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。     

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。     

基于SOC-OCV曲线的卡尔曼滤波法SOC估计

由于开路电压(OCV)与电池荷电状态(SOC)存在一一对应的关系,OCV在电池SOC估计中被广泛运用。提出了如何通过卡尔曼滤波法(KMF)得到各种工作状态下PNGV电池模型中各状态量的值,从而得到PNGV电池模型的实时OCV,进而通过已经获得的SOC-OCV曲线得到电池SOC的预测值方法。给出了铅碳电池建模及参数辩识的方法及步骤,建立了参数随SOC可变的铅碳电池PNGV模型,并通过模型提出了用于OCV计算的KMF,该算法能快速并准确的收敛到真实的OCV,从而实时指示SOC,仿真和实验结果显示该方法具有较好的SOC估算效果及快速的动态响应。     

基于可变温度模型的锂电池SOC估计方法

动力电池的荷电状态(state-of-charge,SOC)是电动汽车的重要参数之一,而准确的电池模型是提高SOC估算精度的前提。温度对电池相关参数的影响是目前研究的热点,然而现有的电池模型难以适应连续变化的温度环境,且测试工作量大。基于Nernst电化学方程,提出了一种新型的电池建模方法,运用统计学原理,通过测量较少的数据得到较为精确的电池模型,相关参数能够用包括连续变化的温度等多因素进行拟合。通过在不同温度环境下模拟电动汽车实际工况,对锂电池进行放电实验,通过试验设计的方法建立电池模型,结合扩展卡尔曼滤波算法实现对锂电池SOC的动态估计,仿真和实验结果验证了所提方法的优越性。     

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。     

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。     

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EKF算法的锂离子电池SOC估算方法

针对锂离子电池在变电流放电过程中荷电状态SOC(state of charge)估算精度的问题,提出了一种基于改进扩展卡尔曼滤波EKF(extended Kalman filter)算法的新估算方法。首先,通过放电实验和混合脉冲功率特性HPPC(hybrid pulsepower characteristic)实验,分析计算了等效电路模型参数;然后,利用该方法获得了该模型参数与放电倍率和SOC之间的关系,提出了一种估算SOC时在线修正开路电压和欧姆内阻的新原理和方法;最后,通过变电流放电的SOC估算结果,验证了该改进算法的可行性与有效性,从而解决了锂离子电池在复杂工况下估算精度不足的问题。     

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%。     

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。     

Open-circuit voltage-based state of charge estimation of lithium-ion power battery by combining controlled auto-regressive and moving average modeling with feedforward-feedback compensation method

Being one of the important parameters describing the state of power battery, state of charge (SOC) is essential for the electric vehicle battery management system (BMS). SOC estimation method, which combines the constructed controlled auto-regressive and moving average (CARMA) model with the feedforward-feedback compensation method used for revising SOC by the deviation of terminal voltage, is presented in this paper. Fully taken into account the measurement errors of voltage and current, the CARMA model is employed to estimate the battery open-circuit voltage (OCV). With the good consistency of the OCV-SOC curve under the process of battery charge and discharge cycles within a certain temperature range, OCV is adopted to estimate SOC. BP neural network rather than the high order polynomial approximation is used to capture the strong nonlinear relationship between OCV and SOC with the high precision. It is a big challenge for OCV-based SOC estimation that the flat area of OCV-SOC curve for lithium-ion power battery enlarges the measurement errors of OCV. By analyzing the flat characteristic of ΔSOC-OCV curve, the feedforward-feedback compensation for SOC is used for improving the accuracy of OCV-based SOC estimation. Experiment results confirm the effectiveness of the proposed approach that has evidently advantages over other estimation methods.     

优化电池模型的自适应Sigma卡尔曼荷电状态估算

采用数学模型法对磷酸铁锂电池进行非线性建模,优化了状态模型及观测模型。模型考虑了充放电倍率、温度、老化循环寿命等因素,对电池松弛效应及极化现象影响进行建模补偿,提高了电池建模的准确度,降低了不同条件下因电池模型造成电池荷电状态(SOC)估算的误差影响。在电池模型参数辨识基础上,提出采样自适应Sigma卡尔曼算法构建SOC估算模型,按照非线性模型对状态变量的分布构建Sigma采样序列,采用模型输出残差更新噪声协方差,赋予Sigma采样序列最优估计及噪声的权值,并实现误差量的实时更新,降低计算复杂度。通过持续大电流、间断电流、变电流放电及充电实验条件下的SOC估算对比实验,验证了自适应Sigma卡尔曼算法快速收敛性,数学描述更准确,具备较高的SOC的观测准确度。     

双卡尔曼滤波法估计电动汽车电池健康状态

选用戴维南等效电路模型作为基础电池模型,标定荷电状态(SOC)-开路电压(OCV)曲线,利用指数拟合法拟合等效电路模型中的电阻-电容电路(RC)参数,提出基于安时积分法使用拓展卡尔曼滤波法估计SOC,以及基于容量法使用卡尔曼滤波估计电池健康状态(SOH),建立双卡尔曼滤波SOH估算方法。随机电流激励仿真结果表明:该方法的估计值与真实值变化趋势一致,且估计误差控制在1%以内。SOH估算实验结果表明:在开始阶段,SOH估计值与真实值有一定的偏差,之后变化趋势一致,误差可控制在1%以内。     

基于DEKF的储能电池系统SOC估计方法研究

电池管理系统(BMS)是储能电池系统安全稳定运行的重要保障。为了保障储能电池系统的运行可靠性,在BMS投入运行前进行系统测试具有重要意义,而目前对于储能系统BMS的荷电状态(SOC)估计方法缺乏测试规范和标准。因此,文中针对储能电站BMS建立了入网测试平台,根据电池外特性信息建立Thevenin等效电路模型,电池开路电压曲线获取采用了电池倍率放电曲线外推的方法,结合双扩展卡尔曼滤波(DEKF)算法实现SOC的准确估计,并与EKF方法进行了对比。结果表明,DEKF方法在收敛速度和SOC估计精度上存在优势,分别在典型联邦城市运行工况(FUDS)和动态应力测试(DST)测试工况下,运用DEKF方法和EKF方法估计得到的SOC误差都低于1%,电池端电压误差分别在±10 mV和±20 mV以内,平均绝对误差分别为2.7 mV和3.8 mV。     

磷酸铁锂电池等效电路模型对比分析

磷酸铁锂电池(LiFePO_4)凭借其较高的比功率、较高的比能量和使用寿命长等优点,逐渐成为电动汽车领域应用电池的研究热点。准确的电池荷电状态(State-of-Charge,简称SOC)估计离不开合理的等效模型,模型的精度与复杂程度直接影响电池SOC估计。文章首先分析四种等效电路模型参数,基于电池测试系统对LiFePO_4进行混合脉冲功率性能测试(The Hybrid Pulse Power Characterization,简称HPPC),应用最小二乘法进行模型参数辨识,根据辨识结果对比模型精度与复杂程度;然后将电池在整个SOC周期内对三个带有RC网络结构的模型精度进行对比;最后对LiFePO_4电池进行联邦城市运行工况(The Federal Urban Driving Schedule,简称FUDS)测试,对比双极化等效电路模型在不同温度下模型精度。实验结果显示双极化等效电路模型为具有良好精度的等效电路模型,同时带有低温特性。     

基于Buck-Boost电路的能量转移型均衡方案

提出了一种基于Buck-Boost电路的新型均衡电路,实现了锂离子串联电池组充放电均衡。根据均衡能量流向,采取两种不同的均衡策略:电池组放电时,均衡能量由电池组向组内荷电状态(state of charge,SOC)较低的单体电池转移;电池组充电时,均衡能量由电池组中SOC较高的单体电池向电池组转移。以单体电池开路电压在线估计为基础,运用开路电压法估算SOC,选取SOC值在一定阈值范围之外的单体电池作为均衡对象,对6节串联的磷酸铁锂电池进行了充放电均衡实验。实验结果表明,该方案可以有效减小单体电池间的不一致性,提升电池组的整体性,同时提高了电池组充放电容量。     

基于分数阶理论的车用锂离子电池建模及荷电状态估计

针对电动汽车动力锂离子电池的状态估计问题,提出一种基于分数阶等效电路建模方法,并采用分数阶卡尔曼滤波算法估计电池荷电状态(SOC)。首先建立基于二阶等效电路的分数阶电池模型,采用遗传算法辨识阶数,然后利用分数阶卡尔曼滤波算法估计电池SOC,并与扩展卡尔曼滤波算法进行比较。实验结果表明,在恒流放电下采用分数阶模型,其端电压最大绝对误差为0.014V,SOC最大估计误差不超过2%。本文提出的基于二阶等效电路的分数阶模型及分数阶卡尔曼滤波算法,不仅给出了一种准确、可靠的建模方法,而且为有效提高电池管理系统中SOC估计的准确性提供了途径。     

基于BP神经网络法估算动力电池SOC

精确估计电动汽车用动力锂离子电池荷电状态(SOC)对于电动汽车的续航里程的估计和动力电池的安全保护具有重要的意义。针对锂离子电池的非线性关系,采用BP神经网络法来估算SOC。以3.2 V/100 Ah的磷酸锂铁电池为研究对象,在恒温条件下采用Arbin BT2000系列的充放电测试仪进行充放电实验采集原始数据,并将数据导入到神经网络模型中去训练和验证。验证结果表明:用BP神经网络法估算SOC的误差能控制在5%以内,验证了模型的准确性,为相似的SOC估计算法的改进提供参考和依据。     

基于电压偏移序列的电池健康状态估计方法

针对传统电池健康状态(state of health,SOH)估计方法对充电策略和数据质量的严重依赖问题,提出了一种基于电压偏移序列的SOH估计方法.该方法以新电池的充电曲线为基准序列来构建分段SOC区间的电压偏移序列,提取该序列的分布特征参数后,利用主成分分析法(principal component analysi...