基于遗传神经网络的电动汽车锂电池SOC预测

针对传统方法在电动汽车锂电池荷电状态（State of Charge,SOC）预测中的局限和不足,提出了一种基于遗传神经网络的电池SOC预测算法.该算法的整体方案首先给出了车载锂电池状态监测系统的软硬件实现,在该系统上以不同的放电倍率对磷酸铁锂电池进行了放电实验,获取了其放电过程中电压、电流和SOC的样本数据,然后利用遗传算法全局寻优能力对神经网络中的连接权值和阈值进行了优化,用实验所得的样本数据训练BP神经网络,根据训练好的神经网络对锂电池SOC进行了预测并将其与真实SOC进行对比,以验证算法的可行性.研究结果表明,该方案可通过电压、电流的实时测量值获知锂电池的剩余电量,具有收敛速度快、预测误差小、适应范围广的特点,有效解决了电动汽车锂电池的SOC预测问题.     

电动汽车车载SOC测量及续驶里程的研究

为了测量采用锂离子动力电池组的电动汽车的剩余电量并估计其续驶里程,设计了一套电池SOC(荷电状态)的车载测量系统.该测量系统基于开路电压法与安时计量法,实现了电压、电流的实时采集,根据测量出的SOC可换算成剩余续驶里程并在液晶仪表上实时显示.车载试验表明,相比其他电量计量系统,该系统实用可靠.     

基于卡尔曼滤波的HEV电池剩余电量的估计

为了准确估计混合动力电动汽车(HEV)电池剩余电量,减少运行过程中的累积误差,引入了卡尔曼滤波方法.在电池等效电路模型的基础上,以电池消耗的电能量为系统状态,电池工作电压为观测量,根据扩展卡尔曼滤波递推算法原理,推导出电池剩余电量的EKF-K估计算法,并进行实验分析,结果表明,与常用电池剩余电量的计量法相比,该方法能够实时而准确地估计出电池剩余电量.     

电池均衡的HEV动力电池电量计量方法

针对混合动力电动汽车(HEV)电池能量均衡中的电容量计量问题,建立电池放电过程的数学模型,分析电压均衡计量法和SOC均衡计量法在电量计量方面的特点和不足,提出相对剩余电能量K均衡计量法,并从理论与实验两方面对此进行论证.     

基于扩展卡尔曼粒子滤波算法的锂电池SOC估计

锂电池荷电状态用来描述电池剩余电量的多少,进而反映电动汽车的续驶里程,是电池管理系统中的核心参数。电池循环次数、瞬间大电流以及温度等因素都会使电池特性发生变化,使用扩展卡尔曼滤波算法对电池荷电状态进行估计,会有较大的误差甚至导致算法不收敛。为了有效地抑制发散以及噪声的影响,基于锂电池混合噪声模型,应用扩展卡尔曼粒子滤波算法对锂电池荷电状态和电流漂移噪声进行同步估计。最后根据充放电试验数据进行仿真分析,结果证明了该算法的优越性。     

纯电动汽车电池管理的开发与应用

简要介绍了搭载磷酸铁锂电池的电动汽车电池管理系统与整车的关系,分析了磷酸铁锂电池的充放电特性,阐述了电池管理系统的结构,对于电池电量(SOC)的估算做出阐述,根据应用经验估算出电池可循环使用寿命(SOH),通过大量实验数据说明了电池的充放电特性,这些特性对于电池管理系统的开发具有积极意义.     

不同放电倍率下锂电池SOC估算分析研究

电动汽车作为新型节能环保的交通工具之一,以常用磷酸铁锂电池为研究对象,分析电池欧姆内阻是否对荷电状态(State of Charge,SOC)的估算存在影响。通过不同放电倍率的混合脉冲功率特性(Hybrid Pulse Power Characteristic,HPPC)实验对电池欧姆内阻进行了分析和辨识,并提出了一种实时修正欧姆内阻的原理和方法,以建立等效电路模型和滤波算法方法实现了在不同放电倍率下的SOC估算,报告了不同放电倍率下欧姆内阻对估算SOC及汽车容量信息显示存在影响的现状。研究结果表明,电池欧姆内阻对SOC估算及电动汽车剩余容量信息的显示具有直接的影响。     

新能源汽车动力电池SOC建模研究

电池管理系统(BMS)主要是通过对电池能量的监测有效控制,提升电动汽车续航里程,是电动汽车的核心组成部分。本文以磷酸铁锂电池为研究对象,提出基于对电池SOC的一种其等效电路电池模型,并提高其精度。     

纯电动汽车动力电池SOC研究综述

荷电状态(State of Charge,SOC)是纯电动汽车动力电池的一个重要参数。准确的SOC值不仅为驾驶员提供有效的剩余电量参考,还可以提高动力电池能量的使用效率。由于动力电池充放电过程受多个因素的影响,所以主要研究了SOC的定义、动力电池模型及对比了各种SOC估算方法的优缺点,目的是寻找出高效可靠的SOC估算方法,给出未来动力型锂电池SOC的研究方向。     

电动汽车磷酸铁锂电池组热特性研究

电池作为电动汽车的能量来源,在使用过程中会产生大量的热而影响电池的工作性能和使用寿命.分析并计算了磷酸铁锂电池的产热量和产热率,利用ANSYS建立了某型磷酸铁锂电池组的热模型,并对该电池组进行了热特性分析;对电池组的热管理提出了改进方案,通过建模仿真验证了改进方案的有效性.     

车辆用锂离子动力电池特性分析

为了更好地制定整车动力电池系统的充放电策略,充分发挥动力电池性能,减缓电池衰减;以电动车辆上运用最广泛的磷酸铁锂电池和三元镍钴锰酸锂电池为研究对象,对电池的电压、内阻、倍率性能和静态存储容量衰减特性进行分析总结.结果表明:LFP和NCM两类电池因材料不同,特性差异较大,容易受温度、电量SOC影响,所以在制定充放电策略时...     

快充型磷酸铁锂电池在纯电动客车中的应用

随着纯电动汽车研究的深入,快充型磷酸铁锂电池独特的储能特性正日益受到人们的重视。文章在介绍快充型磷酸铁锂电池的特性、工作原理的基础上,阐述了选型依据及相关计算,并给出应用该型电池的优势。     

一种双电源电动汽车的能量管理策略

纯电动汽车采用锂电池+超级电容的双电源,供电方案是解决其动力性、经济性不足的有效方法。但双电源纯电动车的能量分配策略关系到整车电池安全性等各方面,为此以磷酸铁锂电池组+超级电容器组混合双电源电动汽车测试平台为研究对象,提出一种基于逻辑门限的能量分配策略,并完成了不同工况下系统能量分配策略的测试。实验结果表明:所提出的能量分配策略在双电源电动汽车的制动、加速、巡航等阶段能合理地分配各部分能量,提高能量回收效率和整车动力性能。     

基于CFD的锂电池温度场仿真

建立了锂电池热特性的三维数学模型.将结构复杂的锂电池当成一个整体获取其热物理参数,同时采用分段线性插值的方式考虑比热容、导热系数随电池的SOC(荷电状态)的变化.利用商业CFD软件FLUENT对锂/二氧化硫单体电池进行了三维温度场仿真计算,分析了电池热物理参数的变化、放电电流以及散热环境对电池温度分布的影响.     

基于扩展卡尔曼滤波的锂离子电池荷电状态估计

针对电池荷电状态（SOC）难以准确估计的问题,采用扩展卡尔曼滤波方法来提高SOC的估计精度。首先以磷酸铁锂电池为研究对象,建立了电池的PNGV等效电路模型,并采用充放电实验和离线辨识的方法得到模型中的参数,得到了开路电压、欧姆内阻、极化内阻和极化电容与SOC的多项式函数关系;然后,对模型进行验证,并分析了模型的准确性;最后,在实际工况下,运用扩展卡尔曼滤波方法估计锂离子电池的SOC值,并与安时法计算的SOC值进行比较。结果表明,PNGV模型结合扩展卡尔曼滤波方法估计的锂离子电池SOC值的最大误差仅为2.78%,提高了电池SOC的估计精度。     

电动汽车动力电池SOC估算研究

电动汽车的电池性能直接影响到整车性能,而SOC(state of charge)估算是电池管理系统的重要功能,也是急需解决的技术难点。为了估算锂电池的荷电状态SOC,基于电池外特性的实验数据,建立电池等效电路模型。在MATLAB中搭建电池模型,并研究卡尔曼滤波算法对Ah计量法估算SOC的修正作用。结果表明:所选择的电池复合模型能有效地模拟电池特性,结合开路电压法、Ah计量法和卡尔曼滤波法的SOC估算算法能有效地解决SOC初值估算不准和累计误差的问题。     

磷酸铁锂电池快速充电技术

本文基于磷酸铁锂电池,介绍了磷酸铁锂电池作为电动车电池的优点和磷酸铁锂电池的充电特性,介绍了快速充电技术的进展,详细介绍了各种基于磷酸铁锂电池的快速充电技术。     

基于融合修正SOC算法的家用储能BMS系统设计

本文基于融合修正SOC估计算法,设计了一种用于家用储能的电池管理系统(BMS)。基于家用储能系统BMS主从拓扑结构及磷酸铁锂电池的特性,设计了一种以NXP单片机(MC9S12)和TI电池管理芯片(BQPLA455A)为核心的BMS。该BMS可实现对多路电池电压、温度采集及均衡控制;同时,可根据采样数据利用融合修正SOC算法进行SOC计算。根据测试实际数据,将通过电池组实际电压、温度值与系统采样值,对电池均衡效果及SOC进行分析。试验结果证明,设计的BMS具有较高的采样精度和采样速度,均衡控制合理,SOC估算值误差较小,验证了本文所设计家用储能BMS的可用性。     

纯电动汽车并联式双电池能量分配双模糊控制策略

纯电动汽车采用单一电源或者动力电池-超级电容复合能源作为车载能源时,在动力性能、续驶里程等方面存在着不足,为此文中对铅酸电池-锂电池双电池进行了研究。针对并联式铅酸电池-锂电池双电池的能量分配问题,研究了常用的模糊控制策略,并提出了改进的控制方案—双模糊控制策略,在ADVISOR上建立了其仿真模型与不同车载能源及相应能量分配控制策略进行仿真对比,实验结果表明:采用并联式铅酸电池-锂电池双电池以及改进的能量分配双模糊控制策略能更有效的提高纯电动汽车动力性能和能量利用效率,有效的延长纯电动汽车续驶里程,同时也可避免因某电源电量不足或突然掉电而导致汽车无法正常行驶的情况发生。     

基于融合算法的车载锂电池荷电状态估计

动力电池的荷电状态(State Of Charge,SOC)是电池管理系统(Battery Management System,BMS)的关键内容。本文采用遗传算法(Genetic Algorithm,遗传算法)和BP神经网络(BP neural network)相结合的方法对动力锂电池进行荷电状态估计,通过从NASA中提取的锂电池充放电数据进行训练和测试得到的SOC估计值与真实值的对比分析,基于这种融合算法的锂电池SOC估算误差在2.5%以内,验证了提出的电池估计方法的有效性。