铅酸蓄电池组容量测试与活化技术研究与实现

针对当前国内外铅酸蓄电池容量测试及活化设备智能化程度低、容量快速预测误差大和功能简单等问题,提出一种基于遗传退火优化BP神经网络的蓄电池剩余容量快速预测算法和劣化蓄电池活化诊治方法。研制了基于ARM9和μC／OS-Ⅱ嵌入式操作系统平台的蓄电池容量预测与活化诊治系统。系统由总控、充电和放电三个单元组成,各单元通过RS-485总线构成分布式测控系统,具有蓄电池充电、放电、剩余容量快速预测和劣化电池活化等功能。     

变电站蓄电池支持向量机建模在线监测研究

针对广泛应用于变电站储能的蓄电池,提出了一种新的蓄电池内阻在线检测技术。为了在线获得蓄电池性能,采用了支持向量机建模技术的变电站蓄电池性能在线监测方法,该方法综合了交流阴抗法和直流放电法的特点。充放电池实验数据作为最小二乘回归支持向量机的初始建模数据,从而得到基于交流阻抗法的蓄电池内阻模型和剩余容量模型。使用蓄电池运行过程中的核对性放电数据和瞬时放电数据作为回归模型的在线校正数据。基于该方法的变电站蓄电池在线监测系统已在变电站使用了4年以上,故障模拟和实际运行表明该方法能有效辨识已劣化电池以及预测电池性能的变化趋势。     

基于AVR的铅酸蓄电池管理系统设计

介绍了铅酸蓄电池的特点且设计出一套完整的基于AVR单片机的铅酸蓄电池数字智能管理系统,包括铅酸蓄电池电压,充放电电流,内阻,剩余容量及电池温度等重要参数的检测,并实现了与PC机通信的软硬件设计。     

基于单片机的铅酸蓄电池容量智能检测系统设计

为了提高铅酸蓄电池检测的精度,准确测定蓄电池容量,引入单片机设计一种针对铅酸蓄电池的检测系统。首先,以单片机为系统核心,设计系统框架结构;其次,综合考虑系统运行的需求,选择将ADUC845单片机作为设计系统的主控芯片;最后,通过测量电路,获取铅酸蓄电池运行过程中的各项参数,并完成对铅酸蓄电池容量的求解,以此实现对其性能状态的检测。实验结果表明,应用设计系统对铅酸蓄电池进行检测,可以得到精度更高的容量检测结果,能够为判定蓄电池性能状态提供可靠的依据。     

新能源系统中蓄电池SOC预测技术的探讨

新能源系统中通常采用蓄电池作为储能元件,蓄电池SOC的预测是蓄电池管理系统的一个重要组成部分,掌握蓄电池的工作状态和剩余容量对应用起着指导作用.论文从蓄电池SOC的定义和影响因素入手,讨论了利用物理模型预测蓄电池容量法以及系统辨识与参数估计建模法中的最新动态,最后比较和展望了蓄电池SOC预测技术.     

装甲车辆铅酸蓄电池荷电状态辨识模型的研究

针对装甲车辆铅酸蓄电池的特殊使用状况以及非线性特性,提出了一种新的基于最小二乘支持向量机的蓄电池荷电状态辨识模型,估测电池静置状态的剩余容量;通过对三种核函数的仿真分析,确定了径向基函数作为模型核函数,并将模型与其他模型的辨识速度和精度进行了比较分析;仿真结果表明该模型具有更好的整体评估性能,对装甲车辆铅酸蓄电池的容量估测有很好的实用性。     

电动车用电池动态性能分析及剩余容量预测

电动车用动力电池剩余容量(SOC)的精确的实时辨识,是电池管理系统的一个关键技术.为有效的对电池剩余容量进行预测,文中对湖南大学开发的纯电动汽车(EV-3)所使用的镍氢动力电池组作充放电性能测验,给出了电流、电压、容量曲线,实验证明镍氢电池是现阶段较适合用于电动汽车的动力电池.并在此实验基础上,利用开环电压与剩余容量的对应关系,运用广义回归神经网络(GRNN)建立蓄电池的电压降模型,并进一步建立反向传播网络(BP网络)得到了开路电压与剩余容量的对应关系,网络预测结果和实验数据误差较小.实验和仿真结果证明人工神经网络可以建立一个精确而有效的SOC智能预测系统.     

蓄电池参数自动监测系统的研究

通过对蓄电池失效机理的分析,开发了蓄电池在线检测系统。该系统可应用于各种蓄电池组的性能检测,在线检测电池的电压和温度,测量电池的内阻,综合测量判定电池的性能,并对失效电池予以显示和报警。由于通信的不可中断性,这些蓄电池实际上处于浮充状态,并不允许从电路中断开,所以对其进行测量必须是在线方式。本文利用鉴相处理方法大大简化测量过程。使蓄电池的容量测量更加准确,精度也进一步的提高了。     

光储微电网混合储能系统的控制方法

近些年,国家的综合实力有了很大的增长,在一定程度上提高了社会生产力,但这种快速的增长速度对各种能源的消耗是非常巨大的。随着世界各国对能源意识的提高,国内也充分认识到发展可再生能源的重要性。在再生能源,微电网技术得到了飞速的发展,是非常有效的一种能源利用形式。在传统的光储微电网混合储能系统中,蓄电池容量无限大依照目前的技术来说无法实现,是一种理想形式,实际的蓄电池容量相对较小。在以前开展控制措施的时候,蓄电池剩余电量达到阖值的时候就没有办法正常应用,而随着科学技术的进步,也逐渐提出了新的控制策略——光储微电网混合储能系统。     

基于SOM神经网络的蓄电池SOH快速检测研究

介绍了一种通过机器学习快速分离同组不健康电池及预测未知蓄电池健康度SOH的方法。IEC60896-22-2004和GB/T19638.2-2005标准规定了铅酸蓄电池的容量标准及检测方法。标准的容量测试方法需要使用C10的电流恒流放电10个小时,试验方法在实际中难以应用于数量庞大的在用蓄电池组。研究一种基于机器学习的替代方法,对蓄电池组均衡电压后进行快速5分钟大电流充电和5分钟大电流放电,提取充放电的特征,通过SOM神经网络将每个蓄电池特征映射到二维平面,然后通过聚类分析分离不同容量性能的电池。更进一步,通过多次机器学习和按照标准方法获取真实容量,建立监督学习的训练集,利用SOM神经网络聚类中心距离或者时序相似性搜索算法用于快速评估未知电池样本的容量,准确率达96%。