基于神经网络的动力电池SOC研究

利用神经网络进行了动力电池荷电状态(SOC)预测研究。在分析磷酸铁锂电池充放电机理的基础上,采用levenberg-marquardt(LM)算法建立了动力电池的BP(back propagation)神经网络模型,并进行了电池SOC值的预测。结果表明,基于神经网络的电池SOC预测方法具有较高的精度,可用来预测磷酸铁锂电池的SOC值。     

基于QPSO-BP神经网络的锂电池SOC预测

电池荷电状态(state of charge,SOC)的预测是电动汽车电池管理系统的关键任务之一,为此对锂电池荷电状态的预测进行了研究,提出了一种基于QPSO-BP神经网络的锂电池SOC预测.在分析了磷酸铁锂(LiFePO4)电池充放电机理后,运用MATLAB人工神经网络工具箱建立基于量子微粒群算法(QPSO)的BP(back propagation)神经网络模型,用于预测锂离子电池充放电过程中的任一状态下的SOC.仿真实验验证了方法的准确性.结果表明,与现有的神经网络预测方法相比,基于QPSO-BP神经网络的锂电池SOC预测方法准确度高,且具备很好的实用性.     

基于极限学习机的磷酸铁锂电池SOC估算研究

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。     

基于自适应卡尔曼滤波的磷酸铁锂电池荷电状态估计

磷酸铁锂电池荷电状态（SOC）用于表征电池的剩余电量,是电池管理系统的重要参数。对SOC进行准确估计有助于提高电池利用率,保证电池的使用寿命和安全。但是SOC不能直接从外部测量得到,只能通过各种间接的方法求得,因此寻求准确的电池SOC估计算法非常重要。对磷酸铁锂电池进行建模,使用14组电池充放电数据分段进行参数辨识,得到具有广泛适用性的模型参数。基于此模型,运用自适应扩展卡尔曼滤波算法进行SOC估计,克服了常用扩展卡尔曼滤波会受到噪声影响的弊端,并通过仿真分析证明了算法的优越性。     

基于开路电压法的磷酸铁锂电池SOC估算研究

为了提高磷酸铁锂电池的安全性和使用寿命,需要对电池中最重要的参数——荷电状态(state of charge, SOC)进行有效的估算。因此,对电池SOC的估算方法进行研究,通过一种精简的开路电压法可以快速并相对准确地估算磷酸铁锂电池的SOC,相关充放电实验确定了开路电压与电池SOC的对应关系,并分别选用静置前后的开路电压对电池的SOC进行估算。结果表明在磷酸铁锂电池出色的性能基础上,这种简单快捷的开路电压法可以精确地估算其电池的SOC。     

磷酸铁锂电池SOC估算方法研究

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。     

电动汽车磷酸铁锂电池最佳SOC工作区研究

磷酸铁锂电池由于寿命长、安全性能好、成本低,已经成为电动汽车的理想动力源和能量源。电池的荷电状态(SOC)是影响电池性能及使用寿命的主要因素之一,以10 Ah磷酸铁锂电池单体为研究对象,对其开路电压、极化电压、电池内阻进行了实验研究。结果表明,当电池单体SOC在20%~90%时,磷酸铁锂电池的电压和内阻变化平稳,确定为电池的最佳工作区。     

基于LPV理论锂离子电池SOC估算研究

以磷酸铁锂电池为研究对象,在进行了电池特性实验的基础上确定电池电压特性以及开路电压与SOC关系。以二阶等效电路模型为基础,结合LPV理论及EKF原理,在Simulink中搭建电池仿真模型,实现了电池模型参数与SOC的联合估算,设计实验验证了模型的正确性。并嵌入整车模型模拟运行,电池SOC工作区间符合控制策略,设计的磷酸铁锂电池SOC估算方法可行有效。     

磷酸铁锂动力电池循环寿命预测方法

针对粒子滤波循环寿命预测算法对磷酸铁锂动力电池长期预测效果较差问题,通过神经网络对电池历史数据进行学习,将训练学习值作为观测值代入粒子滤波算法中,修正粒子状态值;针对磷酸铁锂电池动态方程中寿命没有直接与观测值建立联系的问题,推导了关于电池寿命与容量观测值的后验概率关系,得到蒙特卡洛方法下的后验概率密度关系,给出了电池寿...     

基于小波神经网络算法的锂电池荷电状态预测∗

为了提高锂电池的使用寿命,提出一种基于小波神经网络的荷电状态 (StateofCharge,SOC)预测方法. 分析了马里兰大学 K２锂电池测试数据,在此基础上建立基于小波神经网络算法的锂电池SOC预测模型,然后对比预测值与实际值的误差,检验了预测模型的准确性,实现对锂电池 SOC的预测.试验结果表明,基于小波神经网络算法的锂电池SOC预测精度优于传统的 BP神经网络.该研究成果为锂电池SOC准确预测提供了一种新的预测方法.     

典型蓄电池的建模与荷电状态估算的对比研究

研究不同蓄电池荷电状态(state of charge,SOC)的变化特征有助于在实际应用过程中对蓄电池类型进行选择。基于铅酸电池、磷酸铁锂电池、全钒液流电池3种典型蓄电池模型,采用电池容量修正过的改进安时计量法和改进安时-卡尔曼预测法(Ah-Kal法),对各电池在不同充放电模式下,用MATLAB软件编程得到两种估算方法下的SOC变化曲线。通过SOC对比曲线可以发现铅酸电池的自放电较严重,循环寿命短;磷酸铁锂电池可迅速提供大功率;而全钒液流电池适合作为长期大容量储能支持。同时,改进安时计量法和Ah-Kal的估算结果基本相同,验证了Ah-Kal法的正确性。     

磷酸铁锂锂离子电池SOC的电流脉冲探测

在不同荷电状态(SOC)下,研究磷酸铁锂(LiFePO4)锂离子电池对充放电电流的响应程度,确定几组响应最强烈的电流.将电池组在实际装车运行中该电流下的脉冲数据与电池管理系统中的数据对照,作为辅助方法对当前计算的SOC进行校正,然后采取合适的策略对电池组均衡.试验证明,电池组的容量提高了10％以上.     

自适应神经模糊系统的LiFePO_4电池SOC预测

利用自适应神经模糊系统(adaptive neuro-fuzzy inference system,ANFIS)对电动汽车磷酸铁锂(LiFePO4)电池荷电状态(state of charge,SOC)预测研究。在分析ANFIS结构原理基础之上,采用BP(back-propagation)算法和最小二乘估计的混合算法分别建立两输入变量和三输入变量的ANFIS预测模型,并利用两种模型进行SOC预测。实例预测结果表明ANFIS能精确预测磷酸铁锂电池SOC值,且三输入变量ANFIS模型预测精度得到改善;与实测相比,三输入ANFIS预测模型的最大绝对误差在1%以下,平均百分比误差(average percentage error,APE)小于2%。     

锂离子电池正极材料的性能研究

对电动自行车用锂离子电池正极材料的电性能和交流阻抗特性进行了分析研究。结果表明,LiFePO4和LiMn2O4两种材料各有优点和不足之处,LiFePO4电池的高温性能和荷电保持能力较好,而大电流放电能力和低温性能较差。LiMn2O4电池的大电流放电能力较好,高温荷电保持能力较差。     

10Ah LiFePO_4锂离子电池高温贮存性能研究

锂离子电池贮存性能近来越来越得到重视。考察了不同充电状态、不同贮存温度的LiFePO4锂离子电池的剩余容量、恢复容量、内阻、充放电平台以及充放电循环寿命。结果表明:在磷酸亚铁锂电池使用时,80%荷电状态的电池贮存性能好于100%荷电状态的电池,而且从安全性考虑,满电态贮存的电池危险性也很大。     

基于BP神经网络法估算动力电池SOC

精确估计电动汽车用动力锂离子电池荷电状态(SOC)对于电动汽车的续航里程的估计和动力电池的安全保护具有重要的意义。针对锂离子电池的非线性关系,采用BP神经网络法来估算SOC。以3.2 V/100 Ah的磷酸锂铁电池为研究对象,在恒温条件下采用Arbin BT2000系列的充放电测试仪进行充放电实验采集原始数据,并将数据导入到神经网络模型中去训练和验证。验证结果表明:用BP神经网络法估算SOC的误差能控制在5%以内,验证了模型的准确性,为相似的SOC估计算法的改进提供参考和依据。     

基于PSO-ELM的储能锂电池荷电状态估算

对锂离子电池荷电状态(SOC)进行准确估算是保证电池管理系统安全稳定运行的关键。常用的安时积分法存在累积误差,卡尔曼滤波算法需要建立精确的电池模型,神经网络法不依赖具体的锂电池模型,能够反映锂电池的非线性关系,因而受到广泛关注,然而传统神经网络估算SOC训练时间长、精度低。针对以往电池SOC估算精度低等问题,文中提出粒子群(PSO)优化极限学习机(ELM)神经网络的方法。以电池电压、电流和温度作为PSO-ELM模型的输入向量,以SOC作为输出向量。将实验获得的数据导入模型进行训练和测试,采用PSO对ELM随机给定的输入权值和隐含层阈值进行寻优。仿真结果表明,与BP神经网络的预测结果相比,文中估算SOC的方法具有更高的精度。     

水性LiFePO4/C正极的制备及其性能的研究

采用商品化的LiFePO4/C作为原料,使用水性黏结剂将此正极材料制成电极,利用扫描电镜对该电极制备前后活性材料的表面形貌进行了对比分析,并通过组装成2016扣式锂离子电池来考察该水性正极的电化学性能。通过循环伏安扫描、交流阻抗测试及恒电流充放电测试对电池的性能进行分析,结果表明,所制备的水性LiFePO4/C正极具有较好的电化学性能。且水性黏结剂工艺性能良好,可以考虑代替成本高且对环境有污染的有机黏结剂使用。     

盖帽结构对LiFePO4动力电池性能的影响

以磷酸铁锂(LiFePO4)、中间相碳微球为正、负极材料,采用功能性电解液,制备了10 Ah铝壳磷酸铁锂动力电池,研究了一体式盖帽和非一体式盖帽对电池的性能影响.结果显示,采用一体式盖帽的电池,平均内阻为2.0 mΩ,最大放电倍率10 C,最大充电倍率为5C,5C倍率常温循环600次后容量保持率为86.4％;采用非一体...