VRLA电池SOC估算的改进方法

对VRLA电池的荷电状态(state of charge,SOC)进行估算是蓄电池能量管理的前提。考虑蓄电池充放电电流、工作温度和充放电循环次数等因素影响估算电池SOC的准确度,对传统的能量法进行了修正;通过在电池电压恢复特性曲线基础上建立开路电压预测模型,提取电池E-SOC关系曲线,用于电动势法在线估算;分析两种估算SOC方法的特点,提出了改进的能量-电动势法SOC在线估算的改进方法,从而达到各取所长,优势互补的效果。实验结果表明改进的能量-电动势法SOC估算方法简单实用、准确度高。     

具有在线修正功能的镍氢电池SOC估算方法

介绍了电动汽车用镍氢电池荷电状态(SOC)的常用估算方法。针对安时积分法结合开路电压法估算蓄电池SOC时累积误差偏大的问题，测试了镍氢电池充放电特性曲线，并对曲线进行多项式拟合，提出了根据电池不同工况进行条件判断，对估算值进行在线修正的估算方法。实践证明，本文所述估算方法能明显地减小累积误差，更好地满足电池SOC的估算要求。     

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。     

动力锂离子电池稳态特性参数Map建模与仿真

提出并实现了一种车用动力锂离子电池稳态特性参数的数学模型,该模型针对混合动力车用8Ah锂离子电池,选取对电池SOC有重要影响的性能参数(电压、电流、温度等),设计相关实验(主要是倍率充放电实验和开路电压SOC关系实验);应用实验数据,通过插值、拟合等方法补充实验缺省数据,建立电池稳态特性参数Map图,用以估算电池的SOC,对建立的Map用实际工况曲线进行仿真。仿真结果表明,应用建立的Map图,对电池稳态SOC查询估算的精度可以达到4%以内。     

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     

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。     

纯电动汽车电池管理系统及SOC精确估计

基于阀控式密闭铅酸蓄电池,设计了一套纯电动汽车电池管理系统。依据Randles二阶等效电池模型,应用扩展卡尔曼滤波算法,对电池荷电状态(SOC)进行估计,并将估算结果与传统的安时积分和开路电压结合算法进行比较分析,经实验与仿真验证,此法对预测SOC值有较高的精确度和可靠性。     

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%。     

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。     

基于改进型LMBP神经网络方法对蓄电池荷电状态的预测

针对变电站中因过度充放电而导致阀控式铅酸蓄电池寿命短且利用率低的问题,通过改进型LMBP神经网络模型对铅酸蓄电池的荷电状态(SOC)进行预测,能够加快计算速度与精度,有效提升蓄电池的寿命与使用率。在Matlab环境下对铅酸蓄电池放电过程进行仿真研究的结果验证了,改进型LMBP型神经网络算法能有效提高SOC的估算精度,延长电池寿命。     

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LabVIEW的动力电池SOC实时估算系统研发

在电动汽车能量管理控制策略和电池管理系统研究中,电池荷电状态(State of charge,SOC)的准确估算一直是重点和难点。基于磷酸铁锂动力电池的工作原理和充放电特性试验,利用MATLAB软件拟合获得不同放电电流下的库仑效率和开路电压与SOC的关系。并采用虚拟仪器LabVIEW与相关硬件,实时采集动力电池相关数据,将SOC估算的安时法与开路电压法相结合,实现了对动力电池SOC的实时估算与高精度显示,提高了电池SOC研发系统的实用性与准确性。     

电动汽车动力电池模型及SOC预测方法

简要介绍了铅酸蓄电池的电化学过程,提出了一种考虑温度影响的动态R-Q电池模型,并在此基础上建立了一种新的基于状态空间的SOC递推算法。对电池的两种放电过程仿真计算表明,该算法精确可靠,计算速度快,易于实现,适合电动汽车上使用。基于状态空间的SOC预测方法通过电池稳态开路电压来计算SOC,在电池充放电循环过程中没有误差累积,同样可用于其它类型的动力电池。     

一种基于能量建模的锂离子电池电量估算方法

锂离子电池放电起动瞬间电压陡降以及放电停止后电压回升使开路电压和实时电压关系难以确定,进而导致常规方法无法准确估算荷电状态(State of Charge,SOC)。从能量角度提出一种应用于电池放电过程中估算SOC的新方法。首先构造带有非线性受控源的双电源模型,然后根据电池电量特性进行模型参数辨识。通过对锂离子电池进行恒流、变流和模拟工况放电过程中的SOC预测,对比模型预测和实测SOC可看出,该方法能够准确模拟电池电量特性,精准估算电池SOC。     

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。     

利用信息融合技术的储能锂离子电池组SOC估算

在电池储能系统的实际工程中,电池组荷电状态(state of charge,SOC)估算精度越来越受重视。电池组容量、运行环境、循环时间和充放电倍率等都将影响电池组的SOC估算精度,采用单一的电池模型和数据模型很难获得准确的SOC。提出了一种基于信息融合技术的锂离子电池SOC估算方法,主要基于开路电压(open circuit voltage,OCV)-SOC曲线进行。根据锂离子电池运行特性,把OCV-SOC曲线空间划分为锂电池稳定运行区间、识别校正区间、过充区间和过放区间,并据此重新定义锂离子电池运行模式。然后根据其运行模式,在不同运行区间内对锂电池的估算模型进行切换和优化。采取基于信息融合的SOC估算方法,不断修正消除估算模型在运行状态下产生的各种误差,得到较为精确的SOC估算值。最后搭建实验平台,以某储能电站的实际储能工况对该算法进行实验验证,结果表明,上述SOC估算算法在实际锂电池储能系统应用中具有较强的可行性和实用性。     

基于扰动观测器的锂电池荷电状态估算方法

基于电池模型的荷电状态(SOC)估算方法,模型参数的误差会直接影响估算结果.根据扰动观测器原理,建立了锂电池电压扰动观测器模型,与扩展卡尔曼滤波(EKF)算法相结合,设计了具有电池电压扰动补偿功能的锂电池SOC估算方法.由电压扰动观测器得到的补偿电压变量,可实时修正数学模型中的电池状态变量偏差对SOC估算的影响.仿真结果表明当电池数学模型存在滞后电压等动态响应误差时,该方法在充放电过程中SOC估算精度要优于常规EKF估算方法.     

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。     

Hermite插值法建立锂离子电池开路电压模型*

传统的开路电压(Open Circuit Voltage,OCV)模型建模方法中,利用最小二乘法拟合OCV曲线,使得OCV测试点不能落在曲线上,建模精度低,为此提出利用Hermite插值法建立电池OCV模型。首先通过对电池进行间隔放电获得若干个OCV测试点;其次利用分段三次Hermite插值函数建立OCV模型并拟合OCV曲线;最后验证所建立OCV模型的有效性。验证实验通过对电池进行不同温度下的UDDS动态工况放电实验,将OCV曲线应用在扩展卡尔曼滤波(Extended Kalman Filter, EKF)算法实现的电池SOC估算中,通过对比SOC估算结果验证OCV模型精度。实验结果表明,在不同温度下Hermite插值法OCV模型具有可行性,与传统OCV模型相比Hermite插值法OCV模型具有更高的建模精度。     

影响锂离子电池SOC因素的灰色关联分析*

为定量分析电流、开路电压、环境温度等因素对电池荷电状态(SOC)变化率的影响,提出采用灰色理论中的灰色关联分析方法确定各个因素与SOC的灰色关联度(r)。通过建立灰色关联分析模型分析锂离子电池在不同工况下放电实验数据,确定上述因素对SOC灰色关联度,实验结果表明:放电电流对电池SOC影响最为显著(r=0.869 0),其次为开路电压(r=0.600 5),环境温度影响最小(r=0.583 1)。试验结果验证了灰色关联分析模型可定量给出每种因素的影响程度,该研究可为优化SOC预测模型和进一步提高电池SOC估算精度提供理论依据。