共查询到20条相似文献,搜索用时 15 毫秒
1.
2.
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。 相似文献
3.
4.
5.
锂离子电池内阻建模对研究电池热管理具有重要意义.充电内阻受温度、充电倍率等众多因素的影响,该文分析电池的内阻变化特性与多种影响因素(充电倍率、荷电状态以及温度)之间的关系,采用最小二乘法的二元多项式和三次样条插值算法对不同充电倍率、荷电状态以及温度下的电池充电内阻进行建模,并采用所建立的多因素动态内阻模型对不同状态下的充电内阻进行估算.实验结果表明,所建立的动态内阻模型获得的内阻估算值与实验值的最大误差不超过6mΩ,证明所提出的电池充电内阻建模方法的有效性. 相似文献
6.
以动力电池的电压、电流、温度和内阻作为输入,荷电状态作为输出,建立四输入一输出的神经网络仿真模型预测电池的荷电状态。再以荷电状态为基础,改进电池健康状态的估算方法,分别利用改进型容量法、改进型内阻法和电压法3种方法分别估算出电池的健康状态,并利用遗传神经网算法建立了3种方法联合在一起的电池健康状态估算模型。以4节12 V的串联锂离子电池组模块为研究对象分别进行了Simulink仿真和实验研究,通过采集动力电池充放电时的电压、电流、温度、内阻和放电量数据,测试了电池的荷电状态和健康状态。实验结果表明电池荷电状态的预测精度为1.6%,仿真模型运行和实验结果显示联合法估算健康状态的最大误差为1.5%,高于其他3种单独的方法。本文提出的健康状态预测方法,省略了传统神经网络算法估算健康状态寻找健康因子的复杂步骤,同时也避免现有电池的健康状态估计单一参量判定方法的局限性。 相似文献
7.
针对传统的荷电状态(SOC)估算方法估算动力电池荷电状态精度不高,对混合动力系统中动力控制器的正常运作有很大影响,使得节能效果大大降低,从四线法和能量守恒定律对电池内阻测量出发,提出了一种改进的电池SOC估算方法,该估算方法不但能够估算电池恒定大电流和小电流放电,同时也非常适合变电流放电工况,在变电流放电工况下,新的电池SOC估算方法的估计值误差明显小于5%,因此具有较高的估计值精度。 相似文献
8.
随着性能的不断提高,锂离子电池也开始应用到高能器件上,通常要求电池频繁做大电流脉冲放电。然而当前学术界对电池老化的研究只关注循环充、放电工况或其他车用工况,对高脉冲工况缺少研究。本文旨在研究高脉冲工况下锂离子电池老化特性及规律。在循环工况实验过程中,通过电性能测试,即容量测试、混合脉冲功率特性测试和容量增量测试,分析锂离子电池的老化特征。结果表明,相对于1 C循环老化工况,高倍率脉冲放电工况下的电池容量衰减更快,至480周循环容量衰退率就达到21.8%。内阻增加同样表现得迅速,480周循环极化内阻与欧姆内阻增长率分别达到85.0%与141.3%,是1 C循环工况电池的数十倍。同样IC/DV曲线变化也更加明显。 相似文献
9.
针对在不同工况(不同荷电状态、不同充电倍率、不同放电倍率)下准确、高效地测量锂离子电池欧姆内阻和极化内阻的需求,提出一种基于改进混合脉冲功率特性阶跃法(HPPC)测量内阻。通过改变HPPC充放电倍率固定比值关系,可以解决在多倍率充放电测试脉冲中,锂离子电池容量亏损的问题。从而完成在单个内阻测试循环中,测量出不同工况下的充放电欧姆内阻和极化内阻。实验结果表明,与原方法相比,改进HPPC法测量的充放电欧姆内阻和极化内阻相关系数均在92.3%以上,平均测量精度最大提高7.64%,实验测试时间节省近78.47%,证明所提出的改进HPPC法能高效、准确地测量不同荷电状态、不同充放电倍率下的欧姆内阻和极化内阻。 相似文献
10.
11.
12.
针对扩展卡尔曼滤波算法中近似线性化处理及电池实际使用中出现的容量衰减引起的电池状态估算误差,提出基于容量修正的无迹卡尔曼滤波算法完成电池荷电状态估算,实现电池全寿命状态监测。通过分析锂电池工作特性和建立二阶RC等效电路模型,使用在线参数辨识法实现电池动态参数计算,为电池荷电状态估算奠定基础。结合电池实际工作中容量衰减特性,利用容量修正和无迹卡尔曼滤波算法完成电池荷电状态的在线实时估算,提高了估算精度。在恒流放电工况下,利用MATLAB仿真验证,表明无迹卡尔曼滤波算法的估算精度和鲁棒性优于扩展卡尔曼滤波算法,估算误差在3.5%以内。引入容量修正后,对老化情况下容量衰减的电池进行荷电状态估算,相比容量未修正时最大估算误差减小了3%,满足电池全寿命状态估算使用需求。 相似文献
13.
14.
研究了欧姆内阻的三种测试原理和方法。在深入分析混合脉冲功率特性(HPPC)欧姆内阻测试方法的基础上,提出了梯次利用锂离子电池欧姆内阻测试的最佳采样点(放电下降沿,充电上升沿)和采样时间;建立了电化学阻抗模型,对不同直流偏置下的交流阻抗图谱进行了参数辨识,验证了欧姆内阻和直流偏置电流的不相关性,为电流转换法中100ms采样时间下测试欧姆内阻提供了理论依据;研究了基于电流转化法的欧姆内阻测试新方法,该方法在100 ms采样时间下,有效地减小了测试设备和数据采集响应误差的影响,并适当地减小了极化对欧姆内阻的影响,提高了欧姆内阻测试的准确性。 相似文献
15.
16.
17.
《电源技术》2020,(3)
针对传统BP神经网络在线估算锂离子电池健康状态(state of health,SOH)容易使权值陷入局部最优解,导致SOH预测不精确。结合模拟退火(simulate anneal,SA)算法能有效收敛于全局最优的特点,提出一种基于SA算法优化BP神经网络的锂离子电池SOH在线预测方法。以锂离子电池为研究对象,分析了微分电压、欧姆内阻、循环次数与电池SOH的关系,并以此作为电池的健康状态因子(health indicator,HI)输入至BP神经网络。利用SA算法优化BP神经网络的权值,使预测模型得到最优解。实验结果表明:利用优化算法对电池SOH进行预测,其最大误差仅为1.98%,平均误差为1.09%。相较于传统BP神经网络,优化算法预测最大误差降低了5.62%,平均误差降低2.33%。从而验证了基于SA算法优化BP神经网络能够获取全局最优值并提高电池SOH估算精度是有效的。 相似文献
18.
魏克新陈峭岩 《中国电机工程学报》2014,(3):445-452
应用传统的无迹卡尔曼滤波(unscented Kalman filter,UKF)算法估计电动汽车锂离子动力电池核电状态(state of charge,SOC)时,常会出现由于电池模型参数不准确而造成估计误差增大的问题,该文采用了自适应无迹卡尔曼滤波(adaptive unscented Kalman filter,AUKF)算法解决该问题。AUKF算法是一种循环迭代算法,可以实时估计电池模型中的欧姆内阻,提高电池模型准确性,从而提高电池SOC估计精度。另外,电池的欧姆内阻可以表征电池的健康状态(state of health,SOH),因此还可以根据电池的欧姆内阻估计出电池的SOH。在设定工况下对电池做充放电实验,实验分析表明,与UKF相比,AUKF提高了电池SOC估计的精度,并能准确的估计出电池的欧姆内阻。 相似文献
19.
基于自适应无迹卡尔曼滤波算法的锂离子动力电池状态估计 总被引:1,自引:0,他引:1
应用传统的无迹卡尔曼滤波(unscented Kalman filter,UKF)算法估计电动汽车锂离子动力电池核电状态(state of charge,SOC)时,常会出现由于电池模型参数不准确而造成估计误差增大的问题,该文采用了自适应无迹卡尔曼滤波(adaptive unscented Kalman filter,AUKF)算法解决该问题。AUKF算法是一种循环迭代算法,可以实时估计电池模型中的欧姆内阻,提高电池模型准确性,从而提高电池SOC估计精度。另外,电池的欧姆内阻可以表征电池的健康状态(state of health,SOH),因此还可以根据电池的欧姆内阻估计出电池的SOH。在设定工况下对电池做充放电实验,实验分析表明,与UKF相比,AUKF提高了电池SOC估计的精度,并能准确的估计出电池的欧姆内阻。 相似文献
20.
车载和电池储能系统中,为了获得高功率需要将单体电池串联后成组运行,但不一致问题的存在会使电池容易遭受过充和过放,缩短电池寿命甚至造成安全隐患。本文针对磷酸铁锂串联电池组,通过预报误差法辨识出模型参数,建立准确的一阶等效电路模型,仿真分析电池内阻和极化电压等内部参数。将影响电池不一致的因素分为电池本体参数差异和运行条件差异,其中本体参数包括初始SOC和最大可用容量,运行条件包括放电倍率和放电截止电压。在不同本体参数和运行条件的影响下,将端电压差异分解为开路电压差异、极化电压差异和欧姆压降差异,然后基于串联等效电路仿真分析端电压不一致的具体构成,最后采用基于SOC一致的均衡策略探究均衡条件下电池组电压不一致的分布特点。 相似文献