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。     

磷酸铁锂电池倍率容量特性建模及荷电状态估算

针对磷酸铁锂蓄电池,首先采用解析型动力学电池模型(KBM)对电池的倍率容量特性进行描述,进而推导出双井荷电状态(SOC)的数学表达式;为建立SOC与电池电压的联系,进一步将KBM与电动势模型相结合形成综合模型;最后,基于该综合模型及非线性滤波算法实现SOC估算。实验结果表明,该模型可以体现锂电池的倍率容量特性及可用容量恢复特性,双井SOC估算结果可更全面地体现锂电池的SOC;此外,这种基于非线性滤波的SOC估算策略还具备初始误差自校正能力。     

一种联合PID控制与扩展卡尔曼滤波的磷酸铁锂电池荷电状态估算方法

锂离子电池作为新能源存储的载体,是执行“双碳”目标的重要助力,精确估算电池荷电状态(state of charge,SOC)能够有效辅助电池管理,进而延长电池使用寿命。针对卡尔曼滤波类算法的SOC估算效果受磷酸铁锂电池特性制约的问题,该文提出一种比例积分微分(proportional integral differential,PID)控制与扩展卡尔曼滤波(extended Kalman filter,EKF)联合方法。该方法利用PID控制原理设计SOC初值补偿策略并优化EKF算法的状态变量修正过程,可降低磷酸铁锂电池特性对算法的影响。实验结果表明,与EKF算法相比,所提方法在估算磷酸铁锂电池SOC时拥有更高的估算精度与更快的收敛速度,对电池模型误差与采样噪声表现出较强的鲁棒性。     

基于电路等效的磷酸铁锂材料电池建模研究

为了完整地了解磷酸铁锂电池的内部结构及工作特性,需要进行等效建模对其进行精确的参数辨识。以容量10Ah的磷酸铁锂电池为研究对象,选取PNGV模型进行特性分析,并用最小二乘法进行参数辨识。通过磷酸铁锂电池的充放电实验,表征出电池的充放电特性;通过OCV与SOC的标定实验,拟合出OCV与SOC之间的函数关系;通过HPPC实验研究,利用公式对模型各个参数进行计算,再通过最小二乘法拟合得到各参数的非线性规律。通过实验估算出PNGV模型中电容Cb的变化趋势,在客观上体现出电池对电量变化的敏感程度。以上几种实验结果表明,模型仿真与实测结果之间的误差平均值约为3.062 mV,最大误差为37 mV,基本反映出磷酸铁锂电池的工作特性,为动力电池的SOC估算及磷酸铁锂电池应用领域的仿真研究提供了理论基础。     

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。     

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。     

基于混合动力汽车车载电池SOC算法的研究

在混合动力汽车中,电池荷电状态(state of charge,SOC)是发动机和电机动力分配以及电池管理的一个重要依据.以磷酸铁锂电池为研究对象,在进行了电池各种特性实验的基础上提出了一种电池SOC的估算方法,即在安时计量法的基础上,与等效电路模型和开路电压法相结合的估算方法.利用Matlab软件建立了该算法的仿真模型,仿真结果验证了该综合估算方法的可行性和精确性.     

基于扰动观测器的锂电池荷电状态估算方法

基于电池模型的荷电状态(SOC)估算方法,模型参数的误差会直接影响估算结果.根据扰动观测器原理,建立了锂电池电压扰动观测器模型,与扩展卡尔曼滤波(EKF)算法相结合,设计了具有电池电压扰动补偿功能的锂电池SOC估算方法.由电压扰动观测器得到的补偿电压变量,可实时修正数学模型中的电池状态变量偏差对SOC估算的影响.仿真结果表明当电池数学模型存在滞后电压等动态响应误差时,该方法在充放电过程中SOC估算精度要优于常规EKF估算方法.     

基于PNGV电容模型的LiFePO4电池性能仿真与实验

电池的模型特性是车用电池管理系统SOC估算的重要基础。以某公司生产的60 Ah磷酸铁锂电池为对象,测定了电池的充放电特性;以选定的PNGV电容模型为基础,利用Matlab软件中Regress函数获得了充、放电方向电池模型辨识参数,并在Simulink中建立相应的仿真模型;结合复合脉冲功率(HPPC)循环实验、恒流放电实验和动态工况实验,验证了该模型具有较高的精度与适用范围,能够用于电池组动态特性的分析。     

基于模糊优化决策的锂电池SOC估计

为了提高动力锂电池的使用效能和整车性能,需要准确估计动力锂电池的荷电状态(SOC),在研究分析常用SOC估计方法的基础上,根据开路电压法和卡尔曼滤波算法的特性,引入T-S模糊模型,建立了基于模糊优化决策的锂电池SOC估计方法,通过仿真验证,可有效提高锂电池SOC估计的精度。     

基于DEKF的储能电池系统SOC估计方法研究

电池管理系统(BMS)是储能电池系统安全稳定运行的重要保障。为了保障储能电池系统的运行可靠性,在BMS投入运行前进行系统测试具有重要意义,而目前对于储能系统BMS的荷电状态(SOC)估计方法缺乏测试规范和标准。因此,文中针对储能电站BMS建立了入网测试平台,根据电池外特性信息建立Thevenin等效电路模型,电池开路电压曲线获取采用了电池倍率放电曲线外推的方法,结合双扩展卡尔曼滤波(DEKF)算法实现SOC的准确估计,并与EKF方法进行了对比。结果表明,DEKF方法在收敛速度和SOC估计精度上存在优势,分别在典型联邦城市运行工况(FUDS)和动态应力测试(DST)测试工况下,运用DEKF方法和EKF方法估计得到的SOC误差都低于1%,电池端电压误差分别在±10 mV和±20 mV以内,平均绝对误差分别为2.7 mV和3.8 mV。     

磷酸铁锂电池等效电路模型对比分析

磷酸铁锂电池(LiFePO_4)凭借其较高的比功率、较高的比能量和使用寿命长等优点,逐渐成为电动汽车领域应用电池的研究热点。准确的电池荷电状态(State-of-Charge,简称SOC)估计离不开合理的等效模型,模型的精度与复杂程度直接影响电池SOC估计。文章首先分析四种等效电路模型参数,基于电池测试系统对LiFePO_4进行混合脉冲功率性能测试(The Hybrid Pulse Power Characterization,简称HPPC),应用最小二乘法进行模型参数辨识,根据辨识结果对比模型精度与复杂程度;然后将电池在整个SOC周期内对三个带有RC网络结构的模型精度进行对比;最后对LiFePO_4电池进行联邦城市运行工况(The Federal Urban Driving Schedule,简称FUDS)测试,对比双极化等效电路模型在不同温度下模型精度。实验结果显示双极化等效电路模型为具有良好精度的等效电路模型,同时带有低温特性。     

电动汽车动力电池SOC预测技术研究

电动汽车的电池管理系统需要一个精确和可靠的电池荷电状态 (SOC)预测器。由于铅酸蓄电池真实的SOC受许多因素如电池温度、充放电次数、电池老化等因素的影响 ,传统的SOC预测技术很难达到理想的效果。描述了一种闭环模糊推理方法在铅酸蓄电池SOC预测技术方面的应用。其中 ,闭环反馈环节采用了一个经验公式来调节铅酸蓄电池SOC的预测值。重新定义了一种容易从放电曲线中获得的电池内阻 ,利用这个电池内阻值可以很容易地把不同工况下的电池端电压等效到一个固定工况下的端电压 ,从而可以简化模糊规则的设计。经仿真证明这种方法能够获得蓄电池精确和可靠的SOC预测值     

动力电池状态估计及均衡电路的研究

设计一种均衡电路以解决电池均衡的问题,并运用扩展卡尔曼滤波(EKF)估测电池的荷电状态(SOC)。针对电池特性建立数学模型,采用脉冲放电实验法确定电池模型的各个参数,通过混合功率脉冲实验(HPPC)采集数据,用九次多项式拟合开路电压与SOC曲线图。由仿真结果可知,实验方法可准确地估算电池的SOC。     

基于自适应卡尔曼滤波的锂电池SOC估计

考虑到传统的卡尔曼滤波策略在未知干扰噪声环境下不能对锂离子电池的荷电状态(SOC)进行准确的估计,简要论述了锂离子电池的等效电路模型,提出了自适应卡尔曼滤波方法,利用Matlab/Simulink建立了基于自适应和常规的卡尔曼滤波法的锂离子电池SOC估计的仿真模型,分析研究了在未知干扰噪声下两种滤波法的SOC估计值变化曲线以及误差关系。仿真结果表明,采用自适应卡尔曼滤波方法估计的SOC误差较传统的要小,从而有效降低了未知干扰噪声对电池管理系统所受到的影响,且具有较好的鲁棒性,为今后深入研究动力电池SOC估计方法提供了一定的参考。     

基于分数阶理论的车用锂离子电池建模及荷电状态估计

针对电动汽车动力锂离子电池的状态估计问题,提出一种基于分数阶等效电路建模方法,并采用分数阶卡尔曼滤波算法估计电池荷电状态(SOC)。首先建立基于二阶等效电路的分数阶电池模型,采用遗传算法辨识阶数,然后利用分数阶卡尔曼滤波算法估计电池SOC,并与扩展卡尔曼滤波算法进行比较。实验结果表明,在恒流放电下采用分数阶模型,其端电压最大绝对误差为0.014V,SOC最大估计误差不超过2%。本文提出的基于二阶等效电路的分数阶模型及分数阶卡尔曼滤波算法,不仅给出了一种准确、可靠的建模方法,而且为有效提高电池管理系统中SOC估计的准确性提供了途径。     

基于自恢复效应电池放电模型及其应用研究

现有电池SOC预测方法,大都基于开路电压、开路电流等外电路或者测量电源内阻的方法,而没有考虑到电源的内在特性,尤其没有考虑电池的自恢复效应的影响,且大都采用恒压、恒流放电的工作模式,难以实现对电池SOC的动态预测。针对电池SOC预测方法的缺点,提出了一种包含有电池自恢复效应的电池SOC动态预测方法:提出一款包含有电池自恢复效应的动态电池模型,基于此电池模型提出了计及电池自恢复效应的动态放电模型,并论述了此放电模型与自恢复效应的关系,仿真结果表明,本预测方法具有较高的预测精度,且可实现动态预测。     

考虑松弛和滞回的锂离子电池建模及SOC估计

针对锂离子电池在电流状态突然变化时产生的松弛现象和滞回现象,在分析了电池等效电路模型的基础上,引入线性滤波器和滞回模块,建立了电池的自校正模型。通过恒流脉冲实验和动态应力工况测试验证自校正模型在对电池电压特性跟随的可靠性,并在该模型的基础上使用有限差分扩展卡尔曼滤波FDEKF(finite difference extended Kalman filter)算法实现了电池的荷电状态SOC(state of charge)估计。实验分析表明,自校正模型能较好地体现电池的动态特性,并使SOC估计保持很好的精度。     

锂电池的电量估计仿真研究

锂电池的荷电状态(SOC,State-of-Charge)直接反映电池的剩余电量,是电池组管理的核心参数。然而,电池循环次数的增加、瞬间大电流、温度等因素将导致电池特性发生变化,因此使用扩展卡尔曼滤波(EKF,extended kalman filtering)对锂电池的荷电状态进行估计会引入较大的误差甚至算法发散。为了有效抑制参数扰动和系统的非线性,基于一种改进的二阶RC等效电路模型,应用粒子滤波算法(PF,particle filtering)实现了锂电池荷电状态的估计。最后,根据锂电池放电实验所得数据进行仿真,结果显示了该算法的优越性。