铅酸蓄电池模型研究及SOC模糊估计

为了深入研究铅酸蓄电池在充放电过程中内阻等特征参数的变化,首先,基于铅酸蓄电池的工作机理建立蓄电池充放电模型,并进行不同倍率的充放电实验;其次,基于实验数据建立各模型参数与SOC之间的函数关系,同时对BP神经网络模型进行训练以实现SOC的精确估计。最后,结合铅酸蓄电池充放电模型和BP神经网络模型仿真铅酸蓄电池充放电过程,仿真结果和实际结果吻合,有助于对铅酸蓄电池内阻等特征参数的研究。     

基于改进型LMBP神经网络方法对蓄电池荷电状态的预测

针对变电站中因过度充放电而导致阀控式铅酸蓄电池寿命短且利用率低的问题,通过改进型LMBP神经网络模型对铅酸蓄电池的荷电状态(SOC)进行预测,能够加快计算速度与精度,有效提升蓄电池的寿命与使用率。在Matlab环境下对铅酸蓄电池放电过程进行仿真研究的结果验证了,改进型LMBP型神经网络算法能有效提高SOC的估算精度,延长电池寿命。     

基于EKF算法的铅酸蓄电池SOC在线估计

针对快速充电设备需要快速、准确检测蓄电池荷电状态(SOC)的应用需求,在分析传统SOC估计方法不足的基础上,采用了扩展卡尔曼滤波法进行铅酸蓄电池SOC的估计。通过对铅酸蓄电池充放电过程的分析,基于改进的Thevenin模型,建立了7-HK-182型铅酸蓄电池的等效电路模型。通过Matlab仿真,对比安时积分法估计SOC数据,验证了扩展卡尔曼滤波法能够实时、准确估计蓄电池SOC的变化。     

基于高阶非线性模型的铅酸蓄电池SOC估计

铅酸蓄电池在电动汽车和蓄电池储能系统等领域有着广泛的应用,提高铅酸蓄电池荷电状态(SOC)估算的精度具有重要的意义。本文针对目前SOC估算方法中电池等效模型复杂、相关参数难以确定等问题,提出了一种新型高阶非线性拟合开路电压的SOC估计方法,通过拟合恒流充放电工况下的开路电压(OCV)–SOC曲线,建立适用于变电流充放电工况下的铅酸蓄电池模型,并结合扩展卡尔曼滤波算法(EKF)对电池的SOC进行估算。仿真和实验结果表明该方法能够实现铅酸蓄电池的高精度SOC估算。     

基于EKF算法的蓄电池等效电路模型参数仿真研究

蓄电池在充放电过程中,其内部存在着复杂的电化学反应,导致蓄电池荷电状态（SOC）及各个参数是多维、非线性的关系。因此,本文基于7-HK-182型铅酸蓄电池建立等效电路模型,进行参数辨识。在此基础上,采用扩展卡尔曼滤波（EKF）算法,利用Matlab软件对蓄电池SOC及各个参数进行实时仿真,通过仿真与实验结果对比验证了EKF算法的实时性与准确性。     

基于粒子群的模糊神经网络铅酸蓄电池SOC估计

研究估计变电站阀控式铅酸蓄电池荷电状态(SOC)的方法。采用模糊神经网络对蓄电池的荷电状态预测建立模型,然后利用粒子群算法对网络中的连接权值、隶属度函数进行优化,用蓄电池在不同倍率下的充放电实验数据训练网络,根据训练好的网络模型对蓄电池SOC进行了预测,最后将预测结果与传统模糊神经网络预测结果进行对比。结果表明:该方案达到了对蓄电池荷电状态准确预测的目的,且预测误差小,具有良好的实用性。     

基于Simulink-s函数的铅酸蓄电池动态模型仿真

介绍了一种基于铅酸蓄电池的三阶动态模型,并对其采用Simulink的S函数进行了仿真研究。考虑到铅酸蓄电池充放电特有的非线性及温度特性,建立了蓄电池的荷电状态、放电深度与充放电电流电压之间的动态关系。Simulink中可用S-Function方便灵活地构建各种自定义仿真模型,使用Simulink中的S-Function builder模块快速构建了蓄电池动态模型。仿真结果表明,铅酸蓄电池的三阶动态模型完全能够满足应用需求。     

太阳能光伏发电系统中蓄电池SOC预测模型及监控方法研究

建立了一种基于反向传播(BP)神经网络算法的阀控密封式铅酸蓄电池(VRLA)的剩余容量(SOC)预测模型,利用MATLAB仿真对三层BP网络模型的性能进行了校验,采用由TMS320F28335为核心组成的硬件控制电路对VRLA蓄电池组进行了实时数据采集,依据预测出的SOC值和控制电路,实现对蓄电池组的放电工作状态的智能监测与控制,保证了系统的经济、高效、安全可靠运行。监测控制系统具有蓄电池SOC预测,端电压、充放电电流等参数实时监控,数据传输及状态显示等功能,具有较高的实际应用价值。     

太阳能风能发电系统中铅酸蓄电池建模与仿真

介绍了一种基于铅酸蓄电池的三阶动态模型,并对其进行了建模仿真。该方法充分考虑到铅酸蓄电池充放电特有的非线性、复杂性和对温度敏感性等特点。在仿真的过程中,阐述了蓄电池的荷电状态、放电深度和充放电电流电压,它们关系到太阳能、风能互补发电系统中能量的流动。从仿真的结果来看,铅酸蓄电池的三阶动态模型是能够满足以上要求的。     

基于MIV-GA-BP神经网络的铅酸蓄电池SOC预测

建立了铅酸蓄电池充电过程中SOC的神经网络预测模型,采用平均影响值(M1V)算法对预测模型的输入变量进行了分析和筛选.在MIV算法的基础上,比较了基于遗传算法优化的BP神经网络(MIV-GA-BP)与传统MIV-BP神经网络对蓄电池充电过程中SOC的预测误差.测试样本的验证结果表明,MIV-GA-BP神经网络模型对蓄电池充电过程的SOC预测精度更优.     

蓄电池充放电管理的全过程仿真研究

为了实现蓄电池不同充放电控制策略之间的切换,提出了一种基于蓄电池荷电状态(state of charge,SOC)实时监测的蓄电池充放电管理的控制方法。在考虑蓄电池的动态数学模型基础上,研究了蓄电池的SOC监测、充放电特性曲线、充放电控制电路、充放电管理策略和电池的分组管理等问题。以蓄电池的SOC作为蓄电池充、放电判断条件,实现了蓄电池进行自主充、放电管理的控制策略。利用PSCAD/EMTDC仿真软件,通过算例系统验证了蓄电池模型和充放电控制方法的正确性和有效性。研究表明,通过合理的蓄电池充、放电管理及切换,实现蓄电池充放电全过程,为蓄电池组无论作为独立电源还是在微网孤岛模式下与其他间歇性能源相配合使用均提供了一定的理论参考。     

基于RBFNN的船用铅酸蓄电池SOC预测方法研究

目前预测铅酸蓄电池荷电状态(SOC)的算法很多,这些算法各有特点。根据船用铅酸蓄电池的特点,本文比较分析了这些方法的预测效果,提出了利用径向基神经网络(RBFNN)算法预测船用铅酸蓄电池SOC的方法。并利用某型船用铅酸蓄电池的实验数据,对其SOC进行了预测。结果表明:利用该算法预测船用铅酸蓄电池的SOC,精度高,操作简便。     

一种电动车铅酸蓄电池SOC预测模型及检测系统的设计

针对电动车铅酸蓄电池SOC预测精度低的问题,给出了一种基于模糊预测技术的蓄电池SOC预测模型,该模型利用电动势和内阻结合预测蓄电池SOC。建立了蓄电池电动势、内阻和SOC的隶属度函数,确定了26条模糊控制规则。仿真结果表明,预测值与实际值相对误差最大为5%左右。在此基础上,设计了以C8051F020单片机为中央处理器的铅酸蓄电池组智能检测系统,该系统具有蓄电池SOC预测,端电压、充放电电流等参数在线检测和数据传输等功能。实际车辆试验结果表明,利用这种SOC预测模型可有效的提高预测精度,系统具有参数检测误差小、数据传输可靠性高等特点,具有很好的应用价值。     

阀控式铅酸蓄电池的等效电路模型和参数辨识

电池模型是研究电池性能的重要工具,根据阀控式铅酸蓄电池的特性,建立一种能反应其内部特性的二阶RC电路等效模型。然后根据模型,推导出能够反映出电池性能的开路电压和内阻。设计伪随机序列作为模型激励,对铅酸电池在特定条件下的充放电实验进行模拟,利用基于遗忘因子的最小递推二乘法进行模型参数辨识。通过端电压比较法对辨识结果进行验证,结果表明:采用M序列作为激励的参数辨识方法,能够准确有效地辨识阀控式铅酸电池等效电路模型的参数,并可以对其参数的获取提供理论基础与支持。二阶等效电路模型及基于递推最小二乘算法的模型参数的辨识结果可以精确地进行充放电过程仿真。     

微电网中蓄电池的建模与控制仿真研究

建立合理的蓄电池动态模型对于研究其在微电网运行时的动态性能具有十分重要的意义。介绍了一种基于铅酸蓄电池的3阶动态模型,并在MATLAB/SIMULINK平台中建立了相应的仿真模型,分析了该模型在充放电过程中的动态特性。基于P/Q解耦控制原理实现了蓄电池并网,并将蓄电池应用于平抑分布式电源的功率波动。仿真结果验证了模型的合理性及控制策略的有效性。     

基于模糊控制的铅酸蓄电池SOC预测方法研究

研究铅酸蓄电池荷电状态(SOC)的预测方法,是合理地对铅酸蓄电池进行充电和放电的关键。采用一种智能控制方法,即模糊控制法对铅酸蓄电池的SOC进行预测及Matlab仿真。根据同一情况下的实验数据对模糊预测模型的参数进行了调整。验证了模糊预测模型的合理性和精确性。     

基于容量修正的阀控式铅酸蓄电池SOC估计

阀控式铅酸蓄电池(valve regulated lead acid battery,VRLA)广泛应用于储能系统中,准确估算其实时荷电状态(state of charge,SOC),对确保铅酸蓄电池安全供电具有重要意义。铅酸蓄电池的工作环境温度对其容量的影响不可忽视,然而,现有的SOC估算方法常将电池总容量视作固定值,这就导致了估算误差会随着环境温度的变化而积累,严重影响了SOC的估算精度。提出了一种基于容量修正的SOC估计方法,通过研究电池容量随温度的变化规律,引入了温度补偿对电池总容量进行修正。在此基础上,结合扩展卡尔曼滤波(EKF)算法进行不同温度下的SOC实时估计,并对容量修正后的SOC估计值与一般算法SOC估计值进行比较。仿真和实验结果表明,所提出的SOC估算方法能够提高不同环境温度下的铅酸蓄电池SOC估计精度。     

纯电动汽车电池管理系统及SOC精确估计

基于阀控式密闭铅酸蓄电池,设计了一套纯电动汽车电池管理系统。依据Randles二阶等效电池模型,应用扩展卡尔曼滤波算法,对电池荷电状态(SOC)进行估计,并将估算结果与传统的安时积分和开路电压结合算法进行比较分析,经实验与仿真验证,此法对预测SOC值有较高的精确度和可靠性。     

基于卡尔曼滤波器的蓄电池荷电状态估算

通过蓄电池的端电压、内阻和放电电流等可测量与荷电状态(state of charge,SOC)之间的对应关系,建立端电压-电阻模型并以最小二乘法进行模型系数辨识,运用卡尔曼滤波算法进行蓄电池SOC最优估算。以铅酸蓄电池为对象进行仿真实验,得到的放电折算效率为1.067 8。实验结果表明该方法具有很好的精确度,能用于估算蓄电池的SOC。     

铅酸蓄电池充电状态的模糊模型辨识

应用模糊建模方法,基于三角形隶属函数和静态卡尔曼滤波器,辨识出铅酸蓄电池充放电过程的动态模型。并把辨识模型的仿真结果与系统实验测量数据相对比,以检验模糊模型的可靠性。实验结果表明,这种新的蓄电池建模方法具有很高的精度,为高度复杂的非线性电化学过程的模型化提供了一条新途径。