共查询到20条相似文献,搜索用时 0 毫秒
1.
电池的荷电状态(State of charge,SOC)是锂电池组电池管理系统的重要参数,而电池的SOC估算受到很多因素的综合影响,难以保证其估算精度。准确的电池模型是精确估算SOC的基础,通过对电池模型的改进、模型参数的实时更新,提高了模型参数的精确度;修正的扩展卡尔曼滤波并结合修正的安时积分法,减小了温度、充放电倍率等因素的影响,从而提高了SOC估算的精度。 相似文献
2.
3.
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。 相似文献
4.
磷酸铁锂电池SOC估算方法研究 总被引:15,自引:2,他引:15
磷酸铁锂电池宽的电压平台和严重的两端极化不利于SOC的估算,但电池的SOC对电池组不一致性和寿命有着重要的影响,因此本文在磷酸铁锂电池的现有SOC估算分析基础上,研究了反应电池电化学特征的伏安特性曲线,提出了不同充电倍率、不同老化程度下可靠和准确的△Q/△V分析方法,利用电池在充电过程中的峰值△Q修正电池SOC值。为电动汽车电池组在线均衡和智能电池系统的管理策略提供依据。 相似文献
5.
锂电池荷电状态(SOC)的准确估算是制约电动汽车发展的关键技术。基于Thevinin模型建立状态空间方程组,将无迹卡尔曼滤波(UKF)应用到锂电池SOC估算中,通过无迹变换(UT)的方式避免对非线性状态方程的线性化,在不增加系统求解复杂度的前提下提高滤波精度,实现非线性条件下锂电池SOC的准确估算。仿真实验结果表明,UKF估算锂电池SOC的整个过程误差控制在1%以内,其精度明显高于拓展卡尔曼滤波(EKF)的4%,实现了锂电池SOC估算精度的提高,更适用于电动汽车锂电池SOC的估算。 相似文献
6.
7.
8.
9.
现有电网侧储能系统在参与区域互联电网二次调频任务的过程中,由于其响应速率快、运行时间长,故需要建立一种能反映短时储能极化且长时运行下电池电荷状态(SOC)估算准确的电池模型。为此,本文利用自变量SOC与锂电池内部各项应变量参数的关系,提出了一种动态变参数锂电池的建模方法。首先对单体锂电池状态方程进行离散化得到参数可变的动力电池(PNGV)模型;然后采用典型储能单元级联方案对单体电池进行扩容,最后利用修正卡尔曼滤波法对模型中的SOC估算方法进行改进;最后利用MATLAB/ Simulink软件设计电池储能系统间歇性充放电实验,并在二次调频工况下对比了不同储能单元模型的差异。结果表明:本文可变参数模型在拟合实验中误差不超过1.4%,SOC估算在长时间运行工况仿真中精度比传统估算提高9.7%。本文为研究储能参与二次调频相关控制策略提供了更为精确的锂电池模型。 相似文献
10.
11.
以锂电池的荷电状态估算为目的,对传统锂电池等效电路模型进行改进,提高了模型的准确性,使之能更好地反应锂电池内部状态。以标称容量为2 000 m Ah,额定电压为3.7 V的18650锂电池作为研究对象,采用最小二乘法分别对该锂电池模型进行充放电方向的参数辨识。运用双卡尔曼滤波算法估算锂电池的SOC,并设计了基于安时计量法的相关测试实验。研究结果表明,双卡尔曼滤波算法估算18650锂电池SOC的绝对误差值小于0.019,具有较高的估算精度,在锂电池SOC估算领域内具有很高的实用价值。 相似文献
12.
13.
14.
电池荷电状态(SOC)是动力电池的重要参数,提出了双变结构滤波算法,实现动力锂电池SOC的高精度估算。采用一个变结构滤波对电池Thevenin模型进行参数辨识与高阶多项式对OCV-SOC非线性特性进行建模;虽然变结构滤波估算SOC时能有效保证收敛,为了进一步提高变结构滤波SOC估算精度,对另一个变结构滤波参数进行模糊化处理,提高变结构滤波自适应性,提出了模糊-变结构滤波算法,实现SOC状态的精确估算。基于Arbin电池测试平台,仿真结果表明所提出的双变结构滤波能有效提高SOC估算精度,其SOC估算的最大绝对误差1.50%,平均绝对误差0.09%。 相似文献
15.
基于EKF的锂电池SOC估算与试验研究 总被引:1,自引:0,他引:1
《电源技术》2015,(12)
锂离子电池以其无泄漏、无污染、无噪声等优点,近年来广泛应用于工业及生活领域。目前常用的基于扩展卡尔曼滤波(EKF)的锂电池SOC(荷电状态)估计方法由于建模不准确而导致估计结果误差较大,严重影响到电池管理系统的性能及整机系统的控制。针对该问题,采用精度较高的Randles模型,并在拟合电池的OCV(开路电压)-SOC曲线时通过引入自然指数函数并增加多项式阶数等方法提高拟合精度。使用EKF对锂电池SOC进行估计,与理论结果相比模型改进后估计误差的标准差比改进前下降了64.43%。试验结果表明通过改进电池模型大大提高了基于EKF方法的锂电池SOC估计精度,对于提高电池管理系统以及整机系统性能具有重要意义。 相似文献
16.
SOC(state of charge)的准确估算是电池管理系统的重要目标之一。针对传统神经网络方法在磷酸铁锂电池SOC估算中存在计算复杂、学习时间过长的问题,提出了一种新的基于ELM(extreme learning machine)的电池SOC估算方法。利用电池充放电系统完成磷酸铁锂电池在不同电流下的放电实验,获得实时测量的电压、电流。运用实验获得的数据对模型进行训练和预测,将预测效果与BP(back propagation)神经网络和SVM(support vector machine)进行对比,研究ELM在SOC预测中的可行性和优势。经分析可知,基于ELM的磷酸铁锂电池荷电状态估算模型的精度更高,并且网络训练速度得到大幅提升。 相似文献
17.
18.
随着电动汽车产业的迅速发展,实时掌握动力蓄电池所处荷电状态,保证电池长期处于良好工作状态成为当前研究重点。由于锂电池充放电过程中复杂的电化学反应,电池荷电状态(SOC)与其影响因素呈现非线性动态关系,导致难以实时精确估算SOC。本文中,基于扩展卡尔曼滤波(EKF)修正算法对动力蓄电池SOC进行估算,并与传统算法进行比较。结果表明,该算法有效解决了采用安时积分法难以估计SOC初始值和累计误差的问题,大大提高了估算精度,使最大估算误差保持在2.0%以内。 相似文献
19.