基于参数分析的蓄电池模型健康状态估计

为了及时、准确地评价蓄电池的老化水平,保证其应急放电时刻的输出性能,基于备用蓄电池组定期维护放电阶段的背景,对蓄电池健康状态(SOH)的估计方法进行研究.首先,利用仿真试验,验证了可较好反映其内部特性的二阶RC电路模型作为蓄电池模型的合理性以及模型参数辨识的准确性.然后,通过对同一型号铅酸蓄电池进行老化试验,分析蓄电池...     

蓄电池智能巡检系统开发

蓄电池智能巡检系统能实现对蓄电池在浮充状态、克放电动态过程中的状态检测,对蓄电池内部开路、短路、过压、欠压及过度放电等异常状态及时报警,提高了对蓄电池监测的准确性、自动化和智能化程度。     

矿用直流电源蓄电池管理系统设计

介绍了矿用直流电源蓄电池管理系统的总体结构及其软硬件设计。该系统通过检测充电电流和放电电流评估剩余电量,保证了蓄电池的持续供电能力;通过温度检测对异常情况发出告警,延长了蓄电池使用寿命;通过定期评估总电量主动提醒用户报废或更换失效的蓄电池,增加了电源的可靠性。     

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PSO优化SVM的航空铅酸蓄电池健康评估研究

航空铅酸蓄电池状况评估具有针对性,非线性和复杂性等特点。本文使用基于PSO优化支持向量机方法,探究一种新的航空铅酸蓄电池评估模型。因支持向量机的分类准确性在很大程度上依赖于参数选取,因此使用了一种基于粒子群优化算法的支持向量机参数选择方法。为了验证该模型的有效性,利用中国民用航空飞行学院航空铅酸蓄电池的实测数据进行了验证,实验结果表明该模型的分类精度高达95%以上。     

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。     

基于小电流二次放电法的蓄电池内阻在线检测研究

针对铅酸蓄电池内阻小、大电流放电对电池损害大、小电流放电信号小等问题,提出了一种小电流二次放电法测蓄电池内阻的新方法;采用组合开关和精密高稳定性功率电阻组成两个放电回路,在控制器的作用下进行两次小电流放电,经过采样保持器分别采集两次放电过程中放电电阻两端的电压,两次放电电压差值由超低失调漂移放大器ICL7650进行放大,由两次放电电阻的端电压及差值,实现蓄电池的内阻测量;实验数据表明,两次小电流放电测得的蓄电池内阻值与大电流放电测得的蓄电池内阻结果一致,该方法可实现蓄电池内阻的在线检测。     

模型预测电流控制的航空蓄电池充放电控制器研究

为解决充电电路启动时电流增大、放电时系统抗扰动能力差等问题,提出了基于模型预测电流控制的航空蓄电池充放电控制方法,通过预测电流实现了充放电电流的无差拍跟踪,提高系统的抗扰性能与动态响应速度.本文设计的直升机蓄电池充放电控制器,不仅能够满足直升机蓄电池大电流快速充放电、消除镍镉电池的记忆效应的特殊要求,蓄电池还可以对直升机负载恒压放电.仿真结果证明了该方法的有效性,提高系统的鲁棒性.     

自制电动自行车表盘指示器

表盘指示电路主要用来指示蓄电池的放电状态及调速电路的过流、过热等各种保护信息。本文介绍的是蓄电池放电状态指示这一部分的原理与制作。目前大多数价位较低的电动自行车蓄电池放电状态指示都比较简单,只分高、中、低三档进行粗略指示,用户很难确切地了解蓄电池的放电情况。基于这一现状,笔者应许多购买电     

蓄电池自动测试装置

介绍了一种蓄电池自动测试装置，它可以对整个蓄电池充放过程实施程序控制和自动测试，从而实现对蓄电池充电电流和放电负载的预置、实验数据的自动采集、实时显示以及自动存贮，还可以将实验数据以图形方式或数值方式进行显示，非常适合于研究蓄电池模型。     

基于神经网络的电动汽车电池SOC估算研究

论文首先分析了当前电动汽车电池管理系统中存在的问题,特别是电池电压的精确测量和剩余电量的准确预测问题一直亟待突破,因此,论文在分析电池荷电状态(SOC)影响因素的基础上,进行了动力电池的充放电实验,建立了BP网络电池模型,通过对网络进行训练,应用神经网络模型进行SOC估算,实验表明:建立的BP网络具有较好的适应性,能有效预测锂离子动力电池电压、电流和放电容量间的映射关系。可以准确地对电动汽车电池进行SOC估算。     

基于免疫遗传算法的动力电池SOC估计研究

锂离子动力电池SOC（电池荷电状态）难以直接测量且由于高度非线性所导致估计误差较大。为了减少动力电池SOC估计误差,提高估算精度。在分析了锂离子动力电池电压、温度、电流和放电电量对电池SOC影响后,提出一种新颖的免疫遗传算法（Immune Genetic Algorithm,IGA）和BP神经网络相结合的锂离子动力电池SOC值联合估计方法,该方法首次使用在锂离子动力电池SOC值估计中,采用新颖的免疫遗传算法通过对BP神经网络进行参数寻优,优化网络结构模型,增强神经网络自适应学习效率。通过仿真和动力电池实际工况下实验,结果表明使用新颖的联合估计算法提高了网络的运行效率和电池SOC值估计精度,估计均方根误差控制在2%以内,验证了这一联合估计算法的可行性和有效性,解决了动力电池SOC值估计误差较大的问题。     

Estimation of Battery State of Health Using Back Propagation Neural Network

100 pieces of 26650-type Lithium iron phosphate（LiFePO4） batteries cycled with a fixed charge and discharge rate are tested, and the influence of the battery internal resistance and the instantaneous voltage drop at the start of discharge on the state of health（SOH） is discussed. A back propagation（BP） neural network model using additional momentum is built up to estimate the state of health of Li-ion batteries. The additional 10 pieces are used to verify the feasibility of the proposed method. The results show that the neural network prediction model have a higher accuracy and can be embedded into battery management system（BMS） to estimate SOH of LiFePO4 Li-ion batteries.     

基于布谷鸟算法优化BP神经网络的锂电池健康状态预测

锂电池健康状态(SOH)的预测是电动汽车锂电池管理系统的最重要的关键技术之一;传统的误差逆向传播(BP)神经网络容易使权值和阈值陷入局部最优,从而导致预测结果不精确;结合布谷鸟搜索算法(CS)的全局优化能力,提出一种基于CS算法优化BP神经网络的锂电池SOH预测方法,该方法的核心在于优化BP神经网络的初始权值和阈值,从而减小算法对初始值的依赖;为了验证算法的泛化性,利用美国国家航空航天局开源锂电池数据集6号电池和7号电池进行仿真实验,仿真得到该算法预测SOH的均方根误差(RMSE)分别为0.2658和0.2620,平均绝对百分比误差(MAPE)分别为0.3319%和0.2605%;通过与BP神经网络、粒子群优化的BP神经网络(PSO-BP)、遗传算法优化的BP神经网络(GA-BP)对比,布谷鸟算法优化的BP神经网络(CS-BP)具有更小的预测误差。     

铅酸蓄电池自放电程度的人工神经网络检测

本文提出基于人工神经网络的铅酸蓄电池自放电程度检测方法,并以蓄电池开路端电压变化量、工作温度、蓄电池老化程度作为输入建立了BP神经网络。实例证明,BP神经网络检测蓄电池自放电程度的方法便捷可行,且具有较高准确性。     

基于改进BP的电力通信蓄电池寿命预测研究

铅酸蓄电池作为电力通信设备重要的后备电源系统,其性能表现直接影响到电力通信网络的安全稳定运行。论文以蓄电池为研究对象,深入分析影响蓄电池寿命的因素,依据蓄电池在实际环境中的运行状态,提出蓄电池寿命因子作为容量估算的修正因子,构建了改进后的蓄电池寿命估算模型。通过利用BP神经网络和改进的BP神经网络进行仿真实验,结果表明新的蓄电池寿命估算模型在估算效果上优于传统的估算模型,具有较好的实用性。     

基于神经网络应用的光伏阵列最大功率点跟踪

针对光伏电池输出特性的非线性,提出了1种跟踪光伏阵列最大功率点的新方法,该方法应用反向传播（back propagation）和径向基（RBF）神经网络理论跟踪光伏阵列最大功率点,在变化的环境条件下,使用MATLAB软件对这2种神经网络进行仿真,训练及测试,仿真表明,RBF神经网络比BP神经网络更快捷、更准确地跟踪了光伏阵列的最大功率点。     

基于布谷鸟搜索优化神经网络的锂电池荷电状态预测

锂电池荷电状态(SOC)的预测是电动汽车锂电池管理系统中最为关键的技术之一;为实现对SOC的高精度的预测,提岀了一种基于布谷鸟搜索算法(CS)优化的误差反向传播(BP)神经网络的锂电池SOC预测方法,该方法的核心难点之一,在于优化BP神经网络的初始权值和阈值,从而可以改善易陷入局部最优的情况,减小算法对初始值的依赖;Matlab仿真结果表明,CS—BP神经网络算法的均方根误差值比BP算法的均方根误差值平均降低了0.010 6,CS—BP算法具有更高的预测精度和极强的泛化性能.     

基于在线开路电压估算的电池均衡指标研究

开路电压作为均衡指标可以准确反映电池组中单体的不一致性状态,如何在线实时获得开路电压是电池均衡研究的难点之一。使用BP神经网络结合当前工作状态下的电流、电压与荷电状态在线估算开路电压,并以此作为均衡指标在自主研制的BMS算法验证平台采用耗散型均衡方式实现电池放电阶段均衡。实验结果表明：在相同均衡策略下,在线估算的开路电压均衡指标与工作电压均衡指标相比,工作截止时的开路电压偏差近似为初始开路电压偏差的一半,因此能够准确地表征锂电池的不一致性。为电池组均衡指标的选择提供指导,促进电池组均衡技术的发展。