基于EKF滤波算法的电动汽车电池SOC精准估算

电动汽车电池荷电状态(SOC)的快速精确估算是电池管理系统的核心技术。针对电动汽车电池的工作特性,在Thevenin电池模型的基础上,利用扩展卡尔曼滤波(EKF)算法,在不同温度、放电倍率及初始误差的情况下实现了对电动汽车电池SOC的精准估算,并与复合电池模型进行了对比仿真实验。实验表明,采用基于Thevenin电池模型的EKF滤波算法可以快速完成电池SOC的精准估算,误差在5%以内。     

电动汽车电池管理系统的建立及SOC准确估计

以TMS320LF2407型数字信号处理器(DSP)为主控芯片,完成了电动汽车电池管理系统(BMS)平台的搭建。实现了参数检测、信息显示、安全报警和电池荷电状态(SOC)估计等主要功能。然后通过Matlab仿真研究了不同算法与不同模型的估计精度。最后通过搭建的试验平台,对磷酸铁锂电池组进行模拟工况试验,得到电池SOC估算值误差在5%以内。验证了试验平台与软件系统的可靠性、电池模型与估计算法的正确性。     

电动汽车锂离子电池SOC检测技术的研究

安全、高效的电池是电动汽车的动力源。锂离子电池的荷电状态(SOC)是电动汽车能量管理的重要依据,对电动汽车的安全运行有着直接的影响。以磷酸铁锂电池为研究对象,充分考虑电池温度、充放电次数、电池老化等因素的影响,利用BP神经网络构建出锂离子电池SOC预测模型,并经仿真证明了这种方法的精确度和可靠性。     

电动汽车电池管理系统研究进展

通过对电动汽车电池管理系统典型结构的分析,总结了电动汽车电池管理系统数据采集、荷电状态估计、均衡管理、热管理和数据通讯等模块的功能和实现方法;评述了美国、德国、日本、韩国、加拿大及我国电动汽车电池管理系统的研究现状,在分析各典型电池管理性能特点的基础上,提出了电动汽车电池管理系统的研究发展方向。     

HEV用卷式铅酸电池的性能研究

通过实验建模的方法研究了充放电倍率、环境温度和放电模式对电池容量的影响,推导出安时积分法中电流和温度补偿系数的计算公式。研究了不同温度和SOC下电池组的最大充放电性能。研究结果表明:卷式铅酸电池具有良好的充放电性能,适用于混合电动汽车(HEV)。     

电动汽车电池管理系统研究现状及发展趋势

电池管理系统(BMS)监测动力电池的各种状态,具有荷电状态(SOC)估计、电池均衡、热管理和CAN通讯等功能,是电动汽车关键零部件之一.在此回顾了BMS的国内外研究现状并且论述了其总体结构、动力电池SOC估计方法、电池均衡技术和电池热管理技术.最后,展望了BMS未来发展趋势.     

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%。     

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%。     

模块化电池储能系统SOC估算采样优化研究

模块化电池储能系统在大容量领域具有良好的应用前景。但模块化电池储能系统中电池电流本征上包含直流、工频、二倍频和开关频率成分。此处建立了模块化储能系统中的电池工况模型,分析提出了电池管理系统(BMS)的采样频率优化方法。搭建了模块化多电平电池储能系统实验平台,基于安时积分法和扩展卡尔曼滤波算法验证了所提采样频率优化方法。优化的采样频率和采样窗口选择,可在降低BMS硬件和运算处理要求的同时,确保不同荷电状态(SOC)估算方法的精度。     

车用锂离子动力电池SOC的预测研究

为了估算锂离子动力电池的荷电状态(SOC),在对影响SOC值的因素及传统SOC估算方法分析的基础上,依据实际情况,采用了一种新思路,即将电池的工作状况分为静止、恢复、充放电三种状态,分别对三种状态进行SOC估算。在估算过程中分散并消除影响SOC值的因素,特别在充放电状态下,使用了以库仑效率因子为基础的电量的动态恢复量对安时计量法进行改进,解决了安时计量法会产生累积误差的问题。经实验表明,此方法提高了电池SOC计算的精度,达到了动力汽车的应用要求。     

电动自行车铅酸蓄电池组管理系统

为使电动自行车用铅酸蓄电池发挥最大效用,延长其使用寿命,开发了铅酸蓄电池管理系统。其功能不仅提高了电池的使用效率,降低了电池损耗,还延长了电池使用寿命1倍以上,超过400次循环。介绍了铅酸蓄电池组管理系统的组成、工作原理以及实际应用结果。     

基于改进的AEKF铅酸电池SOC在线估计

为了提高铅酸电池在随机工况下荷电状态(SOC)估计精度,减小误差变化对估计精度的影响。针对自适应扩展卡尔曼滤波中误差新息序列长度固定选取的局限性,本文提出一种改进的自适应扩展卡尔曼滤波算法估计SOC。通过似然估计来监测协方差匹配算法中的误差新息序列分布变化时刻,根据误差新息的分布变化来自适应调整新息序列长度,进而降低估计SOC时的误差。首先通过带遗忘因子的递推最小二乘法(FFRLS)辨识获得等效模型参数,其模型平均误差电压为13.63 mV,然后在随机工况实验下发现,改进后的算法在估计SOC时的RMSE和MAE性能上精度分别提高了14.44%和17.26%,结果表明改进后的算法拥有更好的稳定性和精度。     

纯电动汽车的铅酸蓄电池管理系统设计

针对目前纯电动汽车采用的铅酸蓄电池,设计了铅酸蓄电池管理系统。系统主要用于监测铅酸蓄电池过充、过放、温度过高、报警提醒和计算剩余容量等参数监测,同时该系统具备车载通信等功能。介绍了铅酸蓄电池的参数采集原理,给出了硬件和软件的设计原理和框图。通过LIN/CAN车载总线协议,实现车载通信和电动汽车非车载传导式充电机的通信。     

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...     

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。     

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。     

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ABC-RFEKF算法的锂电池SOC估计

准确、可靠的荷电状态(SOC)估计可以为电池管理系统的安全高效使用提供保障。针对锂电池SOC估计精度不足的问题,提出人工蜂群算法(ABC)和随机森林优化EKF算法(RFEKF)分别实现电池模型的参数辨识和SOC估计。在建立双极化模型的基础上,为解决在线辨识初始误差累积的问题,采用ABC算法搜索最小模型电压误差下的全局最优阻抗参数值,实现模型参数的精确辨识。在获得精确的模型参数基础上,使用随机森林(RF)对SOC后验估计误差进行在线补偿,达到弥补传统EKF算法高阶项误差的目的,进而实现SOC高精度估计。联合半实物仿真系统和电池测试平台,在EPA城市动力工况下对SOC估计算法实现快速控制原型验证。结果表明：基于ABC-RFEKF的锂电池SOC估计算法各项误差指标均低于传统SOC估计算法,平均误差在1%左右,满足实际工程需求。