车载锂电池SOC估算方法和应用探析

车载锂电池中的宽电压、两极化特性，会对电池的荷电状态产生比较大的影响，同时，车载锂电池组之间存在明显的不同，以及使用时间的差异性等均会对荷电状态产生不良影响。因此，电池荷电状态，也就是SOC的良好性是保障车载锂电池性能的关键所在。这就需要对车载锂电池组的荷电状态进行准确估算，以此来提升电动汽车电池的使用效率和质量，延长电池组的使用寿命，同时，为电动企业行业的发展奠定良好的基础。基于此，本文就车载锂电池组的荷电状态估算方法和应用进行了分析和探讨，以期为电动汽车电池组的优化提供一些有价值的参考。     

电动汽车锂电池建模仿真及SOC估计研究

为了提高电动汽车用动力锂电池模型精度及荷电状态(SOC)估算精度,以PNGV等效电路模型架构为基础进行模型改进,考虑SOC估算精度主要受充放电倍率、温度及电池容量变化等的影响,结合改进模型及扩展卡尔曼滤波算法(EKF),对SOC估算输入参数进行加权修正处理,并在Matlab/Simulink中建立仿真模型.实验和仿真对...     

基于遗传神经网络的电火花加工效果的预测

针对电火花加工非线性及复杂性的特点,提出了基于遗传神经网络的电火花加工效果的预测模型.遗传神经网络(GA-BP)是针对BP算法易陷入局部极小、收敛速度慢的缺点,根据遗传算法具有很强的全局搜身能力的特点,将二者结合起来形成一种训练神经网络的混合算法.通过该预测模型对一定加工条件下的加工速度和工件表面粗糙度进行预测,预测结果与实际实验结果有较好的一致性,说明遗传神经网络对电火花加工效果的预测是有效的.     

基于局部模型网络的锂电池SOC估计方法

锂电池的荷电状态(SOC)是电池管理最重要的参数，准确的SOC估计对保证电池运作的安全性至关重要。传统基于数据驱动的SOC估计法，如神经网络，在可解释性、参数整定方面表现不足。本文提出一种基于局部模型网络和天牛须搜索优化组合的SOC估计法。首先，借助局部模型网络描述复杂非线性系统的能力和其作为灰箱模型的可解释性，将模型的工况空间分解为多个可以用简单模型表示的局部子区间，再用调度函数组合为最终的模型。其次，在网络的训练过程中，采用天牛须搜索优化算法确定分裂空间上的最佳分裂方位，很好的兼顾了模型辨识的精度和运算复杂度。最后，在锂电池动态特性数据集上与已有文献中的SOC估计法进行了对比试验，本文所提出的方法在简单工况的训练集上的RMSE误差小于0.4%,在复杂工况的测试集上的RMSE误差小于0.9%,在不同温度上的表现也相对平稳，总体展现出较高的辨识精度及泛化能力。这一特点在实测的数据集上也得到了进一步验证。     

遗传算法优化神经网络整包电池SOC估计模型

针对Back Propagation(BP)神经网络建立的动力电池荷电状态（State of Charge，简称SOC）估计模型存在的精度、稳定性等问题，使用遗传算法（Genetic Algorithm，简称GA），对SOC估计网络模型进行优化。使用以轮盘赌算法配合最佳个体保存法做为遗传算法核心选择算法，避免传统选择算法中最佳个体可能丢失的情况。实验对象选用新能源氢电混动重卡4X2/6X2T FCV的辅助动力电池包。模型考虑了环境温度、放电电压、放电倍率以及直流内阻的影响，对不同隐含层数量对模型估计精度的影响进行了对比分析。测试结果表示，使用遗传算法优化后的神经网络SOC估计模型的精度和稳定性得到大幅提升。     

基于EKF的AMR锂电池SOC动态估计研究

AMR在科研和军事方面的应用决定了其需要一个能够准确、实时估计出锂电池SOC的估计值.由于AMR工作中的放电具有很强的动态性,使得传统估计方法用于锂电池SOC的动态估计效果很不理想.本文描述了EKF方法在AMR锂电池SOC动态估计中的应用.模拟AMR工况进行动态放电试验.试验结果表明,该估计方法能够实时而准确地得到SOC值.     

锂电池开路电压的预估及SOC估算

由于锂电池在多方面的优越性能,它在电动汽车领域的应用也越来越广泛。通过电池恒流充放电特性实验,得到锰酸铁锂电池开路电压(UOCV)与对应SOC的关系曲线及电池放电自恢复曲线,并结合锂电池等效电路模型,利用matlab拟合曲线,推导出开路电压的预估公式,实现对开路电压的预估,解决了开路电压法静置时间长的缺陷。在此基础上,结合安时积分法进行动态SOC估算,通过不断对安时积分法的值进行修正,消除它的累积误差。实验结果表明,该算法能较准确地估算电池的SOC,对电池管理系统的研究有一定参考价值。     

基于UKF滤波的自主移动机器人锂电池SOC估计

准确估计剩余电量(state of charge,SOC)关系到自主移动机器人(AMR)的生存与安全,是AMR研究中所面临的主要挑战之一.针对广义卡尔曼滤波估计SOC的不足,本文给出基于无色卡尔曼滤波(UKF)估计AMR锂电池SOC的新方法.通过试验对UKF和EKF进行了比较.试验验证了同样条件下,UKF比EKF具有更好的滤波估计精度.     

基于组合遗传神经网络的磨损趋势预测

针对神经网络易陷入局部极值的问题，用遗传算法来改进神经网络时间序列预测模型，并设计了一个组合网络，考虑了单一遗传BP神经网络预测的误差，以误差样本训练了一个校正的遗传BP神经网络，并将该组合网络时间序列预测模型应用于柴油机系统磨损趋势的预测，取得了较好的预测效果。     

基于DSP的电动汽车蓄电池电量计量及荷电状态估计

荷电状态是反映蓄电池能量的重要参数,是电动汽车整车控制器制定能量控制策略的重要依据。为了解决电动汽车蓄电池电量计量及荷电状态估计问题,设计了基于数字信号处理器(DSP)的蓄电池电量快速计量系统,采用安时法对蓄电池充放电容量进行了估计,通过放电率、温度、自放电及容量老化等补偿措施来提高计量精度,并分析了温度与充放电倍率对蓄电池容量的影响。试验结果表明,补偿后的安时法可准确地估计蓄电池荷电状态,最大充放电倍率随温度升高而增大。     

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。     

基于神经网络模型的动力电池SOC估计研究

针对电动汽车动力电池荷电状态(SOC)的估计问题,对动力电池的荷电状态估计方法进行了研究。对电池荷电状态的影响因素进行了归纳,提出了基于反向传播神经网络(BP神经网络)的动力电池荷电状态估计方法。利用汽车仿真软件ADVISOR对电动汽车行驶典型的汽车测试工况进行了模拟,得到了电动汽车动力电池荷电状态与电池的充放电电流、温度之间的关系。对得到的训练样本数据进行了归一化处理,经过训练,得到基于BP神经网络的动力电池荷电状态估计模型。同样,利用ADVISOR软件得到的测试数据,对得到的神经网络模型进行了测试。研究结果表明,该模型的估计值和输出值之间的误差最大值为4%左右,模型的精度符合动力电池荷电状态估计的使用要求。     

AGM电池荷电状态与开路电压关系研究

通过对车用AGM电池在不同环境温度下荷电状态（SOC）与开路电压（OCV）的关系研究,发现AGM电池在其规定的工作温度范围内,其SOC与OCV有着良好的线性关系,为开发基于开路电压和电池温度的电池管理策略提供了理论依据。     

混合动力汽车电池内部状态预测的贝叶斯极限学习机方法

针对混合动力汽车（HEV）电池内部状态预测问题,引入贝叶斯极限学习机（BELM）方法。对BELM的基本原理进行了详细介绍,在高级车辆仿真软件ADVISOR中采集HEV电池的各项性能参数,包括电压、电流、温度和内阻等。基于此,将BELM应用于电池的荷电状态（SOC）和健康状态（SOH）的预测,同时考虑电池老化对内部状态预测效果的影响。BELM预测结果表明：所设计的预测模型具有较高的精度,能够实时准确地预测出电池的SOC和SOH值。     

5基于改进型采样点卡尔曼滤波的矿用电池SOC估计

为了实时、准确地估计矿用电池SOC值,通过采用加权统计线性回归法实现模型函数线性化,将采样点卡尔曼滤波技术应用到矿用电池SOC估计中.针对有限的电池管理系统资源,基于电池状态观测复合模型的状态方程线性和观测方程非线性的特点,提出了将标准卡尔曼滤波和采样点卡尔曼滤波组合的非线性滤波算法;为了使得该算法具有应对突变状态的强跟踪能力和应对模型不准确的鲁棒性,引入了奇异值分解,采用特征协方差矩阵代替误差协方差矩阵,并基于强跟踪原理引入了次优渐消因子.仿真结果表明,基于改进型采样点卡尔曼滤波的矿用电池SOC估计算法兼顾估计精度和运算量,并具有跟踪突变状态和应对模型不准确的鲁棒性,完全适用于资源有限的矿用电池SOC估计;可见,该算法具有良好的实际应用价值.     

电动汽车用MH/Ni电池剩余容量智能预测研究

为有效地对电动车电池剩余容量进行预测，在分析了自适应模糊神经推理系统（ANFIS）的网络结构后，利用湖南大学自主研发的EV-3电动汽车充放电实验数据，建立了MH／Ni电池的AN—FIS电压降模型，并进一步应用改进后的尺度化共轭梯度算法的BP神经网络，得到开路电压与剩余容量的对应关系。实验和仿真结果表明，智能方法在预测电池剩余容量方面，能满足精度要求，模糊控制与神经网络的结合，可以建立一个精确而有效的SOC智能预测系统。     

基于BP神经网络的蓄电池车辆调速控制系统故障诊断研究

以蓄电池车辆调速控制系统为研究对象,提出一种基于故障表征的诊断模型,建立了BP神经网络模型,运用Matlab给出该网络的训练过程及结果,并提供基于所述方法的蓄电池车辆调速控制系统的故障诊断实例。     

Estimation method of state-of-charge for lithium-ion battery used in hybrid electric vehicles based on variable structure extended kalman filter

Since the main power source of hybrid electric vehicle(HEV) is supplied by the power battery, the predicted performance of power battery, especially the state-of-charge(SOC) estimation has attracted great attention in the area of HEV. However, the value of SOC estimation could not be greatly precise so that the running performance of HEV is greatly affected. A variable structure extended kalman filter(VSEKF)-based estimation method, which could be used to analyze the SOC of lithium-ion battery in the fixed driving condition, is presented. First, the general lower-order battery equivalent circuit model(GLM), which includes column accumulation model, open circuit voltage model and the SOC output model, is established, and the off-line and online model parameters are calculated with hybrid pulse power characteristics(HPPC) test data. Next, a VSEKF estimation method of SOC, which integrates the ampere-hour(Ah) integration method and the extended Kalman filter(EKF) method, is executed with different adaptive weighting coefficients, which are determined according to the different values of open-circuit voltage obtained in the corresponding charging or discharging processes. According to the experimental analysis, the faster convergence speed and more accurate simulating results could be obtained using the VSEKF method in the running performance of HEV. The error rate of SOC estimation with the VSEKF method is focused in the range of 5%to 10%comparing with the range of 20%to 30%using the EKF method and the Ah integration method. In Summary, the accuracy of the SOC estimation in the lithium-ion battery cell and the pack of lithium-ion battery system, which is obtained utilizing the VSEKF method has been significantly improved comparing with the Ah integration method and the EKF method. The VSEKF method utilizing in the SOC estimation in the lithium-ion pack of HEV can be widely used in practical driving conditions.     

基于神经网络的滚动轴承振动预测

以神经网络与MATLAB实现理论为依据,提出了一种新的滚动轴承振动预测方法。这种方法根据轴承的加工质量试验数据,建立轴承振动预测的BP网络试验模型,在MATLAB开发环境下输入训练样本数据矩阵和目标矩阵。经过训练后,网络误差达到要求,预报结果的最大相对误差小于10％。