基于Simulink-s函数的铅酸蓄电池动态模型仿真

介绍了一种基于铅酸蓄电池的三阶动态模型,并对其采用Simulink的S函数进行了仿真研究。考虑到铅酸蓄电池充放电特有的非线性及温度特性,建立了蓄电池的荷电状态、放电深度与充放电电流电压之间的动态关系。Simulink中可用S-Function方便灵活地构建各种自定义仿真模型,使用Simulink中的S-Function builder模块快速构建了蓄电池动态模型。仿真结果表明,铅酸蓄电池的三阶动态模型完全能够满足应用需求。     

太阳能风能发电系统中铅酸蓄电池建模与仿真

介绍了一种基于铅酸蓄电池的三阶动态模型,并对其进行了建模仿真。该方法充分考虑到铅酸蓄电池充放电特有的非线性、复杂性和对温度敏感性等特点。在仿真的过程中,阐述了蓄电池的荷电状态、放电深度和充放电电流电压,它们关系到太阳能、风能互补发电系统中能量的流动。从仿真的结果来看,铅酸蓄电池的三阶动态模型是能够满足以上要求的。     

基于二阶 RC 模型的锂电池充放电特性分析北大核心CSCD

为保证锂离子电池的安全健康使用,需要对锂离子的荷电状态进行实时估计,但由于电池内部复杂的电化学特性,且在辨识过程中辨识结果受温度、荷电状态和充放电倍率等非线性因素影响较大,实现准确的状态估计较为困难。文中首先基于二阶RC等效电路研究倍率充放电对锂电池的影响,另外为保证所建电池模型兼具较高精度和较好的实时性,根据最小二乘法对混合脉冲功率特性测试实验数据完成不同荷电状态下的数据拟合、参数辨识等工作,并依据扩展卡尔曼滤波完成对电池荷电状态的状态估计,并验证扩展卡尔曼滤波具备可实施性;最后搭建Simulink锂电池仿真模型并输出对比响应电压波形。实验结果表明该实验方法的有效性,输出电压与实验所得的电压变化趋势基本一致,为锂离子电池的管理系统提供了一定的参考依据。     

面向直流操作电源系统的LiFePO4电池性能优化控制研究

磷酸铁锂电池电压变化范围较宽且充放电特性敏感,一般不宜简单应用于需要长期处于浮充状态的直流操作电源系统。为此,提出了一种磷酸铁锂电池在直流操作电源系统应用中的优化控制方案,根据磷酸铁锂电池工作状态,利用AC/DC充电电源优化控制电池的充放电电流大小,使电池在浮充状态下获得电池期望的充放电电流,以实现磷酸铁锂电池在直流操作电源系统中的安全高效经济应用。首先,基于直流操作电源系统指标要求与磷酸铁锂电池性能优化要求,确定其期望的充放电状态与充放电电流值;然后,根据磷酸铁锂电池期望的充放电电流值与内部等效状态,在允许的电压波动范围内调节直流操作电源系统中AC/DC变换器的输出电压,迫使磷酸铁锂电池的实际充放电电流趋于期望的充放电电流,从而优化磷酸铁锂电池的性能。最后通过理论分析与实例分析说明了方案的可行性。     

基于开路电压法的磷酸铁锂电池SOC估算研究

为了提高磷酸铁锂电池的安全性和使用寿命,需要对电池中最重要的参数——荷电状态(state of charge, SOC)进行有效的估算。因此,对电池SOC的估算方法进行研究,通过一种精简的开路电压法可以快速并相对准确地估算磷酸铁锂电池的SOC,相关充放电实验确定了开路电压与电池SOC的对应关系,并分别选用静置前后的开路电压对电池的SOC进行估算。结果表明在磷酸铁锂电池出色的性能基础上,这种简单快捷的开路电压法可以精确地估算其电池的SOC。     

基于改进卡尔曼滤波算法的磷酸铁锂电池SOC动态估计

对锂电池荷电状态(SOC)进行快速精确地动态估计能有效提高其使用寿命。针对传统磷酸铁锂电池等效电路模型无法反映其对应的电气动态特性问题,提出了一种改进的戴维南电池模型。考虑到传统卡尔曼滤波算法在磷酸铁锂电池SOC动态估计过程中对模型依赖性较强的局限性,引进算法增益因子及修正观测噪声协方差,提出一种改进的卡尔曼滤波算法对磷酸铁锂电池SOC进行动态估计。仿真结果表明所提算法在锂电池SOC估计上具有很好的精度。     

磷酸铁锂电池的电气特性建模

在分析影响电池荷电状态因素的基础上,选用电化学模型通过某储能电站运行数据对单体磷酸铁锂电池的电气特性建模仿真,并验证了模型的可靠性。     

基于BP神经网络的SOC估计及铅酸蓄电池特性

蓄电池特性是影响电动汽车充电时间和续驶里程的主要因素,针对应用较普遍的铅酸蓄电池展开研究具有重要意义。基于阻容等效电路建立了铅酸蓄电池充放电模型,通过不同倍率的充放电实验获得了模型参数与电池荷电状态(SOC)的关系式。采用BP型神经网络模型对铅酸蓄电池SOC进行估计,在Matlab环境下基于SOC神经网络模型对铅酸蓄电池充放电过程进行仿真研究。仿真结果表明铅酸蓄电池模型可以真实地模拟充放电特性,仿真结果与实验结果的平均误差为2.5%。     

电动汽车用磷酸铁锂电池充放电特性实验研究

由于电动汽车的运动状况多变,电池的充放电性能随电动汽车运动状况的变化而发生变化。为了提高电池的利用效率,需要了解电池在不同状况下的效率。利用ARBIN动力电池测试仪器对38.4 V/40 Ah磷酸铁锂动力电池进行充放电实验,分析了动力电池在不同充放电电流和不同荷电状态(SOC)下的效率变化特性,建立了锂电池组效率的理论模型和拟合模型,并通过实验验证了拟合建立的效率模型的有效性,建立的拟合效率模型可以用于电动汽车在不同运动状况下控制策略的动态优化。     

磷酸铁锂电池倍率容量特性建模及荷电状态估算

针对磷酸铁锂蓄电池,首先采用解析型动力学电池模型(KBM)对电池的倍率容量特性进行描述,进而推导出双井荷电状态(SOC)的数学表达式;为建立SOC与电池电压的联系,进一步将KBM与电动势模型相结合形成综合模型;最后,基于该综合模型及非线性滤波算法实现SOC估算。实验结果表明,该模型可以体现锂电池的倍率容量特性及可用容量恢复特性,双井SOC估算结果可更全面地体现锂电池的SOC;此外,这种基于非线性滤波的SOC估算策略还具备初始误差自校正能力。     

基于神经网络的磷酸铁锂电池SOC预测研究

利用神经网络进行了电动汽车用的磷酸铁锂（LiFePO4）电池荷电状态（state of charge,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）算法建立了磷酸铁锂电池的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。     

基于简化滞回OCV模型的锂电池SOC自适应估计策略

受锂电池滞回效应的影响,开路电压与荷电状态之间的关系复杂,给电池建模以及荷电状态的精确估计带来较大困难。以锰酸锂电池单体为研究对象,在通过实验对滞回特性分析的基础上,提出简化的滞回开路电压模型,该模型根据滞回主环路中开路电压差之间的荷电状态积累量大小来构建滞回因子,修正开路电压与荷电状态之间的关系,以提升电池等效电路模型的精度;其次,针对测量噪声异常扰动、模型发生变化及荷电状态初值存在偏差的情况,利用分阶段变换测量协方差及构建自适应因子方法对无迹卡尔曼滤波算法改进,以平衡荷电状态的估计精度和收敛速度。实验结果表明,简化滞回开路电压模型能较为地准确描述锂电池动静态特性,所提自适应无迹卡尔曼滤波算法估计荷电状态的性能有较大提升。     

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。     

基于积分变换的锂电池系统建模

Gassing锂电池模型考虑了电化学反应的析气和温度影响,描述了锂电池系统的非线性时变特性,使模型的适用范围拓广至SOC＞85％的临界情况.通过积分变换,用能量状态W0代替原状态变量开路电压U0,将表征锂电池重要特性的SOC-OCV曲线转换成SoC-W0曲线,同时进一步考虑了倍率充放电效应,提出了改进型Gassing模型.仿真结果表明,改进型Gassing模型不仅能适用于SOC-OCV曲线中间区域平坦的磷酸铁锂电池,还进一步提高了模型的仿真精度及SOC计算的合理性和有效性.     

基于EKF修正算法的锂电池SOC估算

随着电动汽车产业的迅速发展,实时掌握动力蓄电池所处荷电状态,保证电池长期处于良好工作状态成为当前研究重点。由于锂电池充放电过程中复杂的电化学反应,电池荷电状态(SOC)与其影响因素呈现非线性动态关系,导致难以实时精确估算SOC。本文中,基于扩展卡尔曼滤波(EKF)修正算法对动力蓄电池SOC进行估算,并与传统算法进行比较。结果表明,该算法有效解决了采用安时积分法难以估计SOC初始值和累计误差的问题,大大提高了估算精度,使最大估算误差保持在2.0%以内。     

基于QPSO-BP神经网络的锂电池SOC预测

电池荷电状态(state of charge,SOC)的预测是电动汽车电池管理系统的关键任务之一,为此对锂电池荷电状态的预测进行了研究,提出了一种基于QPSO-BP神经网络的锂电池SOC预测.在分析了磷酸铁锂(LiFePO4)电池充放电机理后,运用MATLAB人工神经网络工具箱建立基于量子微粒群算法(QPSO)的BP(back propagation)神经网络模型,用于预测锂离子电池充放电过程中的任一状态下的SOC.仿真实验验证了方法的准确性.结果表明,与现有的神经网络预测方法相比,基于QPSO-BP神经网络的锂电池SOC预测方法准确度高,且具备很好的实用性.     

风能电动汽车储能电池的建模与智能充电

分析了锂电池的结构特点和非线性的数学模型以及充电形式,在Matlab/Simulink中建立了锂电池的非线性仿真模型,采用模糊控制跟踪最大可接受充电电流,通过仿真,验证了锂电池的非线性模型的正确性,在最大可接受充电电流下,锂电池的输出电压和荷电状态(SOC)值缓慢上升到期望值,实现了智能充电。     

锂电池动态系统Thevenin模型研究

建立高精度的电池模型对于电动汽车动力锂电池的应用研究有重大意义。锂电池在使用过程中,其系统参数会跟随外界环境及荷电状态变化而改变,选用固定参数的电池模型会导致模型精度差。提出一种动态系统Thevenin模型。结合影响锂电池特性的荷电状态和环境温度因素,将经典Thevenin模型中的欧姆内阻、极化内阻、极化电容等固定参数,在动态系统Thevenin模型中描述为随荷电状态与温度动态变化的变量。最后选取单体锂电池为实验对象,采用HPPC实验辨识模型参数,对经典模型与动态系统模型分别进行仿真分析,结果表明,动态系统Thevenin模型能更准确描述锂电池性能。     

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。     

一种基于EKF和Thevenin的锂电池SOC估算新方法

估算锂电池的剩余电量一直是当前研究的热点,由于锂电池充放电过程中复杂的电化学反应,电池荷电状态(SOC)与其影响因素呈现非线性动态关系,导致难以实时精确估算SOC。本文提出了一种基于扩展卡尔曼滤波(EKF)算法,并选用戴维南(Thevenin)模型来对锂电池的剩余电量进行估算。本文在戴维南模型的基础上建立了电池的非线性状态空间方程,通过实验和仿真的结果表明,该算法的误差小于3.00%,精度达到了应用的要求。