电动汽车动力电池SOC估算方法综述

电池SOC估算是电动汽车电池管理系统中重要的一部分,由于电池SOC的估算受很多因素综合影响(如充放电倍率、环境温度、循环寿命、自放电等),所以很难保证SOC在实际应用中的估算精度.通过对SOC估算方法的综述,分析了各种方法的实现原理、优缺点以及目前应用情况等.研究表明,在实际的应用中,应依靠实验数据、提高硬件技术保证数据测量精度、引入电池模型、综合各种算法,扬长补短,从而提高SOC估算的精度.     

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。     

动力电池SOC估算综述

综述了动力电池荷电状态(SOC)估算的传统方法、人工智能方法的原理,分析了各估算方法的优缺点,给出了其他SOC估算的实现策略,如自适应卡尔曼滤波法、主元分析法以及遗传算法(GA)-BP神经网络法。研究表明,在动力电池SOC估算的实际应用中,要充分考虑实测数据、软硬件条件来选择相应的动力电池模型,综合考虑各种SOC估算策略,以此来提高SOC估算的精度。     

基于GA-LSSVR的动力电池SOC估算研究

动力电池的容量剩余表现称为荷电状态(SOC),是衡量电池管理系统好坏的重要参数之一,通常定义值是电池剩余的容量除以电池额定容量。使用最小二乘支持向量回归机(LSSVR),并对此学习机使用遗传算法优化执行,估算动力电池的 SOC,将结果误差控制在 3 % 以内。     

基于在线LS-SVM的动力电池SOC估算方法研究

荷电状态(SOC)是描述动力电池状态的重要参数之一,提高SOC估计的准确性对电动汽车电池管理系统的研究至关重要。提出一种改进的最小二乘支持向量机(LS-SVM),动态地调整模型参数,对电池的开路电压(OCV)进行在线实时估计;通过SOC与OCV的关系确定初值,采用安时积分法估算SOC;并利用OCV的偏差信息对电池SOC进行修正,有效地补偿拟合误差和安时积分法产生的累计误差。仿真实验结果表明,在线LS-SVM算法能准确地逼近实际SOC值,平均绝对误差为1.279 3%。     

18650动力电池SOC的建模与估算研究

为了实现对18650动力电池荷电状态(SOC)的准确在线估算,将外界条件划分为12种情况,研究了有效电量、电池衰老及环境温度对电池SOC的影响。建立了一个BP神经网络模型,在12种条件下对其进行样本学习训练,建立了一种能够适用于不同条件下的基于条件查找方法的SOC估算模型。通过与传统方法对比,证明改进的估算方法具有更好的精度和实用性。     

基于UKF的动力电池SOC估算算法研究

动力电池荷电状态(SOC)在线估算对于混合电动汽车蓄电池管理系统有着举足轻重的意义。针对动力电池SOC估算算法中应用广泛的扩展卡尔曼滤波法(EKF)在非线性系统应用时存在的精度损失问题,采用无迹卡尔曼滤波法(UKF)以提高估算精度。研究了一种改进的电动势(EMF)电池等效模型,讨论了该模型的参数和空间状态方程,并将UKF应用于该模型估算SOC。由实验分析可知,对比采用开路电压法得出的SOC真实值,UKF结合EMF电池等效模型在估算算法中有较高的精度,其估算误差小于5%,且SOC估计结果明显优于EKF,具有较高的实用价值。     

基于BP神经网络的动力电池SOC估算

电池荷电状态(SOC)的预测是影响电动汽车发展的关键技术之一,采用经典BP神经网络控制算法完成了动力电池的SOC估算研究。通过设计工况实验,在Matlab中对该算法进行了仿真验证,结果表明该算法能够很好地拟合动力电池充放电特性,误差可以减小到5%以内。     

轻度混合动力汽车动力电池系统研发

本文以国内某款混合动力汽车（ISG）电池系统研发为基础，全面阐述了电池系统的结构设计、高压系统结构设计、强度与热分析，同时浅析了电池管理系统的结构及功能。希望本文中的相关论述能够为混合动力汽车电池系统的研发提供一些借鉴和参考。     

电动汽车动力电池模型和SOC估算策略

主要研究如何准确估算电动汽车动力电池的荷电量状态。通过对开路电压、自恢复效应、温度、充放电效率、寿命等多个影响荷电量状态的主要因素进行深入研究,建立了一种新的荷电量状态的数学模型,并在此基础上提出了一种电量状态复合估算策略。当电池处于不同状态时,合理地使用开路电压初始电量预估算法、直接调用记录初始电量预估算法、Ah电量动态计量法、系数修正法等不同方法估算电量状态,多种方法的复合使用弥补了使用单一方法的不足,有利于提高电量状态的估算精度。该电量状态复合估算策略成功地应用在电动汽车动力电池的管理上,使电量状态的估算误差小于4%。     

无损卡尔曼滤波在估算动力电池SOC中的应用

电动车电池管理系统(BMS)能精确估算电池荷电状态(SOC),是电池安全和优化控制充放电能量的必要保证。针对整车环境下动力电池的非线性、强耦合特性,在多维动态补偿安时积分与电池模型融合的基础上,提出一种无损卡尔曼滤波(UKF)方法估算电池的SOC。应用Simulink仿真工具及Stateflow有限状态机工具建立一个简单可靠易移植的电池管理系统应用层控制策略模型。仿真结果验证了模型的可靠性,同时表明无损卡尔曼滤波能获得准确的SOC估算值。     

混合电动轿车用MH-Ni动力电池的研制

介绍了混合电动轿车用MH-Ni动力电池的研制.通过调整和改进正极配方,开发MH-Ni动力电池专用贮氢合金粉,以及设计全新的双头封口电池结构,提高了电池的高倍率充放电性能和高低温性能,能量密度＞56Wh/kg,功率密度＞700W/kg,浮充循环寿命＞10万次.     

动力电池状态估计及均衡电路的研究

设计一种均衡电路以解决电池均衡的问题,并运用扩展卡尔曼滤波(EKF)估测电池的荷电状态(SOC)。针对电池特性建立数学模型,采用脉冲放电实验法确定电池模型的各个参数,通过混合功率脉冲实验(HPPC)采集数据,用九次多项式拟合开路电压与SOC曲线图。由仿真结果可知,实验方法可准确地估算电池的SOC。     

动力电池荷电状态研究的可视化分析

基于2010-2019年Web of Science核心数据集中收录的985篇电池荷电状态(SOC)研究论文,运用Cite Space和VOSviewer知识图谱工具,对发文国家、核心作者、共引文、前沿及关键词等进行可视化呈现。2010-2019年,电池SOC研究热度逐年上升;研究国家主要是中国、美国和德国等,机构主要为各国大学;发文量较多的作者主要在中国和德国。准确高效地预测电池SOC是电动汽车管理系统的研究重点;电池模型的选择、改良及优化估算方法是动力电池SOC研究的焦点。     

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。     

蓄电池荷电状态闭环动态估算模型

使用基于电化学理论的安时模型,实现蓄电池荷电状态的实时估算。为了改善电化学安时模型的估算性能,设计了闭环反馈模型。闭环模型采用基于最优估计的扩展卡尔曼滤波算法,将电化学安时模型作为滤波算法的状态方程,蓄电池的荷电状态作为过程状态量,滤波算法中的观测方程的参数通过特定实验数据分析确定。实验结果表明,对于可靠的测量数据,电化学模型具有较高的估算精度;在较大测量偏差存在的情况下,闭环模型可以有效地修正估算偏差,得到准确的估算值。     

HEV车载快速充电系统的实现

介绍了混合动力电动车(HEV)车载充电系统的硬件实现方法及软件的程序流程.根据马斯三定律确定了分段恒流与脉冲充电相结合的智能快速充电策略,缩短了充电时间,提高了充电效率.实验结果表明所提出的智能脉冲充电策略可以实现交流侧单位功率因数,直流侧电压电流可调等特性.     

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LS-SVM算法动力电池SOC估计方法的研究

提高电池荷电状态(SOC)估计的准确性对于电动汽车电池管理系统的研究至关重要。根据历史实验数据分析了电池电压、电流、放电总电量因素对电池的影响,利用最小二乘支持向量机具有非线性逼近能力强、收敛速度快、全局最优解的特性对电动汽车电池SOC值进行在线实时估计,与BP神经网络的预测结果进行比较。仿真及实验室测试结果表明,最小二乘支持向量机算法能更准确地逼近实际SOC值,该方法的最大估算误差降低到0.02,达到了动力汽车的应用要求。