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...     

电动汽车动力电池SOC预测技术研究

电动汽车的电池管理系统需要一个精确和可靠的电池荷电状态 (SOC)预测器。由于铅酸蓄电池真实的SOC受许多因素如电池温度、充放电次数、电池老化等因素的影响 ,传统的SOC预测技术很难达到理想的效果。描述了一种闭环模糊推理方法在铅酸蓄电池SOC预测技术方面的应用。其中 ,闭环反馈环节采用了一个经验公式来调节铅酸蓄电池SOC的预测值。重新定义了一种容易从放电曲线中获得的电池内阻 ,利用这个电池内阻值可以很容易地把不同工况下的电池端电压等效到一个固定工况下的端电压 ,从而可以简化模糊规则的设计。经仿真证明这种方法能够获得蓄电池精确和可靠的SOC预测值     

蓄电池SOC估算方法综述

电池荷电状态(state of charge,SOC)是电池管理系统(Battery Management System,BMS)的重要参数,准确估算电池SOC具有重要意义。首先分析了一般SOC定义存在的问题,提出以电能代替电量定义SOC更能准确描述在各种工况下动力电池的荷电容量;其次将已提出的估算方法分为开路电压法、安时积分法、高级估算方法和复合方法等四类,并对各自优缺点和适应工况进行分析。提出充分利用数据挖掘和数据融合技术将BMS记录的历史数据用于SOC估算,有助于提高计算精度和适用范围。     

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。     

太阳能光伏发电系统中蓄电池SOC预测模型及监控方法研究

建立了一种基于反向传播(BP)神经网络算法的阀控密封式铅酸蓄电池(VRLA)的剩余容量(SOC)预测模型,利用MATLAB仿真对三层BP网络模型的性能进行了校验,采用由TMS320F28335为核心组成的硬件控制电路对VRLA蓄电池组进行了实时数据采集,依据预测出的SOC值和控制电路,实现对蓄电池组的放电工作状态的智能监测与控制,保证了系统的经济、高效、安全可靠运行。监测控制系统具有蓄电池SOC预测,端电压、充放电电流等参数实时监控,数据传输及状态显示等功能,具有较高的实际应用价值。     

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。     

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。     

独立光伏系统用蓄电池充放电策略的设计

在独立光伏系统中,蓄电池充/放电控制效果的好坏在很大程度上会影响光伏产业的发展。本文以目前独立光伏系统主流使用的阀控铅酸蓄电池（VRLA）为研究对象,在考虑系统的性能和成本的基础上,对蓄电池的充/放电和维护等进行了研究。在充电阶段,采用分段设定参考电压的方式实现对电池状态的判断,共分了6个阶段,存在着最大功率点跟踪（MPPT）、恒流充电、恒压充电、浮充和停止充电等5种状态。实验表明该充电策略能在充分利用太阳能的同时提高蓄电池的荷电状态。     

自适应神经模糊系统的LiFePO_4电池SOC预测

利用自适应神经模糊系统(adaptive neuro-fuzzy inference system,ANFIS)对电动汽车磷酸铁锂(LiFePO4)电池荷电状态(state of charge,SOC)预测研究。在分析ANFIS结构原理基础之上,采用BP(back-propagation)算法和最小二乘估计的混合算法分别建立两输入变量和三输入变量的ANFIS预测模型,并利用两种模型进行SOC预测。实例预测结果表明ANFIS能精确预测磷酸铁锂电池SOC值,且三输入变量ANFIS模型预测精度得到改善;与实测相比,三输入ANFIS预测模型的最大绝对误差在1%以下,平均百分比误差(average percentage error,APE)小于2%。     

光伏系统蓄电池二阶段快速充电法的研究

以使用阀控式铅酸(VRLA)蓄电池的独立光伏系统为研究对象,根据蓄电池端电压预测蓄电池的荷电状态来判断蓄电池的容量,采用CVT方式跟踪光伏电池最大功率来有效地提高光伏电池的工作效率,采用改进的二阶段充电法对蓄电池组快速充电优化充电过程。通过仿真验证了该方法可以有效地避免蓄电池发生过充电和最大限度地避免欠充电,从而延长蓄电池的寿命,并且提高了整个光伏系统的工作性能。     

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。     

光伏系统中蓄电池过充放电控制系统的设计

描述了光伏系统中铅蓄电池过充过放电新型控制系统。在该系统中，蓄电池的充电过程分为两个阶段：全充阶段和脉冲充电阶段。在全充阶段，系统按照光伏电池所提供的电流对蓄电池充电，其充电终止电压根据蓄电池的SOC值和充电电流的大小，采用模糊控制算法而得；脉冲充电阶段控制电压的最大值和最小值根据对蓄电池的浮充电压进行修正而得；两阶段的控制电压都将根据环境温度进行补偿。并对该系统进行了软硬件设计。经仿真证明，该系统运行稳定，效果良好。     

动力电池荷电状态研究的可视化分析

基于2010-2019年Web of Science核心数据集中收录的985篇电池荷电状态(SOC)研究论文,运用Cite Space和VOSviewer知识图谱工具,对发文国家、核心作者、共引文、前沿及关键词等进行可视化呈现。2010-2019年,电池SOC研究热度逐年上升;研究国家主要是中国、美国和德国等,机构主要为各国大学;发文量较多的作者主要在中国和德国。准确高效地预测电池SOC是电动汽车管理系统的研究重点;电池模型的选择、改良及优化估算方法是动力电池SOC研究的焦点。     

浅谈光伏系统用储能铅酸蓄电池

本文主要介绍光伏系统用储能铅酸蓄电池的作用,使用寿命的主要影响因素,并针对光伏系统实际使用的现状,对铅酸蓄电池的设计进行了阐述。     

铅酸蓄电池模型研究及SOC模糊估计

为了深入研究铅酸蓄电池在充放电过程中内阻等特征参数的变化,首先,基于铅酸蓄电池的工作机理建立蓄电池充放电模型,并进行不同倍率的充放电实验;其次,基于实验数据建立各模型参数与SOC之间的函数关系,同时对BP神经网络模型进行训练以实现SOC的精确估计。最后,结合铅酸蓄电池充放电模型和BP神经网络模型仿真铅酸蓄电池充放电过程,仿真结果和实际结果吻合,有助于对铅酸蓄电池内阻等特征参数的研究。     

锂离子电池荷电贮存性能的研究

将锂离子电池在不同荷电状态(SOC)下贮存,对贮存前后的电池性能进行了测试;对在不同SOC下贮存对电池性能的影响进行了研究,结果发现:电池进行长期贮存时,电池电压在3.80 V左右,电池的综合性能最好;当电池电压超过3.90 V时,对电池的容量、内阻、平台和循环寿命都会产生不利影响;而电池在完全放电态或过低SOC下贮存,电池的循环性能略有下降,电池不能立即使用,且容易出现过放电.     

混合动力汽车用锂离子电池荷电状态的估计

提出在行车过程中通过引入单体电池电压电流校正的修正手段,克服电池组系统现有的基础数据不足的问题。通过整车试验数据对比发现,校正参数修正后荷电状态(SOC)精度优于10%,符合行业标准。     

锂电池SOC预测方法综述

锂电池荷电状态(SOC)是锂电池管理系统的重要参数,锂电池SOC实时预测关系到电池充放电控制和电动汽车的优化管理,直接影响锂电池的使用寿命。锂电池的SOC受放电电流、内部温度、自放电、老化等因素的影响,使得锂电池的实际容量难以确定。综述了目前锂电池SOC的各种预测方法,并进行比较,指出了各类方法存在的问题,给出了未来锂电池SOC预测方法的发展趋势。