动力电池电量计

分析了各种电池荷电状态估算方法的优缺点,提出了一种实时检测电池端电压作为判断电池充电状态的安时计量算法。由于该算法构成的电量计能实时、准确计算电池的电量和SOC,并应用于风光互补路灯系统,保证了路灯照明安全、可靠地运行。     

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。     

一种锂离子电池低温SOC估计算法

电动汽车在低温地区工作运行,电池组的性能会下降,低温对电池组充放电容量的影响比较大。为了使电动汽车在低温地区能够正常工作,低温下准确的SOC估计是必不可少的条件。本文提出了一种改进安时计量法适用于不同温度条件的电池SOC估计算法,该算法主要考虑了不同温度下电池实际可用容量的变化对SOC估计的影响,并且可以对不同温度下估算的SOC进行换算。通过平台实验验证,该算法在不同的温度环境下具有较高的精度。     

基于混合动力汽车车载电池SOC算法的研究

在混合动力汽车中,电池荷电状态(state of charge,SOC)是发动机和电机动力分配以及电池管理的一个重要依据.以磷酸铁锂电池为研究对象,在进行了电池各种特性实验的基础上提出了一种电池SOC的估算方法,即在安时计量法的基础上,与等效电路模型和开路电压法相结合的估算方法.利用Matlab软件建立了该算法的仿真模型,仿真结果验证了该综合估算方法的可行性和精确性.     

基于LS-SVM算法动力电池SOC估计方法的研究

提高电池荷电状态(SOC)估计的准确性对于电动汽车电池管理系统的研究至关重要。根据历史实验数据分析了电池电压、电流、放电总电量因素对电池的影响,利用最小二乘支持向量机具有非线性逼近能力强、收敛速度快、全局最优解的特性对电动汽车电池SOC值进行在线实时估计,与BP神经网络的预测结果进行比较。仿真及实验室测试结果表明,最小二乘支持向量机算法能更准确地逼近实际SOC值,该方法的最大估算误差降低到0.02,达到了动力汽车的应用要求。     

基于模糊卡尔曼滤波算法的动力电池SOC估计

为了改善传统卡尔曼滤波算法估计SOC时量测噪声的影响,提出了将传统卡尔曼滤波算法与模糊控制相结合的动力电池SOC的自适应估计方法。通过实时监控量测噪声实际方差与理论方差之间的差值,实现对量测噪声协方差矩阵的实时在线调整,提高算法在实际应用中的鲁棒性。通过基于联邦城市行驶工况(FUDS)验证混合算法的有效性。结果表明,基于模糊卡尔曼滤波算法的SOC估计最大误差仅为0.21%,高于传统卡尔曼滤波估计精度最大误差0.53%。仿真结果表明,该方法可以有效解决传统卡尔曼滤波算法估计不准和累计误差的问题。     

车用动力锂电池的SOC估计

给出了动力锂电池管理系统的整体结构,并且对主控板和子控板的布局与功能进行了详尽介绍。建立了适合于Kalman滤波估计的锂离子动力电池的状态空间模型,该数学模型关系简单,易于工程实现。在此基础上,对模型进行了线性化处理,采用安时积分法、开路电压法结合扩展卡尔曼滤波(EKF)算法实现了对电池荷电状态(SOC)的准确估算。实验结果表明,EKF算法在估算过程中能保持很好的精度,对初始值的误差有很强的修正作用,在SOC估计中有很强的应用价值。     

电动汽车动力电池SOC估计研究综述

世界环境的恶化和石油能源的匮乏催生了电动汽车,世界各国都在致力于电动汽车的研究。对于纯电动汽车而言,动力电池是影响整车性能的一个关键因素,因此避免电池过充过放,尽量延长电池寿命是至关重要的。合理使用电池的前提是知道电池的容量参数,国内     

人工神经网络和安时法电池SOC估计

结合安时法估算电池SOC,用BP神经网络估计公式中需要的参数。电池的初始SOC用开路电压法获得,库仑效率的变化可以在估计电池电容时得到体现,其值设定为1,用循环次数和SOC值对电池充放电效率进行网络估计。用温度和电池的平均放电电流对电池电容进行网络估计。通过实验和估计得出在20℃下,新方法的误差在2.89%左右,-20℃下误差在3.25%左右,误差范围满足应用的需要。     

一种分阶段锂离子电池荷电状态估计算法

为了解决安时积分法无法估计电池荷电状态(SOC)初值以及在电池充放电后期估计误差明显增大的问题,基于纯电动物流车平台提出了分阶段处理思想。根据电池系统的工作状态,将估计过程分为启动初期、充放电中期和充放电后期。在启动初期和充放电中期,结合开路电压法与安时积分法来估计电池组SOC,并对安时积分公式中的相关参数进行修正。在充放电后期,应用充放电曲线修正充放电后期SOC,对安时积分法估计SOC的不足进行补偿。搭建了锂离子电池组充放电测试平台,并进行了电池组放电实验。结果表明,SOC估计误差在4%以内,并能够满足电池管理系统优化控制的应用需求。     

基于锂电池SOC估算方法

电池的荷电状态(State of charge,SOC)是锂电池组电池管理系统的重要参数,而电池的SOC估算受到很多因素的综合影响,难以保证其估算精度。准确的电池模型是精确估算SOC的基础,通过对电池模型的改进、模型参数的实时更新,提高了模型参数的精确度;修正的扩展卡尔曼滤波并结合修正的安时积分法,减小了温度、充放电倍率等因素的影响,从而提高了SOC估算的精度。     

18650动力电池SOC的建模与估算研究

为了实现对18650动力电池荷电状态(SOC)的准确在线估算,将外界条件划分为12种情况,研究了有效电量、电池衰老及环境温度对电池SOC的影响。建立了一个BP神经网络模型,在12种条件下对其进行样本学习训练,建立了一种能够适用于不同条件下的基于条件查找方法的SOC估算模型。通过与传统方法对比,证明改进的估算方法具有更好的精度和实用性。     

基于卡尔曼滤波器的蓄电池剩余容量估算法

蓄电池剩余容量是反映蓄电池性能的重要参数,蓄电池剩余容量的准确估算可以防止电池过度充放电,提高电池寿命。在分析现有估算方法的基础上,建立了一种基于卡尔曼滤波器的蓄电池数学模型,利用卡尔曼滤波器实现了蓄电池剩余电量的最小均方差估算。给出了算法的软件流程和试验结果,证明了此种估算法的可行性。     

典型蓄电池的建模与荷电状态估算的对比研究

研究不同蓄电池荷电状态(state of charge,SOC)的变化特征有助于在实际应用过程中对蓄电池类型进行选择。基于铅酸电池、磷酸铁锂电池、全钒液流电池3种典型蓄电池模型,采用电池容量修正过的改进安时计量法和改进安时-卡尔曼预测法(Ah-Kal法),对各电池在不同充放电模式下,用MATLAB软件编程得到两种估算方法下的SOC变化曲线。通过SOC对比曲线可以发现铅酸电池的自放电较严重,循环寿命短;磷酸铁锂电池可迅速提供大功率;而全钒液流电池适合作为长期大容量储能支持。同时,改进安时计量法和Ah-Kal的估算结果基本相同,验证了Ah-Kal法的正确性。     

一种简化的锂离子电池SOC估计方法

为了克服安时积分法和开路电压法估计电池SOC的缺点,使用扩展卡尔曼滤波法将安时积分法与开路电压法结合起来。使用Thevenin等效电路电池模型作为扩展卡尔曼滤波法的模型基础,提出简化扩展卡尔曼滤波器过程噪声协方差和测量噪声协方差的方法,使电池SOC估计误差接近开路电压法的水平。最后,通过DST实验验证提出的电池SOC估计方法。     

基于ARWLS-AEKF的锂电池SOC估计

根据SOC在电池管理系统中的应用需求,针对锂离子电池的模型准确度低、SOC估算精度差的问题,提出了一种ARWLS-AEKF联合算法。该方法以二阶R-C网络模型为基础,通过加权自适应算法引入自适应遗传因子,优化参数辨识精度,并搭建MATLAB仿真平台联合自适应扩展卡尔曼滤波算法(AEKF)算法对SOC进行在线估算。将三种测试工况下的算法仿真结果与电池实验平台所得测量数据进行对比,结果表明:ARWLS-AEKF算法相对于离线EKF算法有更高的准确度与适应性,能适应随机变化的噪声环境。在LA_92、UDDS、HWFET工况下,ARWLS-AEKF算法的误差在2%以内,MAE分别为0.45%、0.74%、0.87%,RMSE值分别为0.54%、0.71%、0.42%。     

改进电池SOC估算方法研究

针对传统的荷电状态(SOC)估算方法估算动力电池荷电状态精度不高,对混合动力系统中动力控制器的正常运作有很大影响,使得节能效果大大降低,从四线法和能量守恒定律对电池内阻测量出发,提出了一种改进的电池SOC估算方法,该估算方法不但能够估算电池恒定大电流和小电流放电,同时也非常适合变电流放电工况,在变电流放电工况下,新的电池SOC估算方法的估计值误差明显小于5%,因此具有较高的估计值精度。     

基于PSO-RBF混合算法锂离子电池SOC估算

为提高锂离子电池荷电状态的预测精度,将粒子群算法引入到径向基神经网络中,建立锂离子电池荷电状态混合估算算法。采用粒子群算法对径向基神经网络隐层节点中心和宽度及连接权值进行优化,降低径向基神经网络参数取值的繁杂度,提高荷电状态预测精度。利用Arbin BT2000多功能蓄电池测试平台,获取到锂离子电池放电数据,进行模拟训练和预测。实验表明:混合算法相对RBF网络具有更好的预测能力,满足荷电状态估算精度误差小于5%的要求,验证了该模型是有效、可行的。     

不同工况对锂离子电池SOC预估精度的影响

电动汽车在城市工况运行时伴有频繁加速,制动等复杂工况,导致动力电池工作环境恶劣,电池SOC变化较大。精确的电池SOC预估可以防止电池因过充或过放电造成的不可逆损失。为明确行驶工况对电动汽车SOC的预估精度的影响,采用ZHCH558蓄电池在线监测系统获取电动汽车在城市工况下的电池各性能参数,并根据工况不同处理数据,通过Matlab编写程序建立BP神经网络模型并将处理后的数据作为输入和输出,结果表明BP神经网络可以精确地预测电池的SOC,且在匀速工况下精度最高。