电动车用电池动态性能分析及剩余容量预测

电动车用动力电池剩余容量(SOC)的精确的实时辨识,是电池管理系统的一个关键技术.为有效的对电池剩余容量进行预测,文中对湖南大学开发的纯电动汽车(EV-3)所使用的镍氢动力电池组作充放电性能测验,给出了电流、电压、容量曲线,实验证明镍氢电池是现阶段较适合用于电动汽车的动力电池.并在此实验基础上,利用开环电压与剩余容量的对应关系,运用广义回归神经网络(GRNN)建立蓄电池的电压降模型,并进一步建立反向传播网络(BP网络)得到了开路电压与剩余容量的对应关系,网络预测结果和实验数据误差较小.实验和仿真结果证明人工神经网络可以建立一个精确而有效的SOC智能预测系统.     

电动汽车动力电池组SOC均衡控制算法仿真

采用当前算法均衡控制电动汽车动力电池组的SOC(电池荷电状态)时,得到电动汽车动力电池组SOC估计值与实际值之间的误差较大,并且存在SOC估计精准度低和控制效果差的问题。提出电动汽车动力电池组SOC均衡控制算法,建立电动汽车动力电池组的Thevenin等效电路模型,在Thevenin等效电路模型的基础上采用扩展卡尔曼滤波算法估算电动汽车动力电池组的SOC,引入标准差判断电动汽车动力电池组的工作状态,根据判断结果对电动汽车动力电池组SOC进行均衡控制。仿真结果表明,所提方法估算SOC的精准度较高、均衡控制效果好,均衡控制后电动汽车动力电池组的容量利用率较高。     

基于免疫遗传算法的动力电池SOC估计研究

锂离子动力电池SOC（电池荷电状态）难以直接测量且由于高度非线性所导致估计误差较大。为了减少动力电池SOC估计误差,提高估算精度。在分析了锂离子动力电池电压、温度、电流和放电电量对电池SOC影响后,提出一种新颖的免疫遗传算法（Immune Genetic Algorithm,IGA）和BP神经网络相结合的锂离子动力电池SOC值联合估计方法,该方法首次使用在锂离子动力电池SOC值估计中,采用新颖的免疫遗传算法通过对BP神经网络进行参数寻优,优化网络结构模型,增强神经网络自适应学习效率。通过仿真和动力电池实际工况下实验,结果表明使用新颖的联合估计算法提高了网络的运行效率和电池SOC值估计精度,估计均方根误差控制在2%以内,验证了这一联合估计算法的可行性和有效性,解决了动力电池SOC值估计误差较大的问题。     

基于外特性的动力电池参数估计与建模

针对工程中动力电池内部参数无法直接测量的问题,提出一种基于电池外特性的内部参数估计方法,并在此基础上建立动态电池模型,预测电池输出电压。对电池路端放电电压分段分析,通过线性拟合计算电池欧姆电阻,采用基于控制参数的平滑方法估算开路电压有效值,结合Thevenin等效模型估算电池极化阻抗,通过安时积分法计算SOC,构造SOC与电池参数的函数关系,总结经验公式,搭建电池预测模型。通过实验预测不同工况下18650锂电池的电压响应,结果验证了模型的准确性。     

基于levy飞行优化BOA-BP网络的电池SOC估计

目前电动汽车动力输出的来源主要是动力电池，其荷电状态（State of Charge,SOC）表示电池的剩余电量情况，精确估算SOC对于电池的使用安全有重要意义。将蝴蝶优化算法（Butterfly Optimization Algorithm,BOA）进行改进并用于优化BP神经网络估算动力电池SOC，解决了普通BP网络估计SOC时遇到的训练时间长、收敛慢、精度较低、易陷入局部最优解的问题；同时提升了全局搜索速度，选取电压和电流为输入变量、SOC为输出变量，根据误差的大小调整神经网络的权值和阈值。仿真结果表明，优化后得到的SOC估计结果误差率控制在1.1%以内，该方法寻优速度快，具有更好的鲁棒性。     

基于Simulink的锂电池建模仿真

针对锂离子电池SOC(荷电状态)难以估算的问题,通过对电池建立等效的Thevenin电路模型,对不同时刻的SOC的模型参数进行拟合得到动态的模型参数,在Matlab中借助Simulink建立仿真模型,采用模块化结构,建立基于卡尔曼滤波算法的电池SOC估算系统;利用测得的电池电压电流,仿真系统可直接估算出实时的电池SOC,与实际的电池SOC对比,误差保持在2.5%以内,表明该方法可以有效地估计电池的SOC,对于锂离子电池在实际应用的容量估算有着重要意义。     

动力电池SOC估算复杂方法综述

荷电状态(SOC)是动力电池管理系统的重要参数。准确估算动力电池SOC是促进电动汽车发展的关键技术。因为动力电池的工作环境复杂多变,传统方法难以准确估算其SOC。首先分析了SOC估算的影响因素,然后对不断改进的复杂方法进行了综述,分析并对比各自的优缺点。最后对动力电池SOC估算复杂方法进行总结并提出展望。     

基于GA-BP神经网络的动力锂电池SOC估算

为提升新能源汽车的整车动力性、经济性以及安全性,更精确估算车用锂电池的荷电状态值(SOC),以纯电动汽车动力锂电池为研究对象,采用遗传算法(GA)优化BP神经网络,解决了误差逆传播存在的收敛速度慢、全局范围搜索能力弱、容易陷入局部极小值等缺陷,同时建立了基于GA-BP算法的SOC值预测神经网络模型,通过仿真实验与传统BP算法进行对比,验证该算法兼顾神经网络学习速度、误差小、全局搜索能力并满足动力电池SOC值估算要求。     

基于小波变换的卡尔曼滤波动力电池SOC估算

混合动力电动汽车的动力电池和电池管理系统的工程实际应用环境是非常恶劣的,导致信号采样过程中包含大量的系统噪声和测量噪声.因此,提出一种基于小波变换的卡尔曼滤波动力电池SOC估算方法,通过在一系列充放电实验所建立的动力电池系统模型上,利用小波变换自相似过程的去相关作用和多尺度多分辨的特性对噪声进行抑制,实时对测量信号多尺度滤波分解,再采用卡尔曼滤波的迭代递推的线性无偏最小方差估计特性对电池SOC进行估算.实验结果表明,提出的基于小波变换的卡尔曼滤波SOC估算方法效果优于标准的卡尔曼滤波算法,在实际工况中,具有较强的适应性.     

基于Vmin-EKF的动力锂电池组SOC估计

动力电池组的荷电状态(SOC)是电动汽车能量控制的重要参数.针对串联锂电池组的SOC估计问题,建立电池组的Vmin状态空间模型,电池组内单体电池负载电压的最小值Vmin和电池组的SOC分别作为模型的观测变量和状态变量.应用扩展卡尔曼滤波算法,实现对SOC的动态估计.对模拟电动汽车的实际工况进行电池组放电实验,结果表明,该方法能实时准确地估计电池组SOC.     

基于BP神经网络的蓄电池充电控制优化研究

为了对蓄电池的充放电控制过程进行优化,根据其物理模型和化学反应机理,在Simulink环境中搭建铅酸蓄电池的三阶动态仿真模型.设置不同的实验测试条件,分析不同条件对蓄电池端电压和荷电状态(SOC)的影响.依据马斯最佳充电理论,基于BP神经网络算法控制蓄电池的充电电流,并与分阶段变流充电方式进行对比.实验和仿真测试结果表明,所建模型的准确率高,新型充电控制策略能更好地逼近马斯充电曲线,达到提高充电效率和延长蓄电池使用寿命的目的.     

基于CARMA模型的动力电池荷电状态估计

为完善电动汽车电池管理系统的主要功能,实现对电池准确建模及荷电状态(state of charge,SOC)的准确估计,文章基于二阶RC等效电路建立了一种受控自回归滑动平均模型(controlled auto-regressive moving average,CARMA),推导得到电池开路电压(open circuit voltage,OCV)的最优估计,并结合分段建立的电池OCVSOC模型实现电池SOC估计,从而实现了电池模型参数在线实时辨识以及SOC实时估计,解决了因初值设定不合理而影响SOC估计准确度的问题。仿真结果表明:在美国联邦城市运行工况下,SOC估计误差的绝对值不超过2.39%,实现了较为准确的SOC估计。     

基于布谷鸟搜索优化神经网络的锂电池荷电状态预测

锂电池荷电状态(SOC)的预测是电动汽车锂电池管理系统中最为关键的技术之一;为实现对SOC的高精度的预测,提岀了一种基于布谷鸟搜索算法(CS)优化的误差反向传播(BP)神经网络的锂电池SOC预测方法,该方法的核心难点之一,在于优化BP神经网络的初始权值和阈值,从而可以改善易陷入局部最优的情况,减小算法对初始值的依赖;Matlab仿真结果表明,CS—BP神经网络算法的均方根误差值比BP算法的均方根误差值平均降低了0.010 6,CS—BP算法具有更高的预测精度和极强的泛化性能.     

直流微网混合储能系统优化控制策略

和单一储能相比,蓄电池/超级电容混合储能系统可以满足微网多样化的要求.在独立直流微网系统中,根据优先使用功率密度较高的超级电容、减少蓄电池频繁大电流充放电的原则,提出了一种混合储能系统优化控制策略.加入延迟环节延迟蓄电池出力,由超级电容迅速平抑系统功率波动;根据超级电容实时荷电状态和充放电状态,采用模糊控制器调整延迟时间,在保证超级电容安全运行的前提下实现其充分利用;蓄电池作为持续供能设备,采用基于其端电压的多滞环电流控制方法,对蓄电池充放电过程进行优化,减少高频充放电电流切换造成的损伤.仿真实验结果验证了控制策略的有效性.     

基于Thevinin的锂离子动力电池建模实验研究

为了准确估算锂电池的荷电状态(SOC),对其等效电路模型进行了研究。通过充放电实验研究锂电池的电特性,利用充放电电压、电流数据辨识其欧姆内阻、极化内阻和极化电容参数,建立了较为精确的锂电池Thevenin模型。建立实验用磷酸铁锂电池的离散状态空间模型,在Matlab/Simulink环境下建立了该电池的仿真模型,并设计了放电实验。实验证明,建立的锂电池模型仿真数据与实测数据误差小于0.1 V,且随着充放电的进行误差逐渐减小,较好的跟随电池电压的变化,模型精度较高。     

飞轮电池在离网型风力发电系统中的应用

针对目前风力发电系统中储能装置(蓄电池)寿命短、充放电效率低的问题,提出采用飞轮电池作为储能装置的方案,分析了飞轮电池的d-q模型及其充放电控制策略。在飞轮电池充电控制过程中,采用基于转子磁场定向的矢量控制策略;在放电控制过程中,采用以直流母线电压为控制对象的控制策略。仿真结果表明,采用飞轮电池作为离网型风力发电系统的能量缓冲装置,能够有效稳定离网型风力发电系统的直流母线电压,提高其电能质量和稳定性。     

一种估算锂电池SOC的新型方法

SOC（荷电状态）的预测和估算是锂电池管理系统中的一个重要部分。根据GAAA算法充分利用了遗传算法和蚁群算法各自的优势,提出一种GAAA算法优化BP神经网络的SOC估算方法。使用MATLAB进行编程,将锂电池的实时工作电流、电压、温度、健康度、安时积分值作为输入,实现对SOC的估算。实验结果表明,该算法在估算精确度和运算速度上都优于传统的BP神经网络和基于遗传算法的BP神经网络。     

基于单片机的动力电池管理系统的硬件设计

以Freescale公司的M68HC08GZ168位单片机为控制核心,针对锰酸锂动力电池组构成的电池管理系统中的CPU模块、检测模块及均衡模块,从硬件的角度进行分析。该系统可以实现充放电过程中过充和过放电的保护,能够解决充电过程中电量均衡问题。可对电压、电流、温度信号进行检测,利用SOC估算法估算电池的剩余电量。该系统基本可以实现预期功能,满足了应用需求。     

基于充电方式的锂电池SOC 校准和估计方法

荷电状态(SOC)是动力锂电池的重要参数.针对安时法估计锂电池SOC存在累积误差,其他估计算法复杂度较高的问题,提出一种工程实用的SOC估计方法.该方法通过分析电池特性并结合安时法,建立了SOC初始值、总容量和累积误差的校准方法.通过建立终端电压与SOC之间的映射关系,利用恒流、恒压不同充电阶段的电池特性,实现了电池系统在一个放电周期内的SOC高精度估计.实验表明,该方法能够使得SOC的估计误差在5%以内.