一种电动车铅酸蓄电池SOC预测模型及检测系统的设计

针对电动车铅酸蓄电池SOC预测精度低的问题,给出了一种基于模糊预测技术的蓄电池SOC预测模型,该模型利用电动势和内阻结合预测蓄电池SOC。建立了蓄电池电动势、内阻和SOC的隶属度函数,确定了26条模糊控制规则。仿真结果表明,预测值与实际值相对误差最大为5%左右。在此基础上,设计了以C8051F020单片机为中央处理器的铅酸蓄电池组智能检测系统,该系统具有蓄电池SOC预测,端电压、充放电电流等参数在线检测和数据传输等功能。实际车辆试验结果表明,利用这种SOC预测模型可有效的提高预测精度,系统具有参数检测误差小、数据传输可靠性高等特点,具有很好的应用价值。     

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。     

基于多因素的储能系统剩余电量估计方法

蓄电池的电量是储能系统的关键运行参数,决定储能系统的正常运行。为准确估计蓄电池的电量,减小估计误差和波动幅值,在蓄电池传统电量估计方法的基础上,提出了一种基于蓄电池电动势内阻和端电压加权组合与安时法修正的多因素分阶段电量估计新方法。在铅酸蓄电池、储能逆变充放一体机所组成的储能系统上分别对传统电量估计方法、电动势内阻和端电压加权组合法、电动势内阻和端电压加权组合与安时法修正的多因素分阶段电量估计法进行了实验,并将实验结果进行比较分析,发现电动势内阻和端电压加权组合与安时法修正的多因素分阶段电量估计法的电量估计最大误差绝对值为2.23%,且误差波动幅值标准方差为0.838 5,表明该方法可以实现储能系统铅酸蓄电池电量的精确估计,验证了其有效性。     

基于内阻预测的阀控铅酸蓄电池故障预警方法

阀控铅酸(VRLA)蓄电池的故障影响电源的供电可靠性,而内阻是反映蓄电池运行状态的重要参数。提出基于蓄电池预测内阻及其变化率的故障预警方法,分析电池内阻变化原因,量化蓄电池内阻的影响因素,采用长短时法神经网络(LSTM),以充放电状态、电压、电流、温度作为输入量,构建蓄电池内阻预测模型,并根据电池内阻预测值及其变化率预判电池故障原因,发出蓄电池预警信号。试验结果验证了所提电池内阻预测模型误差在3%以内,基于电池内阻预测模型的蓄电池故障预警方法有利于蓄电池安全稳定运行。     

基于LIBSVM的铅酸蓄电池荷电状态估计

研究准确预测蓄电池荷电状态(SOC)的方法对于快速、准确调节充电装置的动态充电过程具有重要意义。从基于测量蓄电池端电压和内阻实现预测其SOC出发,研究了基于卡尔曼滤波提高蓄电池端电压、内阻和充放电电流测量准确性的方法,在此基础上,进一步提出利用LIBSVM支持向量机基于蓄电池端电压、内阻和SOC的训练样本数据,建立反映其非线性映射的回归预测模型建模方法。最后通过实验数据验证了所提SOC预测模型建模方法的可行性。与利用BP神经网络预测SOC的结果对比表明,基于相同训练样本,所提方法建立的预测模型具有SOC估计预测误差小,对蓄电池宽运行范围的SOC评估具有良好适用性等特点。     

模糊C均值聚类在蓄电池SOC预测中的应用

针对铅酸蓄电池数学模型难以建立以及荷电状态精确预测问题,本文提出了一种利用模糊C-均值聚类算法对蓄电池SOC控制器参数及结构进行辨识的建模方法。通过对蓄电池电动势、内阻等实时数据进行聚类分析,能够有效地实现输入空间划分并能够有针对性地生成模糊控制规则,在此基础上构建了完整的荷电状态预测控制器。通过铅酸蓄电池放电实验验证了该预测方法的有效性。     

电动汽车动力电池模型及SOC预测方法

简要介绍了铅酸蓄电池的电化学过程,提出了一种考虑温度影响的动态R-Q电池模型,并在此基础上建立了一种新的基于状态空间的SOC递推算法。对电池的两种放电过程仿真计算表明,该算法精确可靠,计算速度快,易于实现,适合电动汽车上使用。基于状态空间的SOC预测方法通过电池稳态开路电压来计算SOC,在电池充放电循环过程中没有误差累积,同样可用于其它类型的动力电池。     

阀控式铅酸电池老化实验及其失效性预测方案

为了实现对阀控式铅酸蓄电池失效性的有效检测,建立了以内阻变化率为依据的预测模型。根据电池老化实验,所测得的电池内阻,电压,充放电流,温度等数据进行回归分析。通过回归分析得到蓄电池内阻随放电时间的关系,推导出内阻的变化率函数。同时根据大量的实验数据分析、估计出当蓄电池内阻增加到其基准值的30%,放电容量达到80%时的斜率值范围,并根据内阻变化率来建立预测模型。实验结果表明:阀控式铅酸蓄电池内阻随着时间变化趋势接近三次函数和指数函数,以内阻变化率来建立模型预测蓄电池失效时期比内阻更加可靠和精确。     

基于卡尔曼滤波器的蓄电池荷电状态估算

通过蓄电池的端电压、内阻和放电电流等可测量与荷电状态(state of charge,SOC)之间的对应关系,建立端电压-电阻模型并以最小二乘法进行模型系数辨识,运用卡尔曼滤波算法进行蓄电池SOC最优估算。以铅酸蓄电池为对象进行仿真实验,得到的放电折算效率为1.067 8。实验结果表明该方法具有很好的精确度,能用于估算蓄电池的SOC。     

基于直流二次放电法的蓄电池内阻测试

内阻是反映变电站阀控铅酸蓄电池综合性能的重要参数之一。对比当前阀控铅酸蓄电池内阻测试的几种方法,研究了基于IEC标准的直流二次放电法的内阻测试方案。开发了一套适用于多型号、大容量阀控铅酸蓄电池的内阻测试装置,介绍了装置的硬件设计方案,采用闭环智能控制技术和双负载电阻实现大电流的精确控制,给出了软件界面及工作流程图。通过对河北南部电网变电站蓄电池的实际测试,证明装置满足不同容量和型号的阀控铅酸蓄电池内阻的测试准确性和一致性要求。     

基于谐波阻抗测量在线估测蓄电池荷电状态

现行内阻法估测蓄电池荷电状态时,需要对被测蓄电池实施大电流放电操作以测量其欧姆内阻,在线检测时可能对用电负载造成安全隐患。针对这一问题,提出一种基于谐波阻抗测量技术在线估测蓄电池荷电状态的方法：对被测蓄电池实施周期性的小电流放电操作,测量放电过程中的放电电流与蓄电池端电压,经傅里叶分析计算出蓄电池的谐波阻抗,对谐波阻抗数据进行数值拟合得到蓄电池的欧姆内阻,最终实现对蓄电池荷电状态的在线估测,从而避免现行方法所需要的大电流放电操作。     

铅酸蓄电池动态特性配组研究

铅酸蓄电池一般采用恒流-恒压法充电,充放电曲线充分体现了电池的容量、内阻、表面升温、电极极化程度等.动态特性.介绍的动态特性配组法利用容量、海明距离和相关系数等指标进行模糊聚类分析,综合考虑了充电曲线和放电曲线,比单独采用放电曲线的特性配组更可靠.     

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。     

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。     

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.     

一种新型SOC估计算法的研究

在建立电池管理系统的过程中,动力电池荷电状态(SOC)的实时测量和估计很关键。分析了各种电池SOC估算方法的优缺点,提出了一种实时检测电池端电压作为判断电池充电状态的电压-安时计量算法。由该算法构成的电量计能实时、准确计算电池的电量和SOC,保证了动力电池在电动汽车应用中的安全、可靠运行。     

面向不同电流工况的锂离子电池改进EECM研究

锂离子电池是新能源汽车动力系统的核心,基于模型的电池管理系统(battery management system,BMS)是保证电池性能充分发挥的关键。然而现有BMS主要采用等效电路模型(equivalent circuit model,ECM),尚未考虑放电倍率对可用容量的影响机制,导致模型在不同放电倍率下以及低荷电状态(state of charge,SOC)区域会存在明显的端电压仿真误差,影响算法精度;尤其是BMS无法准确估计电池放电截止条件,剩余放电电量(remaining discharge capacity,RDC)估计误差大,可能导致电池电压骤降甚至整车抛锚等严重后果。针对以上问题,文中以考虑内部扩散机制的扩展等效电路模型(extended equivalent circuit model,EECM)为基础,对不同倍率的放电电压容量增量(incremental capacity,IC)曲线进行对比分析,利用能斯特方程构造不同放电倍率下的容量-开路电压曲线,提出改进的EECM。所提改进EECM在不同电流倍率和动态工况下的端电压仿真误差均小于传统ECM和EECM,可以提高RDC估计的准确性,有应用于实际BMS的潜力。     

基于模糊优化决策的锂电池SOC估计

为了提高动力锂电池的使用效能和整车性能,需要准确估计动力锂电池的荷电状态(SOC),在研究分析常用SOC估计方法的基础上,根据开路电压法和卡尔曼滤波算法的特性,引入T-S模糊模型,建立了基于模糊优化决策的锂电池SOC估计方法,通过仿真验证,可有效提高锂电池SOC估计的精度。     

基于自恢复效应电池放电模型及其应用研究

现有电池SOC预测方法,大都基于开路电压、开路电流等外电路或者测量电源内阻的方法,而没有考虑到电源的内在特性,尤其没有考虑电池的自恢复效应的影响,且大都采用恒压、恒流放电的工作模式,难以实现对电池SOC的动态预测。针对电池SOC预测方法的缺点,提出了一种包含有电池自恢复效应的电池SOC动态预测方法:提出一款包含有电池自恢复效应的动态电池模型,基于此电池模型提出了计及电池自恢复效应的动态放电模型,并论述了此放电模型与自恢复效应的关系,仿真结果表明,本预测方法具有较高的预测精度,且可实现动态预测。