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。     

动力电池SOC估算综述

综述了动力电池荷电状态(SOC)估算的传统方法、人工智能方法的原理,分析了各估算方法的优缺点,给出了其他SOC估算的实现策略,如自适应卡尔曼滤波法、主元分析法以及遗传算法(GA)-BP神经网络法。研究表明,在动力电池SOC估算的实际应用中,要充分考虑实测数据、软硬件条件来选择相应的动力电池模型,综合考虑各种SOC估算策略,以此来提高SOC估算的精度。     

基于EKF算法的铅酸蓄电池SOC在线估计

针对快速充电设备需要快速、准确检测蓄电池荷电状态(SOC)的应用需求,在分析传统SOC估计方法不足的基础上,采用了扩展卡尔曼滤波法进行铅酸蓄电池SOC的估计。通过对铅酸蓄电池充放电过程的分析,基于改进的Thevenin模型,建立了7-HK-182型铅酸蓄电池的等效电路模型。通过Matlab仿真,对比安时积分法估计SOC数据,验证了扩展卡尔曼滤波法能够实时、准确估计蓄电池SOC的变化。     

基于GA和PSO的电动客车锂离子电池SOC估计

以广州某巴士企业电动公交在实际运行和停车充电状态下的电压、电流和荷电状态(SOC)的数据,分别建立基于支持向量回归机(SVR)的锂离子电池放电和充电的SOC估计模型,并利用网格搜索法(GS)、遗传算法(GA)和粒子群算法(PSO)进行参数优化,对比估计精度和拟合优度.处理放电阶段数据时,基于PSO优化后的SOC估计模型...     

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。     

基于RBFNN的船用铅酸蓄电池SOC预测方法研究

目前预测铅酸蓄电池荷电状态(SOC)的算法很多,这些算法各有特点。根据船用铅酸蓄电池的特点,本文比较分析了这些方法的预测效果,提出了利用径向基神经网络(RBFNN)算法预测船用铅酸蓄电池SOC的方法。并利用某型船用铅酸蓄电池的实验数据,对其SOC进行了预测。结果表明:利用该算法预测船用铅酸蓄电池的SOC,精度高,操作简便。     

锂电池SOC估算方法的研究

安时积分法是电池管理系统比较常用的一种方法,但是电池受初始荷电状态(SOC)、使用环境温度、充放电循环次数等影响较大。通过实验方法确定各种因素对电池SOC的影响,建立影响电池SOC的数学模型;经过与实际的充放电数据比较得到实际SOC误差低于5%,满足煤矿井下对大容量锂电池管理系统SOC估算的要求。     

基于Transformer的锂离子电池SOC估计方法

此处提出了基于Transformer的荷电状态(SOC)预测模型以提高对锂离子电池的SOC预测精度及效率。首先将易于测量的电压电流等数据作为编码器的输入,利用编码器端的多头注意力机制来提取深层特征,充分地利用输入数据的特征信息,同时将目标SOC作为解码器端的输入,将编码器的输出输入至解码器端,最后输出时移后的SOC得到预测结果。为了防止标签泄露,在解码器端的输入采用了掩码机制,同时实现了卷积神经网络提取特征和循环神经网络利用数据变化的时序性。利用锂电池的工况放电实验数据进行训练,以均方误差(MSE)作为评价标准。实验结果表明,所提出的基于Transformer模型具有较高的预测精度。     

计及常用恒流工况的锂离子电池建模方法

锂离子电池(LiB)的开路电压Uoc和内阻R是对LiB进行特性评估的重要参数.由于两者与LiB的荷电状态(SOC)、电流I及温度T呈非线性耦合关系,难以为工程应用建立一个参数(Uoc,R)相对于这些变量的准确的解析模型.该文提出一种工程性建模方法,旨在建立参数(Uoc,R)与LiB常用恒流工况范围内的变量(SOC,I,T)之间的映射关系.该方法首先在LiB常用工况范围内设计多个恒流工况实验以获取包含变量(SOC,I,T)典型信息的实验数据;其次采用一套数据处理方法解决LiB运行中SOC与T同时变化问题,并测算典型工作点{SOC,I,T}下的(Uoc,R);最后分析SOC、I、T到Uoc及R的映射关系,并构建开路电压模型Uoc(SOC,T)和内阻模型R(SOC,I,T).与现有方法相比,该方法建立的模型涉及的工况全面、实验时间短、参数估计精度高,适用于LiB工程应用和特性研究.实验结果验证了该方法的有效性.     

基于4维Map图的镍氢电池SOC估计方法

针对现有镍氢电池荷电状态(SOC)估计方法因精确度太低或者对数据、模型参数要求太高而难以实用的问题,提出一种基于4维Map图的电池SOC估计方法.通过大量实验数据,建立镍氢电池SOC与温度、电流和端电压之间的基本Map图,发现在其工作区间20％≤YSOC≤80％内,不同电流、温度条件下的相邻充放电特性曲线基本相互平行.以SOC与端电压之间的关系为基础,分别在电流和温度方向上采用曲线平移的方式插值得到SOC与电流、温度、电压之间的4维Map图模型.利用试验数据进行SOC估计试验,试验结果表明,利用4维Map图模型的SOC估计误差在3％以内,基于4维Map图的镍氢电池SOC估计方法能满足电动汽车电池SOC估计在精确度和易实现性上的要求.     

磷酸铁锂电池等效电路模型对比分析

磷酸铁锂电池(LiFePO_4)凭借其较高的比功率、较高的比能量和使用寿命长等优点,逐渐成为电动汽车领域应用电池的研究热点。准确的电池荷电状态(State-of-Charge,简称SOC)估计离不开合理的等效模型,模型的精度与复杂程度直接影响电池SOC估计。文章首先分析四种等效电路模型参数,基于电池测试系统对LiFePO_4进行混合脉冲功率性能测试(The Hybrid Pulse Power Characterization,简称HPPC),应用最小二乘法进行模型参数辨识,根据辨识结果对比模型精度与复杂程度;然后将电池在整个SOC周期内对三个带有RC网络结构的模型精度进行对比;最后对LiFePO_4电池进行联邦城市运行工况(The Federal Urban Driving Schedule,简称FUDS)测试,对比双极化等效电路模型在不同温度下模型精度。实验结果显示双极化等效电路模型为具有良好精度的等效电路模型,同时带有低温特性。     

电池管理系统(BMS)算法研究

介绍了首先区分 BMS 应用场景,然后根据数据中心、储能不同应用场景算法不一样的一种电池管理系统(BMS)算法。该算法在判断电池 SOC 与 SOH 时预先对电池状态进行判断,电池处于浮充、放电、充电还是开路状态下的 SOC 与 SOH 计算方法不一样。这种针对数据中心、储能应用场景特点开发的 BMS,其 SOC 和 SOH 精度大幅度提高。     

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。     

EV用LiFePO_4电池管理系统的研究与实现

为增强电动汽车(EV)电池管理系统功能,提出一种基于无线射频(RF)网络的电池组在线监测和管理设计方案,通过无线网络的分布式控制,实现了对磷酸铁锂电池参数精确监测及数据传输等功能,并采用多种算法相结合对电池荷电状态(SOC)进行估算,提高了估算精度.实验结果表明:本系统能很好地对电池组进行实时动态监控和有效管理,为设计新型电动汽车电池管理系统提供了重要依据.     

A GA optimization for lithium–ion battery equalization based on SOC estimation by NN and FLC

An intelligent control proposal for battery equalization is presented by genetic algorithm optimization integrated with fuzzy logic control–neural network algorithm. First, an effective two-stage DC/DC converter architecture is developed, which pave the way for the hardware module. Then, an equivalent circuit model in weighted combination with ampere-hour counting method is adopted by fuzzy logic control scheme to obtain static SOC estimation. Then the dynamic battery SOC is precisely estimated on basis of static SOC by means of neural network. The most important is the genetic algorithm optimization for battery equalization to improve the energy efficiency and time efficiency of the equalization system. Finally, certification of simulation is demonstrated to validate the proposed novel equalization scheme.     

融合算法在蓄电池SOC估算中的研究综述

蓄电池的荷电状态(SOC)是电池管理系统中的重要参数之一,准确估算电池SOC对生产运行具有重要意义。首先,阐释了SOC的定义;其次,分析了传统单一SOC估算法的不足;然后,论述了近几年蓄电池SOC融合估算方法如神经网络、卡尔曼滤波法和综合法的研究进展,并分析了各种方法存在的优缺点;最后,给出总结与展望。提出充分利用数据挖掘和深度学习技术,将BMS记录的历史数据用于蓄电池SOC的估算,有助于提高计算精度和应用范围。     

基于PSO-ELM的储能锂电池荷电状态估算

对锂离子电池荷电状态(SOC)进行准确估算是保证电池管理系统安全稳定运行的关键。常用的安时积分法存在累积误差,卡尔曼滤波算法需要建立精确的电池模型,神经网络法不依赖具体的锂电池模型,能够反映锂电池的非线性关系,因而受到广泛关注,然而传统神经网络估算SOC训练时间长、精度低。针对以往电池SOC估算精度低等问题,文中提出粒子群(PSO)优化极限学习机(ELM)神经网络的方法。以电池电压、电流和温度作为PSO-ELM模型的输入向量,以SOC作为输出向量。将实验获得的数据导入模型进行训练和测试,采用PSO对ELM随机给定的输入权值和隐含层阈值进行寻优。仿真结果表明,与BP神经网络的预测结果相比,文中估算SOC的方法具有更高的精度。     

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。     

基于分数阶理论的车用锂离子电池建模及荷电状态估计

针对电动汽车动力锂离子电池的状态估计问题,提出一种基于分数阶等效电路建模方法,并采用分数阶卡尔曼滤波算法估计电池荷电状态(SOC)。首先建立基于二阶等效电路的分数阶电池模型,采用遗传算法辨识阶数,然后利用分数阶卡尔曼滤波算法估计电池SOC,并与扩展卡尔曼滤波算法进行比较。实验结果表明,在恒流放电下采用分数阶模型,其端电压最大绝对误差为0.014V,SOC最大估计误差不超过2%。本文提出的基于二阶等效电路的分数阶模型及分数阶卡尔曼滤波算法,不仅给出了一种准确、可靠的建模方法,而且为有效提高电池管理系统中SOC估计的准确性提供了途径。