基于EKF滤波算法的电动汽车电池SOC精准估算

电动汽车电池荷电状态(SOC)的快速精确估算是电池管理系统的核心技术。针对电动汽车电池的工作特性,在Thevenin电池模型的基础上,利用扩展卡尔曼滤波(EKF)算法,在不同温度、放电倍率及初始误差的情况下实现了对电动汽车电池SOC的精准估算,并与复合电池模型进行了对比仿真实验。实验表明,采用基于Thevenin电池模型的EKF滤波算法可以快速完成电池SOC的精准估算,误差在5%以内。     

电动汽车用铅酸电池管理系统SOC算法研究

SOC数据是电动车运行过程中一个重要的参数,它是防止电动车蓄电池过充和过放的主要依据。通过安时(Ah)积分法和开路电压法相结合的方法来估算电池荷电状态(SOC)。利用ADVISOR整车仿真软件,在MATLAB/Simulink仿真平台上搭建了SOC仿真模型验证估算方法的精确性。在电池管理系统硬件设计中,系统采用了分散采集集中处理的设计方案,采用MC9S12DP128MPV控制芯片进行信息处理计算,得出电池荷电状态和单体电池工作状态、电流、温度等信息,并在软件中实现了算法的嵌入式应用。     

用一种新的优化算法估计电动汽车电池SOC

准确估计电动汽车中的锂电池荷电状态(SOC)是电池管理的一个难点,安时计量法的缺点是无法估计电池的初始剩余电量,且由于电流测量精度的原因会导致累积误差。因此在安时计量法原有研究的基础上提出了一种新的优化算法,即结合开路电压法和Peukert方程来估计电池的剩余电量。与实验结果对比,可见新的优化算法的仿真结果与实验结果基本吻合,误差较小,从而证明了本方法的正确性。     

纯电动汽车电池管理系统及SOC精确估计

基于阀控式密闭铅酸蓄电池,设计了一套纯电动汽车电池管理系统。依据Randles二阶等效电池模型,应用扩展卡尔曼滤波算法,对电池荷电状态(SOC)进行估计,并将估算结果与传统的安时积分和开路电压结合算法进行比较分析,经实验与仿真验证,此法对预测SOC值有较高的精确度和可靠性。     

基于自适应两步滤波的电池SOC估计算法

电池的荷电状态(SOC)是锂离子电池最重要的状态参数之一,是电池充放电控制和续航里程估计的依据,但现有研究中基于扩展卡尔曼滤波的SOC估计方法没有解决观测方程局部线性化带来的误差问题。为此,提出了一种基于自适应两步滤波的电池SOC估计算法,实现对电池SOC的精确估计,并提高其对测量噪声的鲁棒性。实验结果表明该方法可在不同工况和不同电池老化条件下将电池SOC估计的平均绝对误差减小至2%以内。     

电动汽车电池管理系统的建立及SOC准确估计

以TMS320LF2407型数字信号处理器(DSP)为主控芯片,完成了电动汽车电池管理系统(BMS)平台的搭建。实现了参数检测、信息显示、安全报警和电池荷电状态(SOC)估计等主要功能。然后通过Matlab仿真研究了不同算法与不同模型的估计精度。最后通过搭建的试验平台,对磷酸铁锂电池组进行模拟工况试验,得到电池SOC估算值误差在5%以内。验证了试验平台与软件系统的可靠性、电池模型与估计算法的正确性。     

电动汽车电池管理系统的建立及SOC准确估计

以STC12C5A60S2型单片机作为主控芯片,完成了电动汽车电池管理系统(BMS)的搭建,实现了参数采集、信息显示、安全报警和电池荷电状态(SOC)估计等主要功能。提出了开路电压法和安时法相结合的SOC估算方法,并进行了Matlab仿真。最后通过搭建的实验平台,对磷酸铁锂电池组进行模拟工况实验,电池SOC估算值误差在5%以内。验证了实验平台和软件系统的可靠性和估计算法的正确性。     

基于EKF算法的神经网络估算锂电池SOC

荷电状态是电池的一个重要参数,为了精确地估计电池的SOC值,建立了Thevenin等效电路模型,将EKF与神经网络结合,利用EKF算法实时更新神经网络模型的权值和阈值.Matlab仿真结果证明,EKF神经网络比BP神经网络精度高,拟合效果好,可以更精确地估算锂电池SOC.最后通过实验验证,在HPPC工况下,二阶RC锂电池模型仿真结果和实验结果的误差在2％以内,在UDDS工况下仿真结果和实验结果的误差在4％以内,模型在两种工况下的精度均符合要求.     

基于EKF的船舶动力锂电池剩余容量估算

在船舶锂电池储能系统(RESS)应用中,准确估计剩余容量(SOC)是储能系统安全充放电的基础,SOC无法直接测量,只能通过测量电池外电压电流,根据电池特性进行计算得到。目前,传统SOC估计算法精度低,现流行的算法存在计算复杂的问题,并对依赖于SOC初始值精度,在运用中问题重重,难以保证船舶RESS的安全、寿命和容量利用率。为提高SOC估算精度,对锂电池的等效电路PNGV模型进行试验及参数辨识,并结合拓展卡尔曼滤波(EKF)算法,测量锂电池电压及电流,综合进行SOC的估算,经试验,SOC估算精度相比传统算法得到了提高,并解决了SOC估计对初值的要求高的问题,由此证明了PNGV模型结合扩展卡尔曼滤波算法精确估计SOC的可行性。     

粒子群优化神经网络电动汽车SOC估算方法

为了解决纯电动汽车电池剩余电量估算难题,采用粒子群优化神经网络方法,用于BP(Back Propagation,BP)神经网络权值和阈值优化,并把优化后的神经网络用于荷电状态(SOC)离散估算.以100 Ah LiFePO4电池作为实验对象采集实验数据,将温度、充放电倍率和充放电电压作为PSO-BP(Particle Swarm Optimization,PSO)神经网络输入特征向量,将电池SOC作为输出向量进行网络学习和训练,用训练好的网络对不同充放电倍率下SOC进行离散点预测,采用插值估算实现实时预测.实验结果表明,PSO-BP算法对SOC值为20％～ 80％区间估算准确,能够满足电动汽车正常运行的SOC估算要求.     

基于BP神经网络的电池SOC估算

针对传统动力电池的SOC估计方法的不足,通过编写Matlab程序建立了基于Levenberg-Marquardt (LM)算法的BP神经网络,对其进行了训练及检验.用所建神经网络模型对电池剩余电量进行预测,最大误差小于0.1％.结果满足精度要求,从而验证了所建BP神经网络能够有效地预测蓄电池电压、电流、温度和SOC之间的映射关系.对提高动力电池的能量效率,延长电池的使用寿命具有重要意义.实验表明,此方法提高了电池SOC计算的精度,达到了井下移动救生舱的应用要求.     

基于联合扩展卡尔曼滤波法的锂电池SOC估算

锂电池荷电状态(SOC)的精确估计一直是电池管理系统的核心任务之一。电流传感器中存在非零均值的电流漂移噪声,这些噪声会造成不可避免的估计误差。为减少电流漂移噪声对估算造成的不利影响,提出了联合扩展卡尔曼滤波法,以Thevenin模型为锂电池等效电路模型,将电流漂移值作为状态变量与电池SOC进行同步预测。实验和仿真结果表明,该方法能有效抑制电流漂移噪声,提高估算精度。     

基于BP神经网络的动力电池SOC估算

电池荷电状态(SOC)的预测是影响电动汽车发展的关键技术之一,采用经典BP神经网络控制算法完成了动力电池的SOC估算研究。通过设计工况实验,在Matlab中对该算法进行了仿真验证,结果表明该算法能够很好地拟合动力电池充放电特性,误差可以减小到5%以内。     

基于改进EKF的飞机蓄电池在线SOC估计方法

蓄电池荷电状态(state of charge,SOC)是电池管理系统最为重要的参数之一,由于飞机蓄电池工作环境恶劣复杂,具有较强的非线性,给蓄电池的在线 SOC估计带来较大的困难。以提高复杂应力条件下飞机蓄电池在线 SOC估计精度为目的,采用性能测试实验对蓄电池性能参数的温度、放电率特性进行研究,并提出递推最小二乘法与扩展卡尔曼滤波算法结合的改进 EKF方法,实现蓄电池等效电路模型参数的在线辨识以及蓄电池在线 SOC 的估计。上述方法通过物理实验进行了验证,实验结果表明,改进后 EKF方法的 SOC 估计误差小于0.5%,估计精度获得明显提高。     

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.