基于DS2438的电池剩余电量监测系统的实现

根据锂电池在灾害应急救生舱中应用的要求,设计了一种基于DS2438智能电池监视芯片的电池剩余电量监测系统。该系统由控制模块、测量模块和通信模块组成,控制模块采用ATmega16单片机,实现了对DS2438的读写控制和串口通信;测量模块实现了对电池组剩余电量的采集;通信模块采用RS232串口,实现了与上位机之间的通信。实验结果表明,系统能很好地对锂电池组进行实时电量监测,且稳定性高、扩展性强,为灾害应急救生舱系统提供了实时电池电量信息。     

PXA270的电池充电及电量计量模块设计

以PXA270芯片为处理器,利用2种高性能芯片 LM3658和 DS2786设计了电池充电与电量计量模块。该模块可以运用于手机、PDA、数码相机、MP3等手持设备中,能够在满足充电任务的同时,实时精确地计量当前的剩余电量,并显示在用户界面上,方便用户使用,具有很好的应用前景。     

锂电池组剩余电量SOC估算方法的分析与研究

近年来,纯电动汽车以其结构简单、无废气排放、能量使用效率高等优势得到了广泛应用。电动汽车产业化的关键在于动力锂电池及其应用技术的产业化发展。为提高纯电动汽车锂电池组的寿命和安全性,对纯电动汽车的锂电池组剩余电量荷电状态(SOC)估算算法进行了研究。采用安时积分法和开路电压法相结合的方法,并引入参数电池额定容量百分比对SOC估算,在一定程度上提高了估测SOC的精度。通过试验测试,验证了锂电池组剩余电量SOC估算算法的有效性。对锂电池组剩余电量SOC估算算法的研究可以延长电池组寿命、保障电池的安全性、降低运行成本,对电动汽车的推广应用起着重要作用。     

矿用大容量磷酸铁锂电池管理系统设计

为了保证矿用磷酸铁锂电池的安全性,结合煤矿工业实际需求,设计了8节单体60A·h磷酸铁锂电池串联、24V额定电压输出的矿用电池管理系统。该系统将微处理器配合集成芯片LTC6803组成电池保护模块,利用安时法估算电池组电量,采用电阻分流型均衡技术改善电池组性能。现场应用结果表明,该系统运行稳定可靠,保证了矿用磷酸铁锂电池的安全高效性。     

矿用大容量磷酸铁锂电池管理系统设计

为了保证矿用磷酸铁锂电池的安全性,结合煤矿工业实际需求,设计了8节单体60A·h磷酸铁锂电池串联、24V额定电压输出的矿用电池管理系统。该系统将微处理器配合集成芯片LTC6803组成电池保护模块,利用安时法估算电池组电量,采用电阻分流型均衡技术改善电池组性能。现场应用结果表明,该系统运行稳定可靠,保证了矿用磷酸铁锂电池的安全高效性。     

基于神经网络的电池SOC估算及优化方法

鉴于锂电池高度非线性和时变性使其剩余电量难以精确估算,影响电池的管理和控制。基于BP神经网络模型,在具有随机噪声干扰下,分析和比较不同架构的深度学习模型对电池剩余电量估算的运算时间和泛化性能,并根据粒子群算法（PSO）、基于Nesterov动量的RMSProp变学习率算法优化模型,结合数学规划设计出不同深度的最优构架,并与多种神经网络模型进行比较。根据实验数据和模型估算结果对比表明：此优化算法能有效减少模型的运算时间,在双隐层最优构架下,SOC平均估算误差在0.1左右。     

基于ZigBee的智慧温室蓄电池监测节点设计

针对传统温室监测节点蓄电池剩余电量问题,提出一种改进的基于ZigBee无线通信技术的温室节点无线监测方案,设计一个经济实用的低功耗ZigBee无线监测节点;以CC2530为主控芯片,通过控制不同的传感器和电池智能管理芯片DS2438及其外围电路,实现温室环境参数和各节点蓄电池电压、电流以及剩余电量的精确测量并实时显示;测试结果表明,系统运行稳定,数据检测精度达到0.001。     

手机软件串串烧

剩余电量能干嘛 得问我 此款软件可以实时观察电池历史记录,估算电池剩余电量用来做哪些工作还能支持的时间。采用图表曲线视图百分比数一目了然。     

便携式电动工具锂电池管理系统的设计

针对使用多串锂电池组的便携式电动工具,设计了一个智能锂电池组管理系统,该系统以ML5238为前端采集芯片,单片机ML610Q488为核心控制器。该系统可监测5~16串锂电池组,并具有电压采集、电流采集、温度采集、过充保护、过放保护、短路保护、温度报警、剩余电量估算、电池均衡等功能。经测试表明,该系统具有良好的测量精度及稳定性,完全达到了便携式电动工具锂电池管理系统的设计要求。     

基于扩展卡尔曼神经网络算法估计电池SOC

针对汽车锂电池的荷电状态(SOC)的问题,基于Thevenin电路为等效电路并且应用扩展卡尔曼算法(EKF)结合神经网络算法进行估计。在进行卡尔曼滤波算法估算过程中,需要用到实时的估算模型参数值(最新值),即在不同的SOC下模型的参数不同。传统做法是把SOC与各个参数的关系进行普通的拟合,这种方法在拟合过程中存在较大误差。为了解决这个问题,利用神经网络拟合各个电路模型参数与SOC关系曲线。试验结果表明,与单纯的扩展卡尔曼算法相比,该方法能够准确估计电池剩余电量,误差小于3%。     

基于容积卡尔曼滤波算法估计动力锂电池荷电状态

动力锂电池荷电状态的准确估计是电池管理系统的关键功能之一。该文结合二阶电阻-电容等效电路模型,通过建立状态空间表达式,利用最小二乘法对等效电路模型各参数进行辨识,并通过多项式拟合方法获得了开路电压与剩余电荷的关系曲线,进而基于容积卡尔曼滤波方法对锂电池荷电状态进行建模,建立了基于数字信号处理器的充放电实验平台,实现了锂电池放电时荷电状态的实时估算。实验结果表明,该方法能够实现实时在线估算,且最大误差小于 2%,具有良好的估算精度。     

基于DSP的电动汽车锂电池荷电状态估算的研究与实现

锂电池荷电状态(SOC)的准确估算是电动汽车能源管理的关键技术。为了提高锂电池SOC的估算精度,将无迹卡尔曼滤波(UKF)应用于锂电池SOC估算,以减小拓展卡尔曼滤波(EKF)简单线性化带来的误差。搭建电池检测系统的硬件平台,以TMS320F28335型数字信号处理器(DSP)为主控芯片(MCU),实现电压、电流、温度的检测及UKF算法,并设计了相关的电池测试实验。实验结果表明,UKF可以实时估算锂电池SOC,估算误差在4%以内,高于传统的拓展卡尔曼滤波(EKF)。     

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。     

基于电动汽车磷酸铁锂动力电池荷电状态 估计方法研究

近几年,磷酸铁锂动力电池逐渐成为电动汽车动力电池首选.但是由于材料本身特性,使得磷酸铁锂电池的荷电状态难以精确估算.当电动汽车处于复杂工作环境时,荷电状态估计在保证电动汽车电池操作中的安全性和可靠性方面起到了至关重要的作用.文章采用戴维宁等效电路模型,验证无迹卡尔曼滤波和粒子滤波两种方法的估算效果,并分别与扩展卡尔曼滤波方法作对比,结果证明无迹卡尔曼滤波和粒子滤波都具有更好的估算精度.     

基于Thevenin模型和UKF的锂电池SOC估算方法研究

为解决在多种工况下锂电池实时估算困难、估算精度不高等问题,以三元锂电池为研究对象,建立Thevenin模型,对电池的工作特性进行表征。综合多种工况对锂电池工作特性进行研究分析,避免了依据电池内部复杂结构建立等效模型的困难。考虑到估算初期荷电状态(SOC)准确性对于后期估算的重要性,首先用开路电压法标定初值,然后运用无迹卡尔曼滤波(UKF)算法进行估算跟踪。UKF算法基于无迹变换,没有忽略高阶项,对于非线性分布具有较高的计算精度。在Matlab/Simulink中搭建仿真模型并结合多种工况数据进行分析。试验结果表明,Thevenin模型能够较好地对锂电池SOC进行估算,收敛速度快、跟踪效果好且能将估算误差控制在0.8%以内,验证了UKF在对锂电池进行SOC估算时具有较高的精度。     

基于双扩展卡尔曼滤波的电池荷电状态估计

以磷酸铁锂动力电池为研究对象,以精确估算电动汽车动力锂电池组在实际运行工况中的SOC为目的,基于Thevenin等效电路模型和扩展卡尔曼滤波算法,结合脉冲功率特性实验（HPPC Test）对模型参数进行辨识,采用双扩展卡尔曼滤波对SOC和模型参数进行在线估算,并分析算法在不同温度下的适应性和不同SOC初始值条件下的收敛特性。仿真结果表明,在不同的工况下,相比于单扩展卡尔曼滤波该算法具有更高的精度、更好的环境适应度和对初始误差的收敛性。     

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。     

State of charge estimation for Li-ion battery based on model from extreme learning machine

Lithium-ion (Li-ion) battery state of charge (SOC) estimation is important for electric vehicles (EVs). The model-based state estimation method using the Kalman filter (KF) variants is studied and improved in this paper. To establish an accurate discrete model for Li-ion battery, the extreme learning machine (ELM) algorithm is proposed to train the model using experimental data. The estimation of SOC is then compared using four algorithms: extended Kalman filter (EKF), unscented Kalman filter (UKF), adaptive extended Kalman filter (AEKF) and adaptive unscented Kalman filter (AUKF). The comparison of the experimental results shows that AEKF and AUKF have better convergence rate, and AUKF has the best accuracy. The comparison from the radial basis function neural network (RBF NN) model also verifies that the ELM model has lighter computation load and smaller estimation error in SOC estimation process. In general, the performance of Li-ion battery SOC estimation is improved by the AUKF algorithm applied on the ELM model.     

在线参数辨识和扩展卡尔曼算法的锂离子电池SOC估算研究

荷电状态(SOC)的准确估计对锂离子电池的在线实时监测和安全控制具有重要意义。以中航锂电池为研究对象,选择二阶阻容(RC)模型对电池工作特性进行表征,并结合多种工况情形对锂离子电池进行研究分析。考虑到参数辨识的初值对在线辨识修正效果的影响,搭建仿真模型与电池脉冲工况特性比较验证,仿真误差在0.05 V以内。在此基础上,构建含有遗忘因子的递推最小二乘法(FFRLS)的在线参数辨识系统,对电池动态应力测试工况(DST)进行仿真预测,相对误差在1.50%以内。针对离线参数辨识的不足,采用在线参数辨识结合扩展卡尔曼(EKF)算法对工况下电池SOC进行估计。试验结果表明,在线参数辨识下,EKF算法能够有效表征系统SOC估算,相对误差精度在0.3%以内。     

电动汽车动力电池组SOC均衡控制算法仿真

采用当前算法均衡控制电动汽车动力电池组的SOC(电池荷电状态)时,得到电动汽车动力电池组SOC估计值与实际值之间的误差较大,并且存在SOC估计精准度低和控制效果差的问题。提出电动汽车动力电池组SOC均衡控制算法,建立电动汽车动力电池组的Thevenin等效电路模型,在Thevenin等效电路模型的基础上采用扩展卡尔曼滤波算法估算电动汽车动力电池组的SOC,引入标准差判断电动汽车动力电池组的工作状态,根据判断结果对电动汽车动力电池组SOC进行均衡控制。仿真结果表明,所提方法估算SOC的精准度较高、均衡控制效果好,均衡控制后电动汽车动力电池组的容量利用率较高。