基于EKF-Markov方法的动力电池SOC预测

针对工况环境下动力电池SOC的变化具有非线性的特点,对未来SOC状态进行精确预测。首先采用EKF预测模型对动力电池SOC值进行预测,根据预测结果划分SOC状态区间,进一步得到SOC值的Markov状态转移矩阵,然后将EKF模型与Markov状态转移矩阵相结合对SOC进行预测。设计了UDDS工况下的实验验证方案来获取动力电池SOC数据样本,对比分析表明,EKF-Markov方法能够有效地削弱EKF方法所产生的预测误差累积效应,平均预测误差相较EKF降低了83.3%,可对动力电池SOC做出更精确的预测。     

微机控制高频脉冲列实现晶闸管“双窄脉冲触发”的研究与应用

提出了运用冲量定理分析高频脉冲列取代宽触发脉冲的机理;建立了励磁回路和晶闸管触发回路等效数学模型;推导出感性负载时,由晶闸管开通时间、擎住电流、励磁回路与触发回路参数,计算晶闸管触发脉冲宽度和高频脉冲列周期与脉宽的数学表达式;根据计算值设计的微机励磁系统高频脉冲列触发程序应用于LM-01型微机励磁系统样机并进行了动态模拟试验,测试波形和试验数据表明,各高频脉冲列和励磁电压波形对称性和稳定性好,触发精度高,励磁电压连续可调,达到感性负载条件下晶闸管三相可控整流桥“双窄脉冲触发”的要求,证明了该理论分析与计算方法的正确性和可行性.     

磷酸铁锂锂离子电池SOC的电流脉冲探测

在不同荷电状态(SOC)下,研究磷酸铁锂(LiFePO4)锂离子电池对充放电电流的响应程度,确定几组响应最强烈的电流.将电池组在实际装车运行中该电流下的脉冲数据与电池管理系统中的数据对照,作为辅助方法对当前计算的SOC进行校正,然后采取合适的策略对电池组均衡.试验证明,电池组的容量提高了10％以上.     

锂电池SOC预测方法综述

锂电池荷电状态(SOC)是锂电池管理系统的重要参数,锂电池SOC实时预测关系到电池充放电控制和电动汽车的优化管理,直接影响锂电池的使用寿命。锂电池的SOC受放电电流、内部温度、自放电、老化等因素的影响,使得锂电池的实际容量难以确定。综述了目前锂电池SOC的各种预测方法,并进行比较,指出了各类方法存在的问题,给出了未来锂电池SOC预测方法的发展趋势。     

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.     

基于放电试验法的机载蓄电池SOC估计方法研究

针对机载蓄电池的安全问题,提出了一种机载蓄电池SOC估计方法,该方法基于放电试验法对其荷电状态进行估计,通过评估结果对其进行再利用或回收决策。通过对蓄电池进行循环充放电维护,最终实现对机载蓄电池荷电状态的有效判决。应用于地面维护设备的长时间稳定运行效果表明,该方法稳定可靠,能够对新启封或已多次使用的机载蓄电池进行荷电状态有效判断,并作为健康状态判断的重要依据,达到安全运行和环境保护的目标。     

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。     

高倍率放电法对VRLA电池SOC估算研究

基于Peukert经验公式,针对阀控式密封(VRLA)铅酸蓄电池,以放电倍率和放电时间比值拟合出关系式I1.29·t'=0.409,I∈[0.5C,3.0C],进而推算出Qn=Qn1(In1/In)0.29,I∈[0.5C,3.0C],并从不同规格、容量部分衰减、未充满和低温条件等电池的不同状态下对其进行验证,结果表明VRLA电池的放电倍率与放电时间比值之间的关系受电池状态变化的影响不大,误差最大不超过10％,因此可以利用式Qn=Qn1(In1In)0.29,I∈[0.5C,3.0C]进行高倍率短时间放电得出标准放电电流下的容量,从而对VRLA电池的荷电状态(sOC)进行估算,此方法可以用于储能电池的检测.     

基于噪声模型的锂离子电池SOC预测

为提高电池荷电状态(SOC)的估算精度和缩短预测时间,提出一种基于噪声模型的耦合估算策略,预估动力锂离子电池的SOC。在新标欧洲循环测试(NEDC)工况下,通过充放电实验进行仿真验证。耦合估算算法具有较高的估算精度,SOC仿真预测误差不超过2%,预测时间为0. 326 2 s。     

六相双脉冲监视器原理及应用

目前,大型水电机组越来越广泛采用大功率可控整流器励磁装置。随着装置的设计与制造水平不断提高,装置的各种功能也日趋完善。但对励磁装置的故障监测及处理问题,尤其是触发脉冲的监测等,迄今为止,还没有一套较为理想的、切实可行的方案。这给励磁装置及发电机组的安全运行都带来一定的影响。对于常规可控整流器励磁装置来说,运行     

脉冲电晕法中的双脉冲电源的研制

研制设计了脉冲电晕法脱硫脱硝重要组成部分的双脉冲电源 ,它由高压发生、控制、火花间隙开关 3部分组成 ,可产生 6 0kV的脉冲高压 ,改变电容器容量可改变脉冲宽度。该实验所选电机转速 4 0 0 0r/min ,容性负载 30pF ,脉宽 <2 0 0ns,上升沿 <5 0ns,频率调节范围 0 相似文献   

双指数脉冲的产生与分析

文中推导了双指数脉冲函数的参数ｙｍ＝Ｔｍ／Ｔｍａｘ与ｘ＝ｂ／ａ之间的近似关系式,其中,Ｔｍａｘ和Ｔｍ分别为脉冲峰值时间及脉冲后沿半峰值时间。详细分析了采用单位冲击函数和阶跃函数产生双指数脉冲的双口网络,给出了参数设计的原则。     

基于电池暂态响应分析的锂电池SOC估计

锂离子电池因快速充电和长循环寿命特性,在电动汽车、电网侧储能系统中应用广泛.精准的电池荷电状态(SOC)估计有助于保障系统可靠性,延长电池系统寿命,然而在考虑电池充电和放电以及复杂工况条件造成的电池内部复杂的化学和物理变化的条件下,完成精准电池SOC估计十分困难.通过脉冲激励电池的充放电暂态响应特性分析,辨识等效电路模型参数,建立电池不同工况条件下的动态电池模型,并采用扩展卡尔曼滤波方法对纠正参数辨识和OCV-SOC映射中的误差.以Arbin测试平台估算结果作为对标,验证了所提方法的有效性.     

双次级绕组高压脉冲变压器的研制

介绍利用 Ｔｅｓｌａ发生器的基本原理,在同一变压器中设计了两个次级绕组,这两个次级绕组将同时产生两个不同频率余弦的电压衰减信号,经叠加合成可输出更为理想的高压梯形脉冲。     

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...     

风储联合系统中双电池SOC波动越限优化研究

文中分析了风储联合系统风功率平滑应用场景中双电池系统荷电状态(State of Charge,SOC)波动越限问题,并提出一种改进控制策略。该策略通过风功率预测实现SOC波动越限预测,进而合理设置双电池系统充放电状态切换时刻,有效避免SOC波动越限,维持储能系统良好的充放电深度。基于两种湍流风速的仿真结果验证了此改进控制策略的有效性和优越性。     

优化SOC测试时间的扫描链平衡及NSGA-Ⅱ设计

片上系统SOC测试时间很大程度上取决于Wrapper和测试访问机制TAM(test access mechanism)的设计。为了优化SOC测试时间,主要对Wrapper和TAM进行设计,降低单个核的测试应用时间靠优化的Wrapper,在差值二次分配平衡扫描链的基础上,对TAM进行划分,以测试时间和TAM宽度为目标进行优化,运用非支配排序目标遗传算法(NSGA-II)对模型进行求解,并采用ITC02标准电路中的d695电路为实例进行验证,结果表明该方法与基于SA、ILP算法相比,能够在降低SOC测试时间上获得较为理想的效果,并且降低相应的测试功耗,证明本实验方法切实可行。     

基于二阶RC网络模型的UKPF-VFFRLS电池SOC预测估计

针对单一滤波算法对动力电池荷电状态(SOC)预测估计精度有限的问题,分析并建立了二阶RC网络等效电路模型,进行了离线参数辨识,并验证了辨识结果的准确性。以该模型为基础,运用无迹卡尔曼粒子滤波(UKPF)算法对动力电池SOC的动态模型状态进行预测估计,以带可变遗忘因子的递推最小二乘法(VFFRLS)对动态模型参数进行辨识,两者互为输入输出,实现UKPF-VFFRLS算法的联合估计。仿真实验结果表明：相比原有单一滤波算法,UKPF-VFFRLS联合估计算法使得SOC平均误差降低至0.74%,均方根误差(RMSE)低至0.009 9,提高了SOC的预测估计结果精度,从而提升了能源消耗预判能力和电池使用效率。     

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