电动汽车电池管理系统的建立及SOC准确估计

以TMS320LF2407型数字信号处理器(DSP)为主控芯片,完成了电动汽车电池管理系统(BMS)平台的搭建。实现了参数检测、信息显示、安全报警和电池荷电状态(SOC)估计等主要功能。然后通过Matlab仿真研究了不同算法与不同模型的估计精度。最后通过搭建的试验平台,对磷酸铁锂电池组进行模拟工况试验,得到电池SOC估算值误差在5%以内。验证了试验平台与软件系统的可靠性、电池模型与估计算法的正确性。     

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。     

用一种新的优化算法估计电动汽车电池SOC

准确估计电动汽车中的锂电池荷电状态(SOC)是电池管理的一个难点,安时计量法的缺点是无法估计电池的初始剩余电量,且由于电流测量精度的原因会导致累积误差。因此在安时计量法原有研究的基础上提出了一种新的优化算法,即结合开路电压法和Peukert方程来估计电池的剩余电量。与实验结果对比,可见新的优化算法的仿真结果与实验结果基本吻合,误差较小,从而证明了本方法的正确性。     

电动汽车电池管理系统

文章设计了应用于铅酸蓄电池的电池管理系统,提出了单体电池电压、电流、温度检测电路。依据电池等效R．C模型建模,通过实验确定了该模型的参数。应用卡尔曼滤波算法,估算出蓄电池荷电状态（SOC）。为电池的维护与保养提供数据支持。     

基于BP-EKF算法的电动汽车电池管理系统SOC精准估计

以数字信号处理器DSP(TMS320LF2407)为主控芯片,完成了电动汽车电池管理系统平台的搭建。电池荷电状态(SOC)的精准估计是电动汽车电池管理系统的核心任务之一,本文为提高SOC估计的准确性,提出了基于BP神经网络法与拓展卡尔曼滤波(EKF)法相结合的一种新算法(BP-EKF)。在对磷酸铁锂电池进行试验分析之后,运用Matlab的人工神经网络工具箱建立BP神经网络,并利用试验得到的数据对所建立的BP神经网络进行训练,从而利用训练好的BP神经网络优化补偿拓展卡尔曼滤波算法的估计结果。经过仿真实验验证两种算法的准确性,结果表明,与单纯的EKF滤波法相比,基于BP-EKF算法的SOC估计值的准确性有了显著的提高,且具备很好的适用性。     

基于改进安时积分法的电动汽车电池SOC估计与仿真研究

为解决安时积分法不能确定电池SOC初始值的问题,采用开路电压法与安时积分法结合的方法(OCV-AH法)估计电池SOC值,并对电池SOC估计系统的控制策略进行研究。控制策略采用开路电压法估计电池SOC的初始值,基于安时积分法实时估计电池SOC。通过Advisor软件获得工况仿真数据,并在Matlab/Simulink中建立OCV-AH法SOC估计仿真模型。仿真分析表明开路电压法能有效消除电池自放电对SOC的影响,为安时积分法提供较高准确度的SOC初始值;OCV-AH法在短时间内估计准确度较高,能够满足电池SOC估计的实际需要,但随时间延长,其估计误差有不断增大的趋势。     

电动汽车动力电池SOC估计研究综述

世界环境的恶化和石油能源的匮乏催生了电动汽车,世界各国都在致力于电动汽车的研究。对于纯电动汽车而言,动力电池是影响整车性能的一个关键因素,因此避免电池过充过放,尽量延长电池寿命是至关重要的。合理使用电池的前提是知道电池的容量参数,国内     

电动汽车电池管理系统研究进展

通过对电动汽车电池管理系统典型结构的分析,总结了电动汽车电池管理系统数据采集、荷电状态估计、均衡管理、热管理和数据通讯等模块的功能和实现方法;评述了美国、德国、日本、韩国、加拿大及我国电动汽车电池管理系统的研究现状,在分析各典型电池管理性能特点的基础上,提出了电动汽车电池管理系统的研究发展方向.     

电动汽车电池管理系统研究进展

电池动力汽车作为新型环保型汽车受到了广泛关注。电池管理系统作为电动汽车稳定高效运行的保障,对电动汽车的发展起着关键作用。简单介绍了电动汽车发展研究成果,基于现阶段电池管理系统的发展成果,给出了一种电池管理系统的典型结构,介绍了系统的简单模块分布。重点总结分析了现有的一些SOC估算、热管理及均衡管理的功能及实现方法。通过分析各典型电池管理模块性能特点,提出了对电动汽车电池管理系统的未来展望。     

电动汽车电池管理系统的故障诊断

针对电动汽车电池内部一类具有短时延的故障控制系统,提出一种诊断方案。首先基于观测器的预测状态作为控制器的输入,设计了具有时延补偿及故障诊断的控制系统;然后根据残差产生器的数值与预定阈值对比判断故障是否发生,后置滤波器的设计使得系统对外界干扰的敏感性增强和对加性故障的鲁棒性提高,从而提升故障系统的诊断率;最后通过仿真验证基于观测器的系统设计可很好地诊断出系统故障,保障电池系统的安全运行和诊断准确。     

电动汽车电池管理系统的研究

因为石油资源的逐渐枯竭以及人们环保意识的增强,电动汽车逐渐进入我们的视野。电动汽车不但可以带来便捷的出行服务,还能把对环境的损害降到最低,但是电池电量以及由此带来的续航能力都是困扰其发展的最大障碍。以电池信息的实时采集、电池故障诊断、电量估计以及电池单体之间的均衡供电为主要内容展开研究,证明了电池管理系统对于增加续航和电池使用寿命的有效性。     

新型电动汽车动力电池SOC估计方法研究

利用支持向量回归算法(ε-SVR)非线性逼近能力强、收敛速度快、具有全局最优解的特性,对电动汽车动力电池的荷电状态(State of Charge,简称SOC)估计方法进行了研究,确立了动力电池的电压、电流、输入输出功率与SOC之间的非线性关系.通过对比BP神经网络算法进行了仿真实验.结果表明,利用ε-SVR算法能更准确地逼近实际SOC值,获得更好的估计效果.     

电动汽车SOC估计方法原理与应用

SOC估计是电动汽车电池管理系统的重要功能.研究人员为了提高电动汽车电池SOC估计的准确性做了大量研究工作,采用的主要方法有:放电实验法、Ah计量法、开路电压法、负载电压法、内阻法、线性模型法、神经网络法和卡尔曼滤波法.讨论了电池SOC定义;介绍了各种SOC估计方法的原理及应用中存在的优缺点;分析了充放电倍率、温度、自放电、老化等因素对SOC的影响;评价了各种SOC估计方法.     

基于PSO-SVM的电动汽车电池SOC估算方法

针对常用的SOC估算方法依赖于所建立电池组模型的精确性而没有考虑环境温度对SOC值的影响,基于SVM模型建立相应的电池组SOC估算模型,并用PSO算法优化SVM模型的参数。仿真实验表明,SVM模型的估算效果要优于BP神经网络模型;在对SVM的参数整定中,PSO算法优于网格搜索法。     

电动汽车锂离子电池SOC检测技术的研究

安全、高效的电池是电动汽车的动力源。锂离子电池的荷电状态(SOC)是电动汽车能量管理的重要依据,对电动汽车的安全运行有着直接的影响。以磷酸铁锂电池为研究对象,充分考虑电池温度、充放电次数、电池老化等因素的影响,利用BP神经网络构建出锂离子电池SOC预测模型,并经仿真证明了这种方法的精确度和可靠性。     

基于PSO-BP的电动汽车锂离子电池SOC估算

针对BP神经网络算法对电动汽车锂离子电池荷电状态(SOC)估算的缺陷,提出粒子群(PSO)优化BP神经网络的方法,采用温度、电压、电流、充放电倍率作为PSO-BP神经网络的输入向量,以SOC作为输出向量,进行网络学习和训练,并不断进行神经网络权值、阈值的调整优化。在Matlab中进行仿真验证,实验结果表明BP神经网络算法和PSO-BP神经网络算法均可以使误差减小,但是使用PSO-BP神经网络算法估算SOC效果更优、误差更小、收敛性更佳,可将误差减小到4%以内。     

基于能量守恒的电动汽车氢镍电池SOC估算

电动汽车荷电态SOC的准确预测对于避免电池的不合理应用,限制电池最大放电电流,预测电动汽车的续驶里程等方面至关重要.目前相关研究大多利用电量估算SOC值,以氢镍电池作为研究对象,采用能量守恒方法,并采用开路电压、温度、内阻、循环次数、自放电率等多种因素对其修正估算SOC的值.根据电池数据分别建立影响因素与SOC的静态模型;基于能量守恒建立电池SOC估算的动态模型;使用Matlab进行动态模型的仿真实验,得到电动汽车在实际行驶过程中变电流的仿真结果,仿真结果误差在5％之内.     

用于电动汽车SOC估计的等效电路模型研究

从适用于电动汽车锂离子电池荷电状态(SOC)估计的等效电路模型出发,对Rint、RC、Thevenin、PNGV和GNL等模型进行了归纳和总结,着重介绍了PNGV等效电路模型的基本原理、参数辨识过程及其研究现状。针对PNGV模型,进行模型电路的结构和参数辨识的优化,从而使电池模型在整个生命周期内都能真实且准确地反映出电池的实际属性,将会是今后该领域研究和应用的重点。