Estimation of power battery SOC based on firefly BP neural network

针对BP神经网络算法对电动汽车电池荷电状态（state of charge,SOC）估算的缺陷,提出一种基于萤火虫（firefly algorithm,FA）神经网络的SOC估算方法。以磷酸铁锂电池为测试对象,在ARBIN公司生产的EVTS电动车动力电池测试系统装置上进行测试,收集锂电池的各项性能参数。采用端电压和放电电流作为输入参数,SOC作为输出参数,建立FA-BP神经网络模型,用于估算锂离子电池充放电过程中的任一状态下的SOC。仿真实验结果表明,与现有的BP神经网络估算方法相比,基于FA-BP神经网络的锂电池SOC估算方法准确度高,具备很好的实用性。     

并联锂离子电池组建模及不均衡电流分析

近年来电池储能以其响应速度快、能量密度高等优点,在电力系统中发挥重要作用。为满足实际应用的要求,电池储能系统需要将电池或电池组并联从而达到较高的可用容量,但并联电池在实际中受内阻、容量、荷电状态（SOC）等影响将出现电流不平衡现象,一定程度上制约了电池充放电电流和使用条件,影响了电池性能。针对并联电池组支路电流采集过程繁琐且状态估计复杂的情况,以电池的二阶等效电路为基础,结合回路电流法建立了并联电池组的仿真模型。模型能够根据锂电池的性能参数及状态方程实现并联支路电流的计算,进而估计并联电池组的状态,省去了对并联支路电流的检测环节。同时重点研究了并联电池组的支路不均衡电流现象,以磷酸铁锂电池为例,分析了并联电池组的充电特性。针对并联电池组的支路不均衡电流影响因素较为复杂、难以解耦的特性,采用控制变量法,通过模型详细分析了内阻、容量、初始SOC等因素对支路电流点的影响,为并联电池组的设计、成组优化及性能分析提供了参考。     

Inflection point Ah-total integration method for real-time integration to correct lithium battery SOC

对18650及26650磷酸铁锂电池的充放电电流、电压等数据分析表明：在电池循环老化过程中，虽然容量电压曲线两端曲率最大（拐点）处的SOC值有所变化，但是其电压保持不变。因此在估算SOC过程中，当放电电压达到拐点电压时，将此时的SOC修正为对应的拐点SOC，可以一定程度上优化安时积分法由于初始SOC而估算不准的问题。在此基础上提出一种新型的拐点修正安时积分算法，综合考虑温度、充放倍率、循环老化等因素对SOC估算精度的影响，引入充放电曲线拐点概念，建立SOC实时估算数学模型，减小消除安时积分法存在的累计误差问题。对比传统安时积分法估算精度，结果表明：SOC拐点修正安时积分实时估算法的误差在3%，说明该方法在实际工况中具有可行性，并且估算精度较高，可为SOC实时估算与检测提供重要参考。     

工作温度对磷酸铁锂电池SOC影响及研究进展

储能电池在新能源并网、新能源汽车等产业领域发挥着重要作用,为了对电池进行有效地控制与管理,需要配备必要的电池管理系统,电池荷电状态（SOC）是其中最为重要的一环。磷酸铁锂（LiFePO4,LFP）电池SOC与多个影响因素密切相关,呈强非线性,本文重点归纳温度对磷酸铁锂电池SOC的影响。首先将工作温度对开路电压、实际容量、充放电效率、自放电率及电池老化等电池特性的影响进行归纳总结,随后通过对工作温度的影响规律进行分析、总结和归纳,基于经典“开路电压 + 安时积分”法将温度参数直接或间接引入到SOC的实时估算模型中,得到考虑温度参数的新模型,进而提高电池SOC的估算精度。     

磷酸铁锂电池及其新能源汽车启动电源性能研究

鉴于汽车启动电源铅酸电池存在严重环境污染隐患,本文采用环保型32650圆柱磷酸铁锂电池组装成25.6 V/65 A•h电池组代替铅酸电池应用于汽车启动电源,并分别对磷酸铁锂电池组的常温和低温启动能力、倍率性能和低温放电性能等进行测试。实验结果表明,电池组0.33 C放电容量为67.028 A•h,3 C放电容量为0.33 C放电容量的98.24%,电池组具有较好的倍率性能;电池组在 −30℃放电容量为额定容量的84.7%,具有良好的低温性能;电池组在25℃和 −20℃下以600 A电流放电,单串电池电压均高于放电保护电压;电池组在25℃搁置28 d之后,容量恢复率为99.37%;磷酸铁锂电池组性能均满足汽车启动电源性能要求,可以代替铅酸电池作为汽车启动电源。     

基于磷酸铁锂电池变电站直流系统BMS的研究与应用

磷酸铁锂电池管理单元（BMS）是文中研究的重点,如何把握电池内部状态的变化规律以及外部因素对电池容量的影响、建立合理有效的电池模型和SOC算法、实现SOC在线估计并减少估算误差,是电池安全管理最基本、最重要的方面。电池管理单元（BMS）与变电站直流系统监控器通过CAN通信,能有效的保证磷酸铁锂电池组及整个直流系统安全可靠的工作。     

混合动力汽车磷酸铁锂动力电池建模与SOC计算CSCD

为了准确和方便地研究混合动力汽车中的磷酸铁锂动力电池的性能,基于Thevenin电池模型,考虑了温度对模型的影响,通过库仑计数法估算电池荷电状态（SOC）。针对该电池,通过HPPC试验识别电池模型参数,在Matlab/Simulink中建立物理仿真模型进行仿真计算。研究表明：所使用的Thevenin电池模型精度高,对比模拟和实测端电压结果,两者变化趋势基本相同,端电压平均误差为3.6 V,最大误差为12.6 V,占电池额定电压0.79%,能真实的模拟电池充放电特性;结合库仑计数法计算电池SOC,能有效控制SOC的估算值在高精度范围内。模拟SOC和实测SOC结果进行对比表明,SOC精度保持在3%以内。     

磷酸铁锂电池储能系统平抑风电功率波动研究

针对风力发电出力的随机性和间歇性,提出将磷酸铁锂电池储能系统用于平抑风力发电的功率波动。首先,以PNGV等效电路模型为基础,通过HPPC试验实现电池参数的辨识,建立反映磷酸铁锂电池充放电特性的仿真模型;然后,基于磷酸铁锂电池端电压变化小的特点,提出了电池直接耦合在储能系统直流母线上的拓扑结构,给出了储能变流器的功率解耦控制策略和平抑风能波动的控制目标;最后,利用MATLAB/Simulink软件,建立了风电—储能系统仿真模型。仿真结果显示,磷酸铁锂电池储能系统能有效平抑风力发电的功率波动。     

磷酸铁锂电池在电力系统中的应用研究

磷酸铁锂电池拥有诸多优越的特性,特别是在高功率或大容量电池中具有良好的充放电特性及热稳定性,引起各行各业的广泛关注。通过对磷酸铁锂电池在电力系统中的应用,结合其工作原理与技术特性,分析了磷酸铁锂电池在未来的应用前景,提出了磷酸铁锂电池在电力系统中应用的工作建议。     

基于PNGV模型储能锂电池参数辨识及SOC估算研究

锂电池因具有比能量高、循环寿命长、对环境无污染等优点,在储能系统中已逐渐得到应用.准确估算锂电池的荷电状态(SOC)可防止电池过充、过放,保障电池安全、充分地使用.为了精确估算储能锂电池SOC,基于PNGV(partnership for a new generation of vehicles)电池等效模型,利用递推最小二乘法(RLS)对模型参数进行在线辨识和实时修正,增强了系统的适应性.结合安时法、开路电压法和PNGV模型,提出了一种实时在线修正SOC算法.根据实验数据,建立了仿真模型,以验算模型和SOC估算算法的精度.仿真结果表明,PNGV模型能真实地模拟电池特性,且能有效地提高SOC估算精度,适合长时间在线估算储能锂电池的SOC.     

基于自适应CKF的老化锂电池SOC估计CSCD

锂电池的荷电状态(SOC)估算是电动汽车的系统管理与能量控制的重要参数。在SOC估算过程中,电池参数变化和老化问题会对结果造成很大影响。针对这一问题,在递推最小二乘法算法(RLS)辨识锂电池模型的参数的基础上更新电池容量,通过容积卡尔曼滤波(CKF)估算电池SOC,结合RLS和CKF实现在电池参数发生变化时准确估计SOC。以锂离子电池作为对象,应用所提出的算法实现锂电池的SOC在线估计,验证算法的准确性。     

电动汽车电池组运行参数的显示系统设计

为了使用户和测试人员能直观的监测电池的各项参数,本文以Labview软件为开发环境,利用控制器局域网络(CAN)总线和底层库函数,设计了电池组运行参数的显示系统,并应用于磷酸铁锂电池的实际测试。测试结果表明,本系统能实时的解析并显示电池的电压,电流,温度等参数满足电池调试的应用要求。     

基于在线参数辨识和改进2RC-PNGV模型的锂离子电池建模与SOC估算研究

锂电池荷电状态(state of charge,SOC)的准确估计对电池安全监测与能量的高效利用具有重要意义.提出一种新的验证模型,首先对电池新一代汽车合作伙伴(PNGV)模型进行改进,考虑电池充放电的差异,加入了二极管电阻的并联网络来代替传统PNGV模型的内阻,在此基础上,增加了一个RC的并联网络来表征电池的动静态特性.以三元锂电池为研究对象,通过遗忘因子最小二乘法(forgetting factor recursive least square,FFRLS)对改进模型进行在线参数辨识,并提出了主充电、放电实验对锂电池工作特性进行仿真分析,通过FFRLS-EKF算法在DST工况下对SOC进行估算.实验结果表明,改进的2RC-PNGV模型能够较好地反映锂电池工作特性,HPPC实验的平均电压误差为0.17％,模型具有较高的精度.主充电过程SOC平均估算误差为0.957％,最大估算误差为5.03％;主放电过程SOC平均估算误差为0.807％,最大估算误差为3.38％,表明改进的2RC-PNGV模型与联合估计算法均可用于SOC实际估算.     

Application of lithium ion phosphate battery in 110 kV substation DC power system

本项目选用了两种不同的电池管理模式对磷酸铁锂电池组进行管理,并将组装好的两套电池组应用于110 kV变电站直流系统的日常运行.运行结果表明,磷酸铁锂电池可以在变电站替代铅酸蓄电池使用,并且可以浮充运行;运行过程中,单体电池的电压会由于电池充电态的变化下降或上升;单体电池的内阻呈现先下降再上升的变化;电池组的放电容量随着运行时间的延长出现每年3%左右的衰减(浮充电压为3.6 V);合适的电池管理模式能将电池组内单体电池的电压差保持在较小的范围,有利于电池组长寿命的运行.     

基于LabVIEW的锂电池SOC估计与参数监测系统

文中介绍了一种采用LabVIEW设计和实现的锂电池参数监测与剩余电量(SOC)在线估计的硬件系统。该锂电池监测系统主要功能包括:采集锂电池处于工作状态下的电流、电压参数,显示并存储该参数信息,通过已经求得的精确锂电池模型对SOC进行在线估计并实时显示。将锂电池恒流放电与变流放电时的实验结果与真实值进行比较,验证了该系统参数采集与SOC估计的有效性与精确性。     

Study on the characteristics of second life LiFePO4 batteries

随着电动汽车的快速发展,未来将有大量的动力电池退役,这些淘汰下来的电池仍有可观的剩余容量和寿命,可以在静态储能等领域实现梯次利用。为了提高安全性和输出性能,淘汰下来的动力电池需要在筛选之后重新串、并联成组使用。以二次利用磷酸铁锂动力电池为研究对象,研究在单体电池内阻不一致、剩余容量不一致、初始SOC不一致等情形下,电池组的并联特性,即并联电池组中各电池直流阻抗、电流不平衡度的变化情况。对于实现磷酸铁锂动力电池的梯次利用具有指导意义。     

二次利用磷酸铁锂动力电池并联特性研究

随着电动汽车的快速发展,未来将有大量的动力电池退役,这些淘汰下来的电池仍有可观的剩余容量和寿命,可以在静态储能等领域实现梯次利用。为了提高安全性和输出性能,淘汰下来的动力电池需要在筛选之后重新串、并联成组使用。以二次利用磷酸铁锂动力电池为研究对象,研究在单体电池内阻不一致、剩余容量不一致、初始SOC不一致等情形下,电池组的并联特性,即并联电池组中各电池直流阻抗、电流不平衡度的变化情况。对于实现磷酸铁锂动力电池的梯次利用具有指导意义。     

基于RLS-DLUKF算法的锂电池SOC预测方法研究

本工作以钴酸电池为研究对象,针对锂电池在复杂工况下电流的剧烈变化导致荷电状态(SOC)无法有效预测的问题,建立了以精确参数为基础的双层无迹卡尔曼滤波算法(DLUKF)架构来更精准的估算SOC.首先,以脉冲功率特性实验数据获取二阶电路模型中电池开路电压与荷电状态的函数关系及特性曲线;其次,为增强模型辨识过程中的自适应学习...     

Second-order RC modeling and parameter identification of electric vehicle power battery

建立精确的动力电池模型是电池管理系统（battery management system,BMS）开发过程中的重要环节,电池系统具有较强的非线性特性,其模型参数随多种因素的变化而变化。在电池模型参数辨识过程中,考虑的可变因素越多,辨识结果越准确,但模型的运行速度将降低,影响其实际应用。在各种可变因素中,电池荷电状态（state of charge,SOC）对电池模型参数的影响最为显著,对不同SOC下电池模型参数进行辨识并应用于电池模型,将在提高模型精度的同时保持较好的实时性。本文以动力锂电池为对象,采用二阶RC等效电路模型,通过试验得到电池组在不同SOC下的回弹电压数据,采用最小二乘拟合法辨识不同SOC状态下的模型参数。在此基础上搭建模型参数随SOC变化的实时仿真模型,并对模型进行仿真和试验验证,结果表明模型具有较高的精度和实时性。     

基于CEEMDAN和ISOA-ELM的锂电池荷电状态预测北大核心CSCD

锂电池具有能量密度高、输出电压高、无记忆效应等优点,但过充过放电易引发安全事故,精确预测锂电池荷电状态(SOC)让其工作在最佳状态,具有重要现实意义,本文提出了一种基于自适应噪声集成经验模态分解(CEEMDAN)和数据驱动模型组合预测锂离子电池荷电状态的方法,对锂电池原始电流数据进行模态分解,得到多个子序列模态分量,提出一种基于惯性权重与Levy飞行机制的改进海鸥算法(ISOA),对极限学习机预测模型(ELM)参数进行优化,构建ISOA-ELM锂电池预测模型;训练模型得到锂电池SOC预测结果。实验结果表明,该模型在实际工作中能够更贴合实际SOC,更有利于锂电池工作在最佳状态。