一种电动车铅酸蓄电池SOC预测模型及检测系统的设计

针对电动车铅酸蓄电池SOC预测精度低的问题,给出了一种基于模糊预测技术的蓄电池SOC预测模型,该模型利用电动势和内阻结合预测蓄电池SOC。建立了蓄电池电动势、内阻和SOC的隶属度函数,确定了26条模糊控制规则。仿真结果表明,预测值与实际值相对误差最大为5%左右。在此基础上,设计了以C8051F020单片机为中央处理器的铅酸蓄电池组智能检测系统,该系统具有蓄电池SOC预测,端电压、充放电电流等参数在线检测和数据传输等功能。实际车辆试验结果表明,利用这种SOC预测模型可有效的提高预测精度,系统具有参数检测误差小、数据传输可靠性高等特点,具有很好的应用价值。     

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池充电过程的SOC预测精度更优.     

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     

基于内阻预测的阀控铅酸蓄电池故障预警方法

阀控铅酸(VRLA)蓄电池的故障影响电源的供电可靠性,而内阻是反映蓄电池运行状态的重要参数。提出基于蓄电池预测内阻及其变化率的故障预警方法,分析电池内阻变化原因,量化蓄电池内阻的影响因素,采用长短时法神经网络(LSTM),以充放电状态、电压、电流、温度作为输入量,构建蓄电池内阻预测模型,并根据电池内阻预测值及其变化率预判电池故障原因,发出蓄电池预警信号。试验结果验证了所提电池内阻预测模型误差在3%以内,基于电池内阻预测模型的蓄电池故障预警方法有利于蓄电池安全稳定运行。     

基于卡尔曼滤波器的蓄电池荷电状态估算

通过蓄电池的端电压、内阻和放电电流等可测量与荷电状态(state of charge,SOC)之间的对应关系,建立端电压-电阻模型并以最小二乘法进行模型系数辨识,运用卡尔曼滤波算法进行蓄电池SOC最优估算。以铅酸蓄电池为对象进行仿真实验,得到的放电折算效率为1.067 8。实验结果表明该方法具有很好的精确度,能用于估算蓄电池的SOC。     

基于模糊控制的铅酸蓄电池SOC预测方法研究

研究铅酸蓄电池荷电状态(SOC)的预测方法,是合理地对铅酸蓄电池进行充电和放电的关键。采用一种智能控制方法,即模糊控制法对铅酸蓄电池的SOC进行预测及Matlab仿真。根据同一情况下的实验数据对模糊预测模型的参数进行了调整。验证了模糊预测模型的合理性和精确性。     

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。     

基于支持向量回归的变电站蓄电池退化趋势预测

蓄电池是变电站电源重要组成部分,为直流系统提供稳定可靠供电。但运行中的蓄电池长期处于浮充状态,难以在线测量其最大荷电容量,容易出现蓄电池退化导致的储能不足,变电站保安电源中断和保护系统供电中断等问题。为准确预测铅酸蓄电池退化趋势,本文提出一种计及浮充和均充影响的蓄电池退化趋势预测方法。采用集合经验模态分解法（EEMD）将随时序变化的蓄电池健康状态特征量进行模态分解,然后将退化特征量模态分解的结果作为输出、电池浮充时长和均充次数作为输入代入支持向量机（SVM）完成预测模型的训练。以数据驱动的方法建立蓄电池使用计划与退化趋势之间的相关性,从而最终实现蓄电池退化趋势的预测。仿真实验结果表明,本文所提方法可有效预测蓄电池在使用计划内端电压和内阻等健康状态特征量的变化,为变电站的直流系统的合理运维提供依据。     

基于时刻充电概率的电动汽车充电负荷预测方法

电动汽车的充电负荷预测在电动汽车的推广过程中发挥着重要的作用。为了克服现有方法中部分参数设置主观、预测模型与用户随机性驾驶行为匹配欠缺的不足,将电动汽车进行细致分类,通过建立充电负荷预测影响因素的概率模型,利用概率统计学和蒙特卡洛模拟方法提出了基于时刻充电概率的负荷预测模型。利用科学分析得到的日行驶里程代替主观给定的起始电荷状态(SOC)以推导充电时长,利用更具随机性的时刻充电概率代替计算得到的充电时段来确定充电负荷。以某市为例,预测了相关电动汽车的日负荷曲线,并与常用负荷预测方法的结果进行对比,验证了所提负荷预测方法能够科学地预测用户的充电负荷,能够为电网及用户的电能管理策略提供可靠的依据。     

采用电动势-内阻模型在线估计蓄电池荷电状态

在快速充电技术的研究中,一个首要的任务就是确定蓄电池荷电状态(SOC),为快速充电控制提供参数依据。传统的充/放电循环测定法会使蓄电池老化,降低蓄电池内部化学物质的活性,导致内阻增加,缩短其使用寿命。文章介绍了一种基于最小二乘算法的电动势-内阻方法来测定蓄电池的荷电状态,这种方法可以应用于在线测定,并且无需深度放电再充电,从而延长了蓄电池的使用寿命。经实验验证这种方法是有效的。     

基于固定电阻放电的蓄电池SOC在线估算方法

针对传统蓄电池SOC估算方法不能在线测量、误差较大等缺点,提出一种基于固定电阻放电与神经网络预测相结合的SOC在线估算新方法。该方法在蓄电池正常工作过程中周期性切换到固定电阻放电状态,并根据该状态下的电池端电压值来估算SOC。实验结果表明,相比传统方法,该方法具有能在线测量、精度高、无累积误差等特点,具有很好的工程实用价值。     

基于聚类算法的蓄电池SOC模糊预测

为了实现对蓄电池的准确在线估算,研究了利用蓄电池电动势、内阻与荷电状态(state of charge,SOC)之间的关系,设计了基于模糊C-均值聚类的模糊控制器。该控制器将模糊C-均值聚类方法与模糊控制系统有机结合,能有效地进行数据划分和构建模糊控制规则。实验表明,该方法将SOC预估误差控制在3%之内,很好地反映了铅酸蓄电池的能量状态。与现有的模糊预测控制器相比,准确度更高,具有一定的实用性。     

基于多因素的储能系统剩余电量估计方法

蓄电池的电量是储能系统的关键运行参数,决定储能系统的正常运行。为准确估计蓄电池的电量,减小估计误差和波动幅值,在蓄电池传统电量估计方法的基础上,提出了一种基于蓄电池电动势内阻和端电压加权组合与安时法修正的多因素分阶段电量估计新方法。在铅酸蓄电池、储能逆变充放一体机所组成的储能系统上分别对传统电量估计方法、电动势内阻和端电压加权组合法、电动势内阻和端电压加权组合与安时法修正的多因素分阶段电量估计法进行了实验,并将实验结果进行比较分析,发现电动势内阻和端电压加权组合与安时法修正的多因素分阶段电量估计法的电量估计最大误差绝对值为2.23%,且误差波动幅值标准方差为0.838 5,表明该方法可以实现储能系统铅酸蓄电池电量的精确估计,验证了其有效性。     

模糊C均值聚类在蓄电池SOC预测中的应用

针对铅酸蓄电池数学模型难以建立以及荷电状态精确预测问题,本文提出了一种利用模糊C-均值聚类算法对蓄电池SOC控制器参数及结构进行辨识的建模方法。通过对蓄电池电动势、内阻等实时数据进行聚类分析,能够有效地实现输入空间划分并能够有针对性地生成模糊控制规则,在此基础上构建了完整的荷电状态预测控制器。通过铅酸蓄电池放电实验验证了该预测方法的有效性。     

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。     

用最小二乘法在线估计蓄电池荷电状态

荷电状态(SOC)是标示蓄电池能力的一个重要参数。因此,如何确定SOC很重要。传统的充/放电循环测定法会使蓄电池老化,降低蓄电池内部化学物质的活性。充电不足会产生硫化现象,过充电又会引起析气失水,硫酸浓度的变化,导致蓄电池内阻增加,缩短蓄电池的使用寿命。介绍了一种基于最小二乘算法的电动势-内阻方法来测定蓄电池的荷电状态,这种方法可以应用于在线测定,并且无需深度放电再充电,从而延长了蓄电池的使用寿命。经实验验证这种方法是有效的。     

基于LSTM的储能蓄电池SOC与SOH联合在线估计

蓄电池组是微电网储能系统重要的组成部分之一,对储能系统的整体技术及经济性能具有重要影响。针对蓄电池荷电状态(SOC)与健康状态(SOH)在线准确测量的难题,提出基于长短期记忆(LSTM)神经网络的蓄电池SOC与SOH联合在线估算方法。该方法利用LSTM的动态逼近与长时间记忆能力,以电池端电压、电流及温度的时间序列数据,将阶段SOH均值引入SOC的估算中实现联合估算。采用NASA开放实验数据测试,基于LSTM网络的联合模型相比于单独模型及Bp传统网络具有更高的精确度和更稳定的估算效果。     

基于综合预测模型和蒙特卡洛的电动汽车保有量及负荷预测方法研究

电动汽车的规模化发展及其充电设施的持续性建设严重威胁电力系统的稳定性,但是目前尚缺简便有效的电动车保有量和负荷预测方法。因此,建立基于综合预测的电动汽车保有量预测模型,应用灰色预测、反向传播(BP)神经网络以及长短时记忆(LSTM)网络3种预测模型对电动汽车保有量进行预测,获得单预测模型的预测结果,并利用熵权法对单预测模型预测结果分配权重,计算得到综合预测结果。建立基于蒙特卡洛算法的电动汽车负荷预测模型,在保有量预测的基础上,模拟电动汽车电池特征参数和用户出行习惯,对电动汽车无序充电行为进行预测,形成电动汽车日负荷曲线。最后,以某市电动汽车保有量及充电负荷数据验证所提模型的有效性。算例分析表明,所提综合预测模型比单预测模型具有更高的预测精度,负荷预测结果表明规模化电动汽车并网将给电力系统带来新的挑战。     

基于谐波阻抗测量在线估测蓄电池荷电状态

现行内阻法估测蓄电池荷电状态时,需要对被测蓄电池实施大电流放电操作以测量其欧姆内阻,在线检测时可能对用电负载造成安全隐患。针对这一问题,提出一种基于谐波阻抗测量技术在线估测蓄电池荷电状态的方法：对被测蓄电池实施周期性的小电流放电操作,测量放电过程中的放电电流与蓄电池端电压,经傅里叶分析计算出蓄电池的谐波阻抗,对谐波阻抗数据进行数值拟合得到蓄电池的欧姆内阻,最终实现对蓄电池荷电状态的在线估测,从而避免现行方法所需要的大电流放电操作。