锂离子电池组SOC估计算法的比较研究

锂离子电池组的荷电状态SOC是描述电池剩余电量的重要参数,常用SOC估算方法有:安时法、开路电压法、神经网络法、卡尔曼滤波法、扩展卡尔曼滤波算法等。本文分析了影响电池荷电状态的SOC的影响因素,对各种SOC估算算法进行了比较研究,并对扩展卡尔曼滤波算法进行了Matlab仿真。仿真结果表明,卡尔曼滤波法对电池荷电状态的估算有较好的修正能力,并且容错能力较强。     

基于温度补偿的动力锂电池SOC估算方法

动力电池的荷电状态(State of Charge,SOC)是电动汽车的重要参数之一,直接影响电动汽车的安全控制与可续行里程的评估.电池总容量作为估算电池SOC的重要变量之一,其与使用环境温度密切相关,而在SOC估计算法中常被认为是恒定值,从而影响不同环境温度下锂电池SOC估计精度.为实现对锂电池SOC的准确估计,考虑温度对锂电池容量等特性参数的影响,通过引入温度补偿模型,并结合扩展卡尔曼滤波(Extended Kalman Filter,EKF)算法实现对锂电池SOC的动态估计.在不同环境温度下模拟电动汽车实际工况对锂电池进行放电试验,并比较未经温度补偿的SOC算法与补偿后的SOC算法精度.研究结果表明,所提出的方法适用于不同温度的锂电池,能实现较为精确的估计.     

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GA-BP神经网络的动力锂电池SOC估算

为提升新能源汽车的整车动力性、经济性以及安全性,更精确估算车用锂电池的荷电状态值(SOC),以纯电动汽车动力锂电池为研究对象,采用遗传算法(GA)优化BP神经网络,解决了误差逆传播存在的收敛速度慢、全局范围搜索能力弱、容易陷入局部极小值等缺陷,同时建立了基于GA-BP算法的SOC值预测神经网络模型,通过仿真实验与传统BP算法进行对比,验证该算法兼顾神经网络学习速度、误差小、全局搜索能力并满足动力电池SOC值估算要求。     

基于电路等效和UKF-EKF的锂电池SOC估算方法研究

锂电池以成组形式被广泛使用,但在生产与使用中单体不一致现象会严重影响电池的使用效率、寿命以及安全性。因此,对动力锂电池荷电状态(SOC)进行实时准确估算,保证电池的及时均衡尤为重要。针对动力电池估算所存在的等效模型模拟电池充放电过程中的真实性低、常用算法精度损失等问题,采用二阶Thevenin等效电路模型,通过递推最小二乘法进行电池模型的参数辨识。对比扩展卡尔曼滤波(EKF)算法与无迹卡尔曼滤波(UKF)算法的优、缺点,提出了一种结合EKF和UKF两种算法优势的联合在线SOC估计策略。将估计的SOC结果和试验测量结果进行比较,并通过试验与仿真验证该方法的精度。试验结果表明,该方法能够有效实现SOC的在线估算,其估计精度在5%内,为电池管理系统的搭建与锂电池组的均衡提供了判断依据。     

基于MSUKF的锂离子电池SOC估算研究

快速、准确地估算锂离子电池的荷电状态(SOC)是电池管理系统的关键技术之一，有利于延长电池使用寿命并提高使用的安全性。以三元锂电池为研究对象，采用二阶阻容(RC)等效电路模型构建锂离子电池模型，通过递推最小二乘法(RLS)对等效模型参数进行在线辨识，并结合多新息无迹卡尔曼滤波(MSUKF),形成RLS-MSUKF算法，以实现锂离子电池SOC估算。采用多时刻的新息信息对估算值进行校正，以减少误差积累、增强算法的收敛性及提高锂离子电池SOC估算的精度，并在混合脉冲功率特性(HPPC)测试工况下对锂离子电池进行SOC估算。试验结果表明，HPPC工况下的SOC误差稳定控制在0.78%以内，验证了改进算法的良好性能。该算法为优化锂离子电池SOC估算提供了依据，对锂离子电池SOC估算研究具有启发意义。     

基于神经网络的电动汽车电池SOC估算研究

论文首先分析了当前电动汽车电池管理系统中存在的问题,特别是电池电压的精确测量和剩余电量的准确预测问题一直亟待突破,因此,论文在分析电池荷电状态(SOC)影响因素的基础上,进行了动力电池的充放电实验,建立了BP网络电池模型,通过对网络进行训练,应用神经网络模型进行SOC估算,实验表明:建立的BP网络具有较好的适应性,能有效预测锂离子动力电池电压、电流和放电容量间的映射关系。可以准确地对电动汽车电池进行SOC估算。     

纯电动汽车用磷酸铁锂电池工作特性分析与表征

磷酸铁锂电池作为锂离子电池之一,因原材料磷、铁存在于地球的资源含量丰富,并且在高温与高热环境下的稳定性高等优势,在纯电动汽车中有着广泛的应用。为准确估算磷酸铁锂电池的荷电状态(SOC),以容量为10 Ah的磷酸铁锂电池作为对象进行了研究,控制温度在25℃下,通过标准充电与放电试验、不同倍率的充放电试验和OCV-SOC非线性曲线辨识试验分析其工作特性。根据电池内部的极化反应、OCV-SOC相对稳定性,建立戴维南等效模型。通过HPPC测试试验对其实现参数辨识,得出欧姆内阻均值R_0为20.68 mΩ,极化内阻均值R_P为1.36 mΩ,极化电容均值C_P为47 747.9 F。通过试验得到其电压、电阻工作特性,且模型参数可为锂离子电池的荷电状态准确估算提供理论依据,为纯电动汽车用磷酸铁锂电池今后建模仿真、SOC的准确估算和电池管理系统设计提供了可行性方案。     

车用锂离子电池SOC估算算法的研究

针对纯电动汽车的锂离子电池容量损失而导致估算电池电荷状态(SOC)精度降低的问题,本文分析了影响电池容量损失的因素,提出容量修正算法。通过改进电池模型,把电池容量作为状态变量,将电池容量修正算法运用于Kalman滤波算法估计SOC,解决了锂离子电池容量损耗使得误差累积的问题。实验证明,本文提出的基于容量修正的Kalman最优滤波算法提高了SOC估算的精度,并且对初始误差有很强的修正作用,可以保证纯电动汽车锂离子电池的稳定工作。     

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。     

自适应卡尔曼对储能锂电池充放电状态的估算

为了提高对工作状态中动力锂电池组的锂电池荷电状态(SOC)估计,精准的电池模型能够有效地估计SOC值,即提出了非线性模型来描述锂电池的外部特性。自适应性卡尔曼滤波算法有效减小了卡尔曼滤波因为电池模型参数不准确而造成的误差。该算法使系统状态初始化,对下一时刻的不确定性的状态和误差协方差矩阵进行时间更新,计算卡尔曼增益并记录系统观测值,从而有效地修正当前锂电池的SOC估计值、提高滤波精度、降低噪声带来的影响。同时,迭代算法不断用变量的旧值递推新值的过程能够有效地计算卡尔曼增益,不断更新蓄电池工作的SOC而达到更好的收敛效果。根据试验的对比分析,可以得到自适应卡尔曼滤波法(AKF)在电池的SOC值估计上具有更高的精度。算法估计初期能更快收敛,能迅速减小估计误差,并将其计算值和估计值收敛到0.03%,从而有效地延长纯电动汽车的中蓄电池使用时长。     

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。     

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。     

基于levy飞行优化BOA-BP网络的电池SOC估计

目前电动汽车动力输出的来源主要是动力电池，其荷电状态（State of Charge,SOC）表示电池的剩余电量情况，精确估算SOC对于电池的使用安全有重要意义。将蝴蝶优化算法（Butterfly Optimization Algorithm,BOA）进行改进并用于优化BP神经网络估算动力电池SOC，解决了普通BP网络估计SOC时遇到的训练时间长、收敛慢、精度较低、易陷入局部最优解的问题；同时提升了全局搜索速度，选取电压和电流为输入变量、SOC为输出变量，根据误差的大小调整神经网络的权值和阈值。仿真结果表明，优化后得到的SOC估计结果误差率控制在1.1%以内，该方法寻优速度快，具有更好的鲁棒性。     

基于双卡尔曼滤波的电池SOC估算

为有效解决储能电池中剩余电量的管理问题,提出基于双卡尔曼滤波的电池荷电状态(state of charge,SOC)估算研究方法.分析二阶戴维南电池等效模型,获得其状态空间方程和输出方程,利用泰勒公式对其进行线性化处理,对比分析锂离子电池的离线参数辨识和在线参数辨识结果,结合协同滤波算法进一步提升卡尔曼滤波算法的辨识精度.在M at-lab环境下编写基于双卡尔曼滤波算法的SOC估算以及验证程序,在算法初值准确和有误差两种情况下进行验证,并与其它算法进行比较,验证了双卡尔曼滤波算法精度高,收敛性好.     

无线传感网络节点锂电池剩余电量估算方法

针对采用锂电池电量检测芯片DS2786进行剩余电量估算存在误差较大的问题,结合DS2786芯片和卡尔曼滤算法,提出了一种面向无线传感网络节点锂电池的剩余电量估算方法。该方法通过建立能表征锂电池特性的等效电路模型,将芯片DS2786所获得的锂电池两端开路电压和放电电流作为卡尔曼滤波算法的输入参数,进行精确的剩余电量估算。实验结果表明,该方法对于锂电池剩余电量的估计误差可维持在3%以内,且算法复杂度低,能满足嵌入式设备的应用要求。     

基于Vmin-EKF的动力锂电池组SOC估计

动力电池组的荷电状态(SOC)是电动汽车能量控制的重要参数.针对串联锂电池组的SOC估计问题,建立电池组的Vmin状态空间模型,电池组内单体电池负载电压的最小值Vmin和电池组的SOC分别作为模型的观测变量和状态变量.应用扩展卡尔曼滤波算法,实现对SOC的动态估计.对模拟电动汽车的实际工况进行电池组放电实验,结果表明,该方法能实时准确地估计电池组SOC.     

基于锂电池SOC的运载火箭供电能源冗余管理研究

目前，在运载火箭领域，给箭上控制系统、测量系统和电磁阀火工品负载各提供一块电池供电，电池故障会导致箭上电气系统工作异常，严重时甚至导致任务失败等灾难性后果； 锂电池具有高能储存密度、使用寿命长等优点，正在取代传统锌银电池应用于运载领域；针对运载火箭领域电池电源无冗余的问题，对锂电池故障诊断进行研究；根据锂离子单体电池SOC估算结果作为电池故障诊断的依据；采用EKF算法提高锂离子单体电池SOC估算的精度；根据故障诊断结果通过电池组拓扑重构完成故障单体电池智能切换，建立了运载火箭供电能源冗余管理系统；经仿真测试满足工程应用要求，提高了运载火箭领域电池的可靠性、安全性与容错能力，对提高运载火箭可靠性安全性有重大意义。