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。     

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。     

脉冲大倍率放电条件下磷酸铁锂电池荷电状态估计

以磷酸铁锂电池为研究对象,针对电池在脉冲大倍率放电条件下,模型参数变化较大、荷电状态(SOC)难以准确估计的问题,以电池的二阶RC等效电路模型为基础,通过递推最小二乘算法动态辨识模型的参数,建立电池的时变参数模型。再通过时变参数模型建立电池的状态方程和观测方程,并应用二次方根容积卡尔曼算法实现电池的SOC估计。这种SOC估算方式能够适应模型的参数改变,且具有对初值误差的修正能力。经实验验证,在脉冲大倍率放电工况下,所建的时变参数模型可以准确模拟电池端电压的变化,所采用的SOC估算策略,在初值存在较大误差的条件下,依然能够准确估算出电池的SOC。     

基于高阶非线性模型的铅酸蓄电池SOC估计

铅酸蓄电池在电动汽车和蓄电池储能系统等领域有着广泛的应用,提高铅酸蓄电池荷电状态(SOC)估算的精度具有重要的意义。本文针对目前SOC估算方法中电池等效模型复杂、相关参数难以确定等问题,提出了一种新型高阶非线性拟合开路电压的SOC估计方法,通过拟合恒流充放电工况下的开路电压(OCV)–SOC曲线,建立适用于变电流充放电工况下的铅酸蓄电池模型,并结合扩展卡尔曼滤波算法(EKF)对电池的SOC进行估算。仿真和实验结果表明该方法能够实现铅酸蓄电池的高精度SOC估算。     

改进的WNN在蓄电池SOC估算中的应用

蓄电池的荷电状态SOC是影响电动汽车行驶安全的一项重要指标,针对此,提出一种改进的小波神经网络模型对SOC进行估算,根据历史实验数据,对影响电池荷电状态的相关参数采用主成分分析处理,再用遗传算法优化小波神经网络模型的权值、阈值,进而对蓄电池进行SOC估算。结果表明,基于主成分分析与遗传算法优化后的小波神经网络可更加精确的对电动汽车蓄电池进行SOC估算,且收敛性好。     

混合动力汽车动力电池SOC估算方法的研究

为了准确预测混合动力汽车(HEV)动力电池的SOC,将安时法、开路电压法和卡尔曼滤波算法结合起来,并考虑温度、滞环效应等因素对SOC的影响,提出了新的SOC估算方法。通过建立电池的二阶动态RC模型并且采用双无味卡尔曼滤波(DUKF)的方法估算电池模型的状态和参数,使电池的SOC估算达到更高的精度。通过蓄电池的放电实验初步确定电池的模型参数以及电池的开路电压(OCV)与SOC的关系曲线,并且采用matlab仿真验证了DUKF方法对SOC估算的准确性。     

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。     

一种改进的VRLA电池SOC估算方法

针对多参量蓄电池的SOC估算问题,提出了一种基于Thevenin电池模型,结合卡尔曼滤波算法的SOC估计优化算法。在蓄电池的充、放电过程中,基于Thevenin电路模型的各参数,对蓄电池E-SOC关系做多阶段处理,利用卡尔曼滤波对SOC做出最优估计。实验仿真表明,这种方法能实现更小的SOC估算误差。     

基于改进EKF的飞机蓄电池在线SOC估计方法

蓄电池荷电状态(state of charge,SOC)是电池管理系统最为重要的参数之一,由于飞机蓄电池工作环境恶劣复杂,具有较强的非线性,给蓄电池的在线 SOC估计带来较大的困难。以提高复杂应力条件下飞机蓄电池在线 SOC估计精度为目的,采用性能测试实验对蓄电池性能参数的温度、放电率特性进行研究,并提出递推最小二乘法与扩展卡尔曼滤波算法结合的改进 EKF方法,实现蓄电池等效电路模型参数的在线辨识以及蓄电池在线 SOC 的估计。上述方法通过物理实验进行了验证,实验结果表明,改进后 EKF方法的 SOC 估计误差小于0.5%,估计精度获得明显提高。     

混合动力汽车电池管理系统SOC估算策略

电池荷电状态(state of charge,SOC)是电池管理系统的重要参数,也是混合动力汽车动力系统分配的重要依据,准确地估算电池荷电状态具有重要意义。按照传统电量状态定义电池SOC的估算方法不能满足蓄电池变电流放电工况的需求,为了解决这一问题,采用能量守恒原理对电池SOC重新定义,基于修正的Thevenin等效电路,在Matlab/simulink环境下,建立了电池的动态充、放电模型,通过仿真分析,证明新的SOC估算策略能够满足蓄电池在大电流和变电流放电工况下SOC的估算,提高了电池SOC估算的精度。     

基于EKF的锂电池状态估算策略

在研究与分析电池极化现象对电池状态(SOC)估算影响的基础上,提出一种扩展Kalman滤波(EKF)的算法对SOC进行估算,在Thevenin改进模型的基础上建立了电池的非线性状态空间方程,通过比较电池实际端电压和估算端电压的差值,修正安时积分法得到的SOC值,使得极化效应对SOC估算精度的影响大大减弱。仿真分析结果表明,此方法提高了电池SOC计算的精度。     

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LS-SVM的矿用隔爆电源蓄电池容量预测

现有煤矿安全监控系统不能实时在线检测备用蓄电池容量,造成交流断电后备用电池不能可靠运行。提出利用开路电压法检测备用蓄电池容量,通过LS-SVM对蓄电池放电数据进行训练,获取蓄电池端电压与容量的关系模型,在此基础上根据蓄电池端电压实现电池容量预测。通过实验表明,该方法能有效预测矿用隔爆电源备用蓄电池的剩余容量。     

基于LIBSVM的铅酸蓄电池荷电状态估计

研究准确预测蓄电池荷电状态(SOC)的方法对于快速、准确调节充电装置的动态充电过程具有重要意义。从基于测量蓄电池端电压和内阻实现预测其SOC出发,研究了基于卡尔曼滤波提高蓄电池端电压、内阻和充放电电流测量准确性的方法,在此基础上,进一步提出利用LIBSVM支持向量机基于蓄电池端电压、内阻和SOC的训练样本数据,建立反映其非线性映射的回归预测模型建模方法。最后通过实验数据验证了所提SOC预测模型建模方法的可行性。与利用BP神经网络预测SOC的结果对比表明,基于相同训练样本,所提方法建立的预测模型具有SOC估计预测误差小,对蓄电池宽运行范围的SOC评估具有良好适用性等特点。     

微网系统中储能电池荷电状态估计方法

蓄电池作为储能设备,其荷电状态(SOC)是整个电池储能系统的重要参数。采用戴维南模型构造了电池数学模型,并建立状态空间方程。模型参数的辨识采用恒流间歇放电实验法求得。计算各参数的初值,拟合各参数与SOC之间的函数关系,结合模型的电气特性建立状态空间方程并利用Matlab仿真出电压数据,对仿真、实验电压数据进行对比,按照无约束非线性优化的方法在两者差值最小时在线搜索出最佳的参数估计。所辨识的参数能够很好地模拟电池性能,误差在1%内。采用扩展卡尔曼估算方法来进行SOC估算,通过实验验证了此估算方法具有很高的估算精度,误差在4%以内。     

基于改进模型的锂离子电池SOC估计

为提升锂离子电池荷电状态(SOC)的估计精度,提出一种易于工程实现的二阶RC滞回等效电路模型.该模型采用差分进化(DE)算法对参数进行优化辨识,在城市道路循环工况(UDDS)、新标欧洲循环测试(NEDC)运行工况条件下对端电压和SOC进行估算.相比于传统二阶RC等效模型,二阶RC滞回等效电路模型估算的端电压误差小于10 mV,SOC误差减小至1％.此改进模型更符合锂离子电池的电化学特征,以此模型进行扩展卡尔曼滤波(EKF)算法的SOC估计具有更高的估计精度,为1％.     

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。     

基于改进Thevenin模型锂电池SOC估算方法

针对纯电动汽车锂离子电池荷电状态(SOC)在环境温度和放电电流变化较大的情况下估算精度较低的问题,采用了一种基于改进Thevenin模型的扩展卡尔曼滤波算法(EKF)。根据电池性能模型,把电池容量作为状态变量,把影响SOC估算精度的环境温度和放电电流作为修正量,采用扩展卡尔曼滤波算法提高SOC估算精度。实验结果表明,该方法提高了SOC估算精度,可用于电动汽车电池管理系统。     

基于容量修正的阀控式铅酸蓄电池SOC估计

阀控式铅酸蓄电池(valve regulated lead acid battery,VRLA)广泛应用于储能系统中,准确估算其实时荷电状态(state of charge,SOC),对确保铅酸蓄电池安全供电具有重要意义。铅酸蓄电池的工作环境温度对其容量的影响不可忽视,然而,现有的SOC估算方法常将电池总容量视作固定值,这就导致了估算误差会随着环境温度的变化而积累,严重影响了SOC的估算精度。提出了一种基于容量修正的SOC估计方法,通过研究电池容量随温度的变化规律,引入了温度补偿对电池总容量进行修正。在此基础上,结合扩展卡尔曼滤波(EKF)算法进行不同温度下的SOC实时估计,并对容量修正后的SOC估计值与一般算法SOC估计值进行比较。仿真和实验结果表明,所提出的SOC估算方法能够提高不同环境温度下的铅酸蓄电池SOC估计精度。