混合动力汽车电池管理系统SOC估算策略

电池荷电状态(state of charge,SOC)是电池管理系统的重要参数,也是混合动力汽车动力系统分配的重要依据,准确地估算电池荷电状态具有重要意义。按照传统电量状态定义电池SOC的估算方法不能满足蓄电池变电流放电工况的需求,为了解决这一问题,采用能量守恒原理对电池SOC重新定义,基于修正的Thevenin等效电路,在Matlab/simulink环境下,建立了电池的动态充、放电模型,通过仿真分析,证明新的SOC估算策略能够满足蓄电池在大电流和变电流放电工况下SOC的估算,提高了电池SOC估算的精度。     

基于ANN的锂离子电池SOC估算方法研究

锂离子电池的荷电状态(SOC)是电池管理系统中的一个重要参数,准确的荷电状态估计对于确保锂离子电池安全可靠的运行十分重要。从估算原理和优缺点等方面出发,综述了国内外各种基于人工神经网络的SOC估算方法的研究进展,并提出了今后的研究展望。     

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。     

改进电池SOC估算方法研究

针对传统的荷电状态(SOC)估算方法估算动力电池荷电状态精度不高,对混合动力系统中动力控制器的正常运作有很大影响,使得节能效果大大降低,从四线法和能量守恒定律对电池内阻测量出发,提出了一种改进的电池SOC估算方法,该估算方法不但能够估算电池恒定大电流和小电流放电,同时也非常适合变电流放电工况,在变电流放电工况下,新的电池SOC估算方法的估计值误差明显小于5%,因此具有较高的估计值精度。     

蓄电池SOC估算方法综述

电池荷电状态(state of charge,SOC)是电池管理系统(Battery Management System,BMS)的重要参数,准确估算电池SOC具有重要意义。首先分析了一般SOC定义存在的问题,提出以电能代替电量定义SOC更能准确描述在各种工况下动力电池的荷电容量;其次将已提出的估算方法分为开路电压法、安时积分法、高级估算方法和复合方法等四类,并对各自优缺点和适应工况进行分析。提出充分利用数据挖掘和数据融合技术将BMS记录的历史数据用于SOC估算,有助于提高计算精度和适用范围。     

基于双无迹卡尔曼滤波的锂电池SOC估算

锂电池荷电状态(SOC)估算是电池管理系统的重要内容之一.为了提高SOC估算精度,以二阶RC等效电路为模型,采用双无迹卡尔曼滤波(DUKF)算法对电池模型参数和SOC进行在线联合估算.通过恒流放电测试、动态应力测试(DST)和不同初始SOC值的鲁棒性测试,验证了所提方法的准确性和稳定性.     

电池管理系统SOC估算方法研究进展

随着电动汽车的快速发展,动力电池荷电状态估算越来越重要,其主要作用与传统的燃油汽车油量表一样,能够给驾驶员传递电池剩余电量的信息,并告知驾驶员汽车接下来的续航里程,从而能够有效提高电动汽车的整体性能。介绍了电池荷电状态一般定义、主要影响因素以及动力电池的等效模型;详细介绍了目前国内外用于估算SOC的主流方法以及各方法取得的结果,并总结了电池SOC估算方法。     

基于门控循环单元神经网络和Huber-M估计鲁棒卡尔曼滤波融合方法的锂离子电池荷电状态估算方法

锂离子电池作为重要的储能元件,其荷电状态(SOC)直接影响所在系统的运行状态。为了实现对锂离子电池SOC的精确估算,提出一种基于门控循环单元神经网络(GRU-RNN)和Huber-M估计鲁棒卡尔曼滤波(HKF)融合方法的锂离子电池SOC估算模型。该方法利用Huber-M估计改进卡尔曼滤波器的鲁棒性,并将基于GRU-RNN所估算的锂离子电池SOC值作为改进卡尔曼滤波器的观测量。在两组锂离子电池数据集上分别进行锂离子电池SOC估算实验。实验结果表明,基于GRU-RNN和HKF融合方法的锂离子电池SOC估算模型不仅能够准确地实现锂离子电池SOC估算,而且能够降低测量误差及异常值对估算结果的影响,使锂离子电池SOC估算结果快速且精确收敛。     

基于动态工况下电池SOC估算的研究分析

锂离子电池作为电动汽车常用的动力源,电池荷电状态(State of Charge,SOC)直接反映了电动汽车的运行安全状态,因此准确估算电池SOC具有重要意义。通过采用扩展卡尔曼滤波(Extended Kalman Filter,EKF)算法原理,建立戴维宁(Thevenin)等效电路模型,并结合Matlab算法程序的方法对动态工况下的电池SOC进行估算分析,验证了该EKF算法程序的准确性和可行性。估算结果表明,采用该方法对动态工况下的SOC估算具有很好的估算效果,估算精度平均可达97%。     

基于滤波算法的锂电池SOC估算方法对比分析研究

电池荷电状态(State of Charge,SOC)作为电池管理系统中的重要参数之一,为保证电池管理系统的安全可靠和延长电池循环使用寿命,准确估算SOC具有重要意义。通过建立戴维宁(Thevenin)等效电路模型,结合卡尔曼滤波(KF)和扩展卡尔曼滤波(EKF)算法,实现对锂电池SOC估算精度进行对比研究。仿真结果表明,EKF算法仿真估算SOC精度明显高于KF的估算精度,估算精度可达2%。