基于改进Kalman滤波和安时积分的SOC复合估算

针对当前SOC估算算法中,安时积分法初始值难以估计、库仑系数拟合复杂和卡尔曼滤波法电流变化较快时易出现估值发散的问题,提出了基于闭环反馈的改进卡尔曼滤波算法和基于库仑系数拟合的改进安时积分法相结合的复合估算方法;在闭环卡尔曼滤波稳定状态时,选取此时SOC作为改进安时积分的初始值,后进行改进的安时积分。该方法避免了电流变化时卡尔曼滤波所引起的SOC估值发散问题,通过对12 V阳光A412/50 A电池进行仿真测试,其估值精度达到1.5%。     

人工神经网络和安时法电池SOC估计

结合安时法估算电池SOC,用BP神经网络估计公式中需要的参数。电池的初始SOC用开路电压法获得,库仑效率的变化可以在估计电池电容时得到体现,其值设定为1,用循环次数和SOC值对电池充放电效率进行网络估计。用温度和电池的平均放电电流对电池电容进行网络估计。通过实验和估计得出在20℃下,新方法的误差在2.89%左右,-20℃下误差在3.25%左右,误差范围满足应用的需要。     

新能源汽车SOC估算的模糊预测算法研究

电池荷电状态（SOC）是新能源汽车最重要的参数之一。在估算SOC的安时计量法原理公式中,库仑效率η难以实时准确测量,且其受到温度、电池老化、充放电电流、电池内阻变化率的影响,从而时刻发生变化。构建T-S模型,考虑各因素对η的影响,利用模糊聚类预测法,对η进行计算。经过实验验证并结合对传统安时计量法的仿真,将二者对比放电实验结果,方法将SOC计算精度提高到了3.4%。此方法解决了安时计量法中库仑效率η难以准确测量的问题。     

基于SOH及离线数据分段矫正的锂电池SOC估计

锂离子动力电池在电动车辆上应用时,受工况、环境等随机因素影响,SOC具有很强的时变非线性,对电动车辆动力电池SOC估计进行研究具有理论意义和应用价值。安时积分法是目前工程中常用的SOC估计方法,在应用过程中存在的难点是积分过程中累积误差的消除。首先利用电池健康状态估算出电池当前时刻的实际可用容量,作为安时积分法中的除数项,对SOC估计值进行矫正;其次,利用离线数据对安时积分法中的累积误差进行分段消除。仿真结果表明,所提方法比传统的安时积分法具有更高的精度,能够较好地消除累积误差。     

一种分阶段锂离子电池荷电状态估计算法

为了解决安时积分法无法估计电池荷电状态(SOC)初值以及在电池充放电后期估计误差明显增大的问题,基于纯电动物流车平台提出了分阶段处理思想。根据电池系统的工作状态,将估计过程分为启动初期、充放电中期和充放电后期。在启动初期和充放电中期,结合开路电压法与安时积分法来估计电池组SOC,并对安时积分公式中的相关参数进行修正。在充放电后期,应用充放电曲线修正充放电后期SOC,对安时积分法估计SOC的不足进行补偿。搭建了锂离子电池组充放电测试平台,并进行了电池组放电实验。结果表明,SOC估计误差在4%以内,并能够满足电池管理系统优化控制的应用需求。     

一种简化的锂离子电池SOC估计方法

为了克服安时积分法和开路电压法估计电池SOC的缺点,使用扩展卡尔曼滤波法将安时积分法与开路电压法结合起来。使用Thevenin等效电路电池模型作为扩展卡尔曼滤波法的模型基础,提出简化扩展卡尔曼滤波器过程噪声协方差和测量噪声协方差的方法,使电池SOC估计误差接近开路电压法的水平。最后,通过DST实验验证提出的电池SOC估计方法。     

锂电池SOC估算方法的研究

安时积分法是电池管理系统比较常用的一种方法,但是电池受初始荷电状态(SOC)、使用环境温度、充放电循环次数等影响较大。通过实验方法确定各种因素对电池SOC的影响,建立影响电池SOC的数学模型;经过与实际的充放电数据比较得到实际SOC误差低于5%,满足煤矿井下对大容量锂电池管理系统SOC估算的要求。     

球形钛酸镍的制备及其电化学性能表征

钛酸镍(NiTiO3)是一种新型锂离子电池负极材料,采用溶胶.沉淀法可制备尺寸均匀、表面粗糙的球形NiTiO3颗粒.将制备的球形NiTiO3作为锂离子电池负极材料,具有良好的电化学性能,在0.1 C(50mA/g)时,其初始充电比容量约为375.6 mAh/g,库仑效率为52.1％;第二次充电比容量为331.3 mAh/g,库仑效率为90.9％;在1C时,其初始充电比容量为295.4mAh/g,经过前十次电池活化,循环20～100次的容量基本没有衰减,容量保持率高达99.7％.将球形NiTiO3与片状石墨复合,可提高首次库仑效率,改善循环性能,增加电子导电率,减小电池极化,有利于NiTiO3锂离子电池负极材料的工业应用.     

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。     

基于实车数据的电动汽车电池健康状态估计

针对实际工况下电动汽车电池充放电电流不稳定,难以获取满充满放数据带来的电池健康状态估计困难的问题,研究以容量作为健康状态评价指标,以安时积分逆过程计算的深度充电片段电池容量及实车运行特征数据为数据样本,建立特征数据和容量之间的机器学习模型,得到剩余充电片段容量的估计,提出了一种结合安时积分法和机器学习模型对全时间段电池健康状态进行估计的方法.模型评价结果表明,该方法合理有效,对实际工况下电动汽车电池健康状态的实时估计有重要意义.     

基于集成ELM的锂离子电池充电截止电压下的SOC和SOH联合估计

充电截止电压是大多数电动汽车用户充电都会经历的电压点。针对传统安时积分法忽略初始容量误差和电池老化等一系列待优化的问题,提出了双层集成极限学习机(extreme learning machine, ELM)算法,实现锂离子电池充电截止电压下的荷电状态(state of charge, SOC)和健康状态(state of health, SOH)联合估计。首先,提取易测的电池健康特征(health indicator, HI),采用集成极限学习机映射HI及充电所需时间与SOH之间的关系。其次,用测得的HI估计难以在线测量的充电所需时间,对充电截止电压下安时积分法的SOC进行在线修正。该方法充分考虑了电动汽车用户初始充电状态的不确定性,指导电动汽车用户合理充电。此外,通过选择合适的集成ELM模型集成度,解决了单个ELM模型输出不稳定的问题。最后,选用NASA和CALCE数据集进行实验验证。验证结果表明,锂离子电池充电截止电压下SOC的估计均方根误差均小于1.5%,集成ELM相比于其他常见算法具有较高的训练、测试精度和较短的预测时间。     

基于BP神经网络的镉镍电池放电特性预测

为准确预测镉镍蓄电池的放电特性,采用安时积分法预测剩余容量,再以电池工作温度、放电电流、剩余容量为输入量,工作电压为输出量,建立基于Levenberg-Marquardt(LM)算法的BP神经网络模型,经过训练及检验,该模型的预测结果准确,相对误差小于0.5%。实验表明,该模型在温度-20~60℃和放电电流33~165 A能精确预测电池的剩余容量和工作电压,进而准确建立了蓄电池温度、剩余容量、放电电流和工作电压之间的映射关系。     

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%。     

钴酸锂智能电池管理系统的FPGA实现

针对飞行器地面控制设备锂离子电池组的智能管理系统实现复杂、可靠性差问题,研究了基于FPGA的结构简单、可靠性高的锂离子电池智能管理系统。该智能电池管理系统的被动平衡管理模块能自动处理电池过冲过放问题,提供精准的满电停充标志;采用改进的安时积分法进行SOC测量,充分考虑电池的老化情况。经试验测试,智能电池管理系统的SOC模块能够达到专业的电池管理芯片容量测算精度,平衡管理模块能够有效延长电池使用时间,有效抑制过冲。     

车用锂离子动力电池SOC的预测研究

为了估算锂离子动力电池的荷电状态(SOC),在对影响SOC值的因素及传统SOC估算方法分析的基础上,依据实际情况,采用了一种新思路,即将电池的工作状况分为静止、恢复、充放电三种状态,分别对三种状态进行SOC估算。在估算过程中分散并消除影响SOC值的因素,特别在充放电状态下,使用了以库仑效率因子为基础的电量的动态恢复量对安时计量法进行改进,解决了安时计量法会产生累积误差的问题。经实验表明,此方法提高了电池SOC计算的精度,达到了动力汽车的应用要求。     

基于大数据的电池特征参数提取和SOC估算方法

运维系统是保障电池储能电站安全、高效运行的重要支撑工具，电池荷电状态(state of charge, SOC)的精确估算是运维工具依赖的关键技术之一。针对储能电站应用领域的电池特性参数和电池SOC获取问题，使用基于大数据的电池特征参数提取方法，利用电池历史数据提取SOC、电压、电流等参数的对应关系，可对“开路电压法+安时积分法”估算方法的初始荷电状态SOC₀和实际可用容量Q_a进行修正。该方法可以有效提高运维工具对储能电站等应用领域中电池SOC的实时估算精度。     

动力电池预估方法研究进展

估计是电动汽车电池管理系统的重要功能。动力电池在使用过程中,对荷电状态准确地进行估算可以有效提高电池的使用效率,提高电池的使用寿命。电池不能直接测量,需要通过其它参数和方法间接获得。研究人员为了提高电动汽车电池估计的准确性做了大量研究工作,采用的主要方法有：安时积分法、开路电压法、神经网络法和卡尔曼滤波法及其改进的方法等。主要介绍了各种估计方法的原理及应用中存在的优缺点,评价了各种估计方法。     

嵌入式电动自行车电池管理系统设计

分析了锂离子电池在电动自行车行业应用中存在的瓶颈,设计了以BQ77PL900为模拟前端,以MSP430为核心,能实现电压精确测量,扩展高低温保护,带有故障诊断、荷电状态(SOC)估算及数据记录功能的低功耗电池管理系统。系统使用安时积分法结合温度进行SOC估算,使用完整充放电法结合循环次数进行容量修正。设计了完备的数据记录功能,通过CAN总线上传电池SOC和使用信息。通过实验验证了电池管理系统的可靠性、稳定性及SOC算法的精确性。     

基于EKF-AH联合算法的锂离子电池荷电状态估算

估算算法先进性与否是影响锂离子电池荷电状态(SOC)估算准确度的重要因素。用扩展卡尔曼滤波(EKF)算法估算锂离子电池SOC时在低容量区和估算后期误差较大,为此将EKF算法和安时积分法(AH)相结合,提出EKF-AH联合算法。选用恒流放电及动态工况对联合算法进行实验验证。结果表明,在两个实验工况下对SOC的估算误差分别小于2%和3%。因此EKF-AH相比于EKF,估算精度提高。     

动力电池SOC预估方法研究进展

SOC估计是电动汽车电池管理系统的重要功能。动力电池在使用过程中,对荷电状态准确地进行估算可以有效提高电池的使用效率,提高电池的使用寿命。电池SOC不能直接测量,需要通过其它参数和方法间接获得。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:安时积分法、开路电压法、神经网络法和卡尔曼滤波法及其改进的方法等。主要介绍了各种SOC估计方法的原理及应用中存在的优缺点,评价了各种SOC估计方法。