汽车用铅酸蓄电池SOC预测研究

电池的开路电压与电池荷电状态(SOC)存在密切的关系,然而大量研究表明,当电池在恒定电流下充放电时,端电压与SOC的变化规律近似于开路电压与SOC的变化规律。但对于汽车用蓄电池来说,并没有文献明确地给出蓄电池在充放电电流变化状态下其端电压与SOC的对应关系表达式。通过对电动汽车用蓄电池进行充放电实验,利用Matlab对实验数据进行曲线拟合处理,得到变化工作电流下的蓄电池SOC与其端电压的数学关系,提出了蓄电池SOC估计的修正经验公式,为电动汽车续航里程的准确估计提供了新方法。     

混合动力汽车动力电池SOC估算方法的研究

为了准确预测混合动力汽车(HEV)动力电池的SOC,将安时法、开路电压法和卡尔曼滤波算法结合起来,并考虑温度、滞环效应等因素对SOC的影响,提出了新的SOC估算方法。通过建立电池的二阶动态RC模型并且采用双无味卡尔曼滤波(DUKF)的方法估算电池模型的状态和参数,使电池的SOC估算达到更高的精度。通过蓄电池的放电实验初步确定电池的模型参数以及电池的开路电压(OCV)与SOC的关系曲线,并且采用matlab仿真验证了DUKF方法对SOC估算的准确性。     

蓄电池荷电状态预测的改进新算法

对蓄电池的荷电状态（state of charge,SOC）进行预测是蓄电池能量管理的前提。考虑蓄电池充放电电流、内部工作温度和充放电循环次数等因素的影响,结合卡尔曼滤波,提出了蓄电池SOC预测的改进能量-卡尔曼滤波算法。在蓄电池三阶动态模型的基础上,详细阐述了算法的计算步骤,并与传统的SOC预测方法进行了对比研究。仿真结果表明,改进的能量-卡尔曼预测算法可以有效跟踪蓄电池SOC的变化,其精度优于传统的预测方法。     

基于高阶非线性模型的铅酸蓄电池SOC估计

铅酸蓄电池在电动汽车和蓄电池储能系统等领域有着广泛的应用,提高铅酸蓄电池荷电状态(SOC)估算的精度具有重要的意义。本文针对目前SOC估算方法中电池等效模型复杂、相关参数难以确定等问题,提出了一种新型高阶非线性拟合开路电压的SOC估计方法,通过拟合恒流充放电工况下的开路电压(OCV)–SOC曲线,建立适用于变电流充放电工况下的铅酸蓄电池模型,并结合扩展卡尔曼滤波算法(EKF)对电池的SOC进行估算。仿真和实验结果表明该方法能够实现铅酸蓄电池的高精度SOC估算。     

基于卡尔曼滤波修正算法的电池SOC估算

电池荷电状态(SOC)的估算是电池管理系统的核心内容,SOC估算准确与否,将直接影响到电池管理系统的决策和控制。在结合开路电压法、安时法的基础上,充分利用扩展卡尔曼滤波法的修正功能,综合考虑电池充放电倍率、温度和充放电循环次数等因素对SOC估算的影响,提出了卡尔曼滤波修正算法,并将其应用在插电式混合动力汽车电池管理系统中。研究结果表明,卡尔曼滤波修正算法有效地解决了传统安时法无法估计SOC初值和误差累积,以及开路电压法需要电池静置无法做到在线估算SOC等问题,获得了更高的估算精度,为电池管理系统提供一种实用的SOC估算方案。     

超级电容混合动力汽车能量存储技术发展研究

混合动力汽车因具有低排放和低油耗而备受关注。超级电容充放电速度快、寿命长,可以作为蓄电池的辅助电源为混合动力汽车提供能量。阐述了超级电容和蓄电池的性能,并分析了它们的工作特点,同时还介绍了混合动力汽车能量存储系统的研究现状。     

VRLA电池SOC估算的改进方法

对VRLA电池的荷电状态(state of charge,SOC)进行估算是蓄电池能量管理的前提。考虑蓄电池充放电电流、工作温度和充放电循环次数等因素影响估算电池SOC的准确度,对传统的能量法进行了修正;通过在电池电压恢复特性曲线基础上建立开路电压预测模型,提取电池E-SOC关系曲线,用于电动势法在线估算;分析两种估算SOC方法的特点,提出了改进的能量-电动势法SOC在线估算的改进方法,从而达到各取所长,优势互补的效果。实验结果表明改进的能量-电动势法SOC估算方法简单实用、准确度高。     

混合动力汽车电池管理系统SOC估算策略

电池荷电状态(state of charge,SOC)是电池管理系统的重要参数,也是混合动力汽车动力系统分配的重要依据,准确地估算电池荷电状态具有重要意义。按照传统电量状态定义电池SOC的估算方法不能满足蓄电池变电流放电工况的需求,为了解决这一问题,采用能量守恒原理对电池SOC重新定义,基于修正的Thevenin等效电路,在Matlab/simulink环境下,建立了电池的动态充、放电模型,通过仿真分析,证明新的SOC估算策略能够满足蓄电池在大电流和变电流放电工况下SOC的估算,提高了电池SOC估算的精度。     

电动车用MH-Ni电池SOC模型的研究

通过对电动车用MH-Ni电池的开路电压、充放电电流、温度、自放电等因素的研究,建立了一种适用于MH-Ni电池的荷电量状态的数学模型。在初始状态,采用开路电压以及系统存储值,来估算初始电量;在充放电过程中采用电流积分法,并结合各种修正系数来估算过程电量。该方法成功地应用于纯电动车和混合电动车镍氢电池的管理系统中,电量估算误差小于7%。     

基于LIBSVM的铅酸蓄电池荷电状态估计

研究准确预测蓄电池荷电状态(SOC)的方法对于快速、准确调节充电装置的动态充电过程具有重要意义。从基于测量蓄电池端电压和内阻实现预测其SOC出发,研究了基于卡尔曼滤波提高蓄电池端电压、内阻和充放电电流测量准确性的方法,在此基础上,进一步提出利用LIBSVM支持向量机基于蓄电池端电压、内阻和SOC的训练样本数据,建立反映其非线性映射的回归预测模型建模方法。最后通过实验数据验证了所提SOC预测模型建模方法的可行性。与利用BP神经网络预测SOC的结果对比表明,基于相同训练样本,所提方法建立的预测模型具有SOC估计预测误差小,对蓄电池宽运行范围的SOC评估具有良好适用性等特点。     

基于LabVIEW的动力电池SOC实时估算系统研发

在电动汽车能量管理控制策略和电池管理系统研究中,电池荷电状态(State of charge,SOC)的准确估算一直是重点和难点。基于磷酸铁锂动力电池的工作原理和充放电特性试验,利用MATLAB软件拟合获得不同放电电流下的库仑效率和开路电压与SOC的关系。并采用虚拟仪器LabVIEW与相关硬件,实时采集动力电池相关数据,将SOC估算的安时法与开路电压法相结合,实现了对动力电池SOC的实时估算与高精度显示,提高了电池SOC研发系统的实用性与准确性。     

电动汽车动力电池模型和SOC估算策略

主要研究如何准确估算电动汽车动力电池的荷电量状态。通过对开路电压、自恢复效应、温度、充放电效率、寿命等多个影响荷电量状态的主要因素进行深入研究,建立了一种新的荷电量状态的数学模型,并在此基础上提出了一种电量状态复合估算策略。当电池处于不同状态时,合理地使用开路电压初始电量预估算法、直接调用记录初始电量预估算法、Ah电量动态计量法、系数修正法等不同方法估算电量状态,多种方法的复合使用弥补了使用单一方法的不足,有利于提高电量状态的估算精度。该电量状态复合估算策略成功地应用在电动汽车动力电池的管理上,使电量状态的估算误差小于4%。     

Open-circuit voltage-based state of charge estimation of lithium-ion power battery by combining controlled auto-regressive and moving average modeling with feedforward-feedback compensation method

Being one of the important parameters describing the state of power battery, state of charge (SOC) is essential for the electric vehicle battery management system (BMS). SOC estimation method, which combines the constructed controlled auto-regressive and moving average (CARMA) model with the feedforward-feedback compensation method used for revising SOC by the deviation of terminal voltage, is presented in this paper. Fully taken into account the measurement errors of voltage and current, the CARMA model is employed to estimate the battery open-circuit voltage (OCV). With the good consistency of the OCV-SOC curve under the process of battery charge and discharge cycles within a certain temperature range, OCV is adopted to estimate SOC. BP neural network rather than the high order polynomial approximation is used to capture the strong nonlinear relationship between OCV and SOC with the high precision. It is a big challenge for OCV-based SOC estimation that the flat area of OCV-SOC curve for lithium-ion power battery enlarges the measurement errors of OCV. By analyzing the flat characteristic of ΔSOC-OCV curve, the feedforward-feedback compensation for SOC is used for improving the accuracy of OCV-based SOC estimation. Experiment results confirm the effectiveness of the proposed approach that has evidently advantages over other estimation methods.     

电动汽车动力电池模型及SOC预测方法

简要介绍了铅酸蓄电池的电化学过程,提出了一种考虑温度影响的动态R-Q电池模型,并在此基础上建立了一种新的基于状态空间的SOC递推算法。对电池的两种放电过程仿真计算表明,该算法精确可靠,计算速度快,易于实现,适合电动汽车上使用。基于状态空间的SOC预测方法通过电池稳态开路电压来计算SOC,在电池充放电循环过程中没有误差累积,同样可用于其它类型的动力电池。     

基于EMF等效模型电动车镍氢电池SOC估计

讨论了电动汽车镍氢动力电池荷电状态(State of Charge,简称SOC)的估计方法。提出用电动势(EMF)等效电路模型法来估计电池的SOC。研究确定了EMF与SOC之间的关系,并通过电路分析,计算得出电池EMF与端电压之间的关系,最终建立了端电压与SOC关系。通过实测数据并利用模型估计数据的对比得出,SOC的误差在混合动力汽车的允许误差范围内。该方法在车辆停车和行驶时均适用。     

影响锂离子电池SOC因素的灰色关联分析*

为定量分析电流、开路电压、环境温度等因素对电池荷电状态(SOC)变化率的影响,提出采用灰色理论中的灰色关联分析方法确定各个因素与SOC的灰色关联度(r)。通过建立灰色关联分析模型分析锂离子电池在不同工况下放电实验数据,确定上述因素对SOC灰色关联度,实验结果表明:放电电流对电池SOC影响最为显著(r=0.869 0),其次为开路电压(r=0.600 5),环境温度影响最小(r=0.583 1)。试验结果验证了灰色关联分析模型可定量给出每种因素的影响程度,该研究可为优化SOC预测模型和进一步提高电池SOC估算精度提供理论依据。     

动力锂离子电池稳态特性参数Map建模与仿真

提出并实现了一种车用动力锂离子电池稳态特性参数的数学模型,该模型针对混合动力车用8Ah锂离子电池,选取对电池SOC有重要影响的性能参数(电压、电流、温度等),设计相关实验(主要是倍率充放电实验和开路电压SOC关系实验);应用实验数据,通过插值、拟合等方法补充实验缺省数据,建立电池稳态特性参数Map图,用以估算电池的SOC,对建立的Map用实际工况曲线进行仿真。仿真结果表明,应用建立的Map图,对电池稳态SOC查询估算的精度可以达到4%以内。     

基于在线LS-SVM的动力电池SOC估算方法研究

荷电状态(SOC)是描述动力电池状态的重要参数之一,提高SOC估计的准确性对电动汽车电池管理系统的研究至关重要。提出一种改进的最小二乘支持向量机(LS-SVM),动态地调整模型参数,对电池的开路电压(OCV)进行在线实时估计;通过SOC与OCV的关系确定初值,采用安时积分法估算SOC;并利用OCV的偏差信息对电池SOC进行修正,有效地补偿拟合误差和安时积分法产生的累计误差。仿真实验结果表明,在线LS-SVM算法能准确地逼近实际SOC值,平均绝对误差为1.279 3%。     

基于支持向量回归的电池SOC估计方法研究

电池荷电状态(SOC)估计的准确性对于混合动力汽车至关重要.将支持向量回归方法用于电动汽车电池SOC的估计.方法中考虑了电池温度、电压、电流、净安时数等因素,对于电动汽车典型工况试验数据得到了小于0.04的误差.比较研究表明:支持向量回归方法比神经网络方法有更好的鲁棒性.