基于神经网络的磷酸铁锂电池SOC预测研究

利用神经网络进行了电动汽车用的磷酸铁锂（LiFePO4）电池荷电状态（state of charge,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）算法建立了磷酸铁锂电池的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。     

基于QPSO-BP神经网络的锂电池SOC预测

电池荷电状态(state of charge,SOC)的预测是电动汽车电池管理系统的关键任务之一,为此对锂电池荷电状态的预测进行了研究,提出了一种基于QPSO-BP神经网络的锂电池SOC预测.在分析了磷酸铁锂(LiFePO4)电池充放电机理后,运用MATLAB人工神经网络工具箱建立基于量子微粒群算法(QPSO)的BP(back propagation)神经网络模型,用于预测锂离子电池充放电过程中的任一状态下的SOC.仿真实验验证了方法的准确性.结果表明,与现有的神经网络预测方法相比,基于QPSO-BP神经网络的锂电池SOC预测方法准确度高,且具备很好的实用性.     

磷酸铁锂电池SOC估算方法研究

磷酸铁锂电池宽的电压平台和严重的两端极化不利于SOC的估算,但电池的SOC对电池组不一致性和寿命有着重要的影响,因此本文在磷酸铁锂电池的现有SOC估算分析基础上,研究了反应电池电化学特征的伏安特性曲线,提出了不同充电倍率、不同老化程度下可靠和准确的△Q/△V分析方法,利用电池在充电过程中的峰值△Q修正电池SOC值。为电动汽车电池组在线均衡和智能电池系统的管理策略提供依据。     

基于极限学习机的磷酸铁锂电池SOC估算研究

SOC(state of charge)的准确估算是电池管理系统的重要目标之一。针对传统神经网络方法在磷酸铁锂电池SOC估算中存在计算复杂、学习时间过长的问题,提出了一种新的基于ELM(extreme learning machine)的电池SOC估算方法。利用电池充放电系统完成磷酸铁锂电池在不同电流下的放电实验,获得实时测量的电压、电流。运用实验获得的数据对模型进行训练和预测,将预测效果与BP(back propagation)神经网络和SVM(support vector machine)进行对比,研究ELM在SOC预测中的可行性和优势。经分析可知,基于ELM的磷酸铁锂电池荷电状态估算模型的精度更高,并且网络训练速度得到大幅提升。     

基于MIV的BP神经网络磷酸铁锂电池寿命预测

针对锂离子电池循环寿命衰减问题,为了能更加准确地对锂离子电池的循环寿命进行预测,对磷酸铁锂电池全生命周期进行循环充放电测试,获得其相关性能参数,提出基于BP神经网络分析方法建立寿命预测模型。在预测模型基础上,运用平均影响值(MIV)算法筛选模型的输入参数。结果表明,所建立的电池循环寿命预测模型具有较高的精度,符合电池的实际运行特性,对解决电池寿命评估周期长和成本高等问题具有重要意义。     

磷酸铁锂电池SOC在线估算研究*

针对扩展卡尔曼滤波算法中近似线性化处理及电池实际使用中出现的容量衰减引起的电池状态估算误差,提出基于容量修正的无迹卡尔曼滤波算法完成电池荷电状态估算,实现电池全寿命状态监测。通过分析锂电池工作特性和建立二阶RC等效电路模型,使用在线参数辨识法实现电池动态参数计算,为电池荷电状态估算奠定基础。结合电池实际工作中容量衰减特性,利用容量修正和无迹卡尔曼滤波算法完成电池荷电状态的在线实时估算,提高了估算精度。在恒流放电工况下,利用MATLAB仿真验证,表明无迹卡尔曼滤波算法的估算精度和鲁棒性优于扩展卡尔曼滤波算法,估算误差在3.5%以内。引入容量修正后,对老化情况下容量衰减的电池进行荷电状态估算,相比容量未修正时最大估算误差减小了3%,满足电池全寿命状态估算使用需求。     

电动汽车磷酸铁锂电池最佳SOC工作区研究

磷酸铁锂电池由于寿命长、安全性能好、成本低,已经成为电动汽车的理想动力源和能量源。电池的荷电状态(SOC)是影响电池性能及使用寿命的主要因素之一,以10 Ah磷酸铁锂电池单体为研究对象,对其开路电压、极化电压、电池内阻进行了实验研究。结果表明,当电池单体SOC在20%~90%时,磷酸铁锂电池的电压和内阻变化平稳,确定为电池的最佳工作区。     

基于开路电压法的磷酸铁锂电池SOC估算研究

为了提高磷酸铁锂电池的安全性和使用寿命,需要对电池中最重要的参数——荷电状态(state of charge, SOC)进行有效的估算。因此,对电池SOC的估算方法进行研究,通过一种精简的开路电压法可以快速并相对准确地估算磷酸铁锂电池的SOC,相关充放电实验确定了开路电压与电池SOC的对应关系,并分别选用静置前后的开路电压对电池的SOC进行估算。结果表明在磷酸铁锂电池出色的性能基础上,这种简单快捷的开路电压法可以精确地估算其电池的SOC。     

实用型磷酸铁锂电池SOC高准度算法研究

分析了常用动力电池SOC(State of charge)算法在同时保证实用性和准确度两方面的局限性,并利用开路电压(VOC,Voltage of charge)和电池等效电路模型相结合的方法,提出了一种既能保证准确度又具有实用价值的算法.以某公司生产的磷酸铁锂电池为对象进行了电池特性试验,通过大量试验数据综合和计算得...     

基于LPV理论锂离子电池SOC估算研究

以磷酸铁锂电池为研究对象,在进行了电池特性实验的基础上确定电池电压特性以及开路电压与SOC关系。以二阶等效电路模型为基础,结合LPV理论及EKF原理,在Simulink中搭建电池仿真模型,实现了电池模型参数与SOC的联合估算,设计实验验证了模型的正确性。并嵌入整车模型模拟运行,电池SOC工作区间符合控制策略,设计的磷酸铁锂电池SOC估算方法可行有效。     

磷酸铁锂电池荷电状态估算方法研究

电池的荷电状态(SOC)是电池管理系统要实现的重要功能之一。精确估算电池的荷电状态能为提高电池利用率和延长电池寿命起到重要作用。分析温度、放电倍率、充放电循环次数等因素对电池容量的影响,结合磷酸铁锂电池本身的特性,提出一种改进的安时计量法与开路电压法相结合的估算方法对SOC进行在线估算。应用到自平衡两轮车上,实验测试结果显示此方法能够实时、准确地估算电池SOC。     

基于神经网络的动力电池组SOC辨识方法

目前电动汽车动力电池荷电状态(SOC)的辨识误差约在8%左右,且主要集中在电池恒流放电过程的辨识,对电池交流放电状态中SOC的辨识研究不是很多.在实际应用中,尤其是在混合动力电动汽车中,电池多处于变流放电状态中,而且电流幅值变化较大.为此,提出了基于电池时变特性的径向基神经网络SOC辨识法.该方法摒弃了以电池单点时刻状态参数作为网络输入的做法,采用动力电池变流放电参数为输入,使辨识精度提高到3%.此方法尤其对动力电池处于交流放电状态时,效果更加明显.     

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...     

基于FA-BP神经网络的锂离子电池SOH估算

采用萤火虫算法(FA)优化BP神经网络对锂离子电池进行健康状态(SOH)估算,利用FA算法全局寻优的能力和收敛速度快的特点,优化BP神经网络的权值和阈值,解决BP神经网络容易陷入局部最小值和收敛速度慢的问题.对单体磷酸铁锂正极锂离子电池进行充放电实验,选用一阶RC电路模型,利用递推最小二乘法在线辨识模型参数,将电池的欧...     

基于改进模型的锂离子电池SOC估计

为提升锂离子电池荷电状态(SOC)的估计精度,提出一种易于工程实现的二阶RC滞回等效电路模型.该模型采用差分进化(DE)算法对参数进行优化辨识,在城市道路循环工况(UDDS)、新标欧洲循环测试(NEDC)运行工况条件下对端电压和SOC进行估算.相比于传统二阶RC等效模型,二阶RC滞回等效电路模型估算的端电压误差小于10 mV,SOC误差减小至1％.此改进模型更符合锂离子电池的电化学特征,以此模型进行扩展卡尔曼滤波(EKF)算法的SOC估计具有更高的估计精度,为1％.     

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。     

基于扰动观测器的锂电池荷电状态估算方法

基于电池模型的荷电状态(SOC)估算方法,模型参数的误差会直接影响估算结果.根据扰动观测器原理,建立了锂电池电压扰动观测器模型,与扩展卡尔曼滤波(EKF)算法相结合,设计了具有电池电压扰动补偿功能的锂电池SOC估算方法.由电压扰动观测器得到的补偿电压变量,可实时修正数学模型中的电池状态变量偏差对SOC估算的影响.仿真结果表明当电池数学模型存在滞后电压等动态响应误差时,该方法在充放电过程中SOC估算精度要优于常规EKF估算方法.