放电电流在4～20A的大范围内连续可调,且有较高的恒流精度,实现了对大容量蓄电池负荷能力和容量的核对性检测.结果表明,此系统的研制改变了以往蓄电池监测设备精度低、可靠性不高的状况.关     

局部放电检测的三维线框模型

局部放电监测中广泛采用三维谱图方法分析放电特征,进行故障预警.放电数据具有采集周期间隔短,数据量大,实时性要求高等特性,而目前的三维谱图模型技术存在响应慢,结构细节易被遮挡等问题.因此,提出了一种三维线框模型,通过顶点和棱边来描述几何形状,并采用矩阵变换法对立体形状进行二维投影.该模型具有结构简洁、内存需求量小、响应速度快等优点.实际应用表明,三维线框模型可以良好展示局部放电数据的三维谱图.     

变电站蓄电池支持向量机建模在线监测研究

针对广泛应用于变电站储能的蓄电池,提出了一种新的蓄电池内阻在线检测技术。为了在线获得蓄电池性能,采用了支持向量机建模技术的变电站蓄电池性能在线监测方法,该方法综合了交流阴抗法和直流放电法的特点。充放电池实验数据作为最小二乘回归支持向量机的初始建模数据,从而得到基于交流阻抗法的蓄电池内阻模型和剩余容量模型。使用蓄电池运行过程中的核对性放电数据和瞬时放电数据作为回归模型的在线校正数据。基于该方法的变电站蓄电池在线监测系统已在变电站使用了4年以上,故障模拟和实际运行表明该方法能有效辨识已劣化电池以及预测电池性能的变化趋势。     

An adaptive sliding mode observer for lithium-ion battery state of charge and state of health estimation in electric vehicles

As the demand for electric vehicle (EV)'s remaining operation range and power supply life, Lithium-ion (Li-ion) battery state of charge (SOC) and state of health (SOH) estimation are important in battery management system (BMS). In this paper, a proposed adaptive observer based on sliding mode method is used to estimate SOC and SOH of the Li-ion battery. An equivalent circuit model with two resistor and capacitor (RC) networks is established, and the model equations in specific structure with uncertainties are given and analyzed. The proposed adaptive sliding mode observer is applied to estimate SOC and SOH based on the established battery model with uncertainties, and it can avoid the chattering effects and improve the estimation performance. The experiment and simulation estimation results show that the proposed adaptive sliding mode observer has good performance and robustness on battery SOC and SOH estimation.     

基于HI-DD-AdaBoost.RT的锂离子动力电池SOH预测

锂离子电池是一个复杂的电化学动态系统,实时准确的健康状态(SOH)估计对电动汽车动力锂电池的维护至关重要,传统建模方法难以实现SOH的在线估算.基于此,从实时评估电池的SOH出发,在增量学习的基础上,选取与电池健康状态相关的指标建立SOH预测模型.考虑到增量学习中的耗时性问题,提出融合滑动窗口技术的HI-DD算法,该算法可以检测概念漂移是否发生,从而指导和确定模型更新位置;设计出HI-DD与AdaBoost.RT结合的模型更新策略,进而提高模型的在线学习性能和预测精度,最后使用CALCE提供的电池老化实验数据对所提出的方法进行验证.结果表明,基于增量学习的HI-DD-AdaBoost.RT预测算法具有较强的在线更新能力和较高的预测精度,能够满足SOH在线预测的实际需求.     

基于工况特性的电动汽车蓄电池组SOC与SOH在线智能识别与评价方法研究

蓄电池组SOC和SOH是电动汽车电池管理和能量管理的关键参数,受单体电池特性、蓄电池组一致性和均衡技术等因素影响,不易建立准确计算模型.基于电动汽车日常行驶工况统计特性提出一种改进的Ah积分法计算蓄电池组SOC和SOH,该方法采用工况容量与等效工况电流根据Peukert方程实现稳态容量修正,同时采用模糊逻辑实现放电率波动对容量的动态修正;提出采用单体统计特性建立状态评价矩阵表征蓄电池组状态的全面评价方法;最后通过对比仿真计算分析验证了所提方法的合理性和实用性.     

基于ACCA-FCM和SVM-RFE的蓄电池SOH特征选择算法

由于铅酸蓄电池老化程度受诸多因素影响,且蓄电池老化实验受完全充放电时间和样本数量限制,使得基于小样本的具有代表性的特征集的选择在蓄电池健康状态（SOH）预测中显得尤为重要。因此在对蓄电池进行特性分析的基础上,提出基于无监督的ACCA-FCM和有监督的SVM-RFE相结合的蓄电池SOH特征选择算法。该算法利用改进的蚁群聚类算法（ACCA）从全局特征集中选取有效的特征值聚类中心,克服模糊C均值聚类算法（FCM）聚类中心敏感和局部最优问题,并根据特征之间相关性排除冗余特征;再通过SVM-RFE特征排序算法剔除非关键干扰（低预测性）特征,最终得到与待测结果最大相关最小冗余的低维特征子集,且在保证精度的前提下,避开了完全放电过程。经基于支持向量机（SVM）的蓄电池SOH预测模型验证,放电初期特征构成的最优特征子集可准确预测铅酸蓄电池的健康状态。     

基于Thevenin模型和自适应卡尔曼的SOC估算研究

精确的荷电状态(SOC)值在电池的应用开发中具有重要的意义。选择合适的滤波算法是精确估算的前提。由于扩展卡尔曼滤波(EKF)中噪声的给定值与实际工况下噪声的统计特性不符,导致估算精度低。为提高S0C估算精度,构建能准确反映锂电池工作特性的Thevenin电路模型。在此基础上,构建状态方程和观测方程,提出自适应卡尔曼滤波(AKF)算法。利用混合动力脉冲能力特性(HPPC)试验对模型参数进行辨识,通过MATLAB/Simulink建模仿真,分析锂电池分别在恒流放电和动态工况下S0C估算的精度。试验表明,Thevenin模型能够良好地表征锂电池的工作特性且能较好地进行S0C估算,参数辨识、恒流放电工况、动态工况下的最大误差分别控制在0.4%、0.2%、0.1%以内,验证了AKF应用于锂电池S0C估算的优越性。     

Estimation of Battery State of Health Using Back Propagation Neural Network

100 pieces of 26650-type Lithium iron phosphate（LiFePO4） batteries cycled with a fixed charge and discharge rate are tested, and the influence of the battery internal resistance and the instantaneous voltage drop at the start of discharge on the state of health（SOH） is discussed. A back propagation（BP） neural network model using additional momentum is built up to estimate the state of health of Li-ion batteries. The additional 10 pieces are used to verify the feasibility of the proposed method. The results show that the neural network prediction model have a higher accuracy and can be embedded into battery management system（BMS） to estimate SOH of LiFePO4 Li-ion batteries.     

Battery state of health monitoring by estimation of the number of cyclable Li-ions

This paper introduces a method to monitor battery state of health (SOH) by estimating the number of cyclable Li-ions, a health-relevant electrochemical variable. SOH monitoring is critical to battery management in balancing the trade-off between maximizing system performance and minimizing battery degradation. The decrease of cyclable Li-ions indicates the effect on the SOH of degradation mechanisms that consume cyclable Li-ions. The unavailability of the number of cyclable Li-ions through non-invasive measurements makes its estimation necessary for in-situ SOH monitoring. In this paper, the extended Kalman filter (EKF) is used to estimate the number of cyclable Li-ions as an unknown battery parameter. The single particle model (SPM), a simplified battery electrochemical model, is used as the model in the EKF to achieve a computational complexity suitable for on-line estimation. Simulations are performed under typical electric vehicle current trajectories using an example parameter set for a hybrid-electric-vehicle battery. In the simulations, the battery is represented by the Doyle–Fuller–Newman (DFN) model, an electrochemical model with higher fidelity than the SPM. To comply with the practice, instead of using the same parameters as the DFN model in the SPM, parameterization of the SPM is performed before estimation of the number of cyclable Li-ions. The simulations show high estimation accuracy of the number of cyclable Li-ions using the EKF, even with the structural and parametric differences between the DFN model and the SPM, under both the ideal conditions and various non-ideal conditions (i.e., SOC estimation error, additional modeling error, and measurement noise).     

一种锂电池SOH估计的KNN-马尔科夫修正策略

锂离子电池的健康状态(State of health, SOH)是决定电池使用寿命的关键因素.由于锂电池生产工艺、工作环境和使用习惯等的差异性导致其衰退特性具有较大差异, 因此锂电池SOH难以精确估算.本文采用数据驱动的方式通过对采集的电压数据进行特征提取, 使用贝叶斯正则化神经网络对锂电池SOH进行预测, 同时引入KNN-马尔科夫修正策略对预测结果进行修正.实验结果证明, 贝叶斯正则化算法对锂电池SOH的预测准确度较高, KNN-马尔科夫修正策略提高了预测的精确度和鲁棒性, 组合预测模型对锂电池SOH的平均预测误差小于$1\,\%$, 与采用数据分组处理方法(Group method of data handling, GMDH)、概率神经网络(Probabilistic neural network, PNN)、循环神经网络(Recurrent neural network, RNN)的预测精度进行对比, 该模型的预测精度分别提高了$33.3\,\%$、$48.7\,\%$和$53.1\,\%$.     

Parity-relation-based state-of-health monitoring of lead acid batteries for automotive applications

Effective vehicular power management requires accurate knowledge of battery state, including state-of-charge (SOC) and state-of-health (SOH). This paper presents an integrated algorithm for reliable battery SOH monitoring. The dynamics of lead acid batteries during engine cranking is investigated, and a new battery model is presented. Moreover, a parity-relation-based integrated method for battery SOH monitoring is proposed. It is shown that the diagnostic residual combines the SOH information provided by both battery resistance and voltage loss during engine cranking, hence enhancing diagnostic performance. Extensive evaluation results using real vehicle cranking data have verified the effectiveness of the proposed method.     

无人机锂电池电路等效和荷电状态智能计算估计

锂电池电池管理的核心是电池荷电状态(SOC)的实时准确估算。为精确实时估算SOC值,以无人机(UAV)锂电池为研究对象,建立戴维南等效电路模型,对电池进行试验测量、研究分析。首先,运用开路电压法标定锂电池的估算初值,在卡尔曼滤波算法的基础上进一步改良优化得到扩展卡尔曼滤波(EKF)算法。然后,将该算法运用到SOC估算中,即可在较短时间内高精度的估算出无人机锂电池的实时SOC值。在MATLAB/Simulink中搭建对应电池模型输入算法进行运行,并对得到的结果与实际数据进行比较、论证。试验表明,基于戴维南模型的EKF算法能很好地对无人机锂电池SOC进行估算,收敛效果好而且估算精度高于98.5%。扩展卡尔曼算法可以很准确地估算出无人机锂电池的实时SOC值。