电动车用MH-Ni电池SOC模型的研究

通过对电动车用MH-Ni电池的开路电压、充放电电流、温度、自放电等因素的研究,建立了一种适用于MH-Ni电池的荷电量状态的数学模型。在初始状态,采用开路电压以及系统存储值,来估算初始电量;在充放电过程中采用电流积分法,并结合各种修正系数来估算过程电量。该方法成功地应用于纯电动车和混合电动车镍氢电池的管理系统中,电量估算误差小于7%。     

一种新型SOC估计算法的研究

在建立电池管理系统的过程中,动力电池荷电状态(SOC)的实时测量和估计很关键。分析了各种电池SOC估算方法的优缺点,提出了一种实时检测电池端电压作为判断电池充电状态的电压-安时计量算法。由该算法构成的电量计能实时、准确计算电池的电量和SOC,保证了动力电池在电动汽车应用中的安全、可靠运行。     

基于LabVIEW的动力电池SOC实时估算系统研发

在电动汽车能量管理控制策略和电池管理系统研究中,电池荷电状态(State of charge,SOC)的准确估算一直是重点和难点。基于磷酸铁锂动力电池的工作原理和充放电特性试验,利用MATLAB软件拟合获得不同放电电流下的库仑效率和开路电压与SOC的关系。并采用虚拟仪器LabVIEW与相关硬件,实时采集动力电池相关数据,将SOC估算的安时法与开路电压法相结合,实现了对动力电池SOC的实时估算与高精度显示,提高了电池SOC研发系统的实用性与准确性。     

电池管理系统SOC估算方法研究进展

随着电动汽车的快速发展,动力电池荷电状态估算越来越重要,其主要作用与传统的燃油汽车油量表一样,能够给驾驶员传递电池剩余电量的信息,并告知驾驶员汽车接下来的续航里程,从而能够有效提高电动汽车的整体性能。介绍了电池荷电状态一般定义、主要影响因素以及动力电池的等效模型;详细介绍了目前国内外用于估算SOC的主流方法以及各方法取得的结果,并总结了电池SOC估算方法。     

电动汽车动力电池剩余电量在线测量

为了精确可靠估算以蓄电池为动力的电动汽车所用电池的剩余电量,在讨论目前一些蓄电池剩余电量估算方法的基础上,以聚合物锂离子电池组为研究对象,将电池荷电状态作为系统的状态,建立了单变量的锂电池组的状态空间模型,采用了开路电压法和卡尔曼滤波递推算法相结合的方法.经试验这种方法能够获得蓄电池组精确和可靠的荷电状态预测值.     

基于STM32和LTC6803的电池管理系统设计

设计了一种基于STM32和LTC6803的纯电动汽车锂电池管理系统,旨在提高单体电池电压检测的精度,缩短检测时间,并实现了自动均衡的功能。给出了系统的软硬件设计方法,其中硬件包括电压采样、电流采样和LTC6803的接口电路等电路。并采用结合开路电压法和安时积分法的电池荷电状态(SOC)估算方法,实现对电池剩余电量的精确估算。     

电动汽车磷酸铁锂电池放电静置电压预测方法

针对纯电动汽车在加速、减速交替期间,由于其动力电池放电后静置开路电压变化而导致电池组荷电状态(SOC)测量困难和估计误差大的难题,以某款磷酸铁锂动力电池为对象,根据电池电化学和等效电路理论,研究了基于行驶过程的纯电动汽车磷酸铁锂动力电池放电后静置开路电压随其时间变化的关系,运用系统辨识方法,通过实验建立了动力电池放电后静置开路电压预测模型,并以此对其进行实验验证,验证了该预测模型的可行性。     

动力电池预估方法研究进展

估计是电动汽车电池管理系统的重要功能。动力电池在使用过程中,对荷电状态准确地进行估算可以有效提高电池的使用效率,提高电池的使用寿命。电池不能直接测量,需要通过其它参数和方法间接获得。研究人员为了提高电动汽车电池估计的准确性做了大量研究工作,采用的主要方法有：安时积分法、开路电压法、神经网络法和卡尔曼滤波法及其改进的方法等。主要介绍了各种估计方法的原理及应用中存在的优缺点,评价了各种估计方法。     

用一种新的优化算法估计电动汽车电池SOC

准确估计电动汽车中的锂电池荷电状态(SOC)是电池管理的一个难点,安时计量法的缺点是无法估计电池的初始剩余电量,且由于电流测量精度的原因会导致累积误差。因此在安时计量法原有研究的基础上提出了一种新的优化算法,即结合开路电压法和Peukert方程来估计电池的剩余电量。与实验结果对比,可见新的优化算法的仿真结果与实验结果基本吻合,误差较小,从而证明了本方法的正确性。     

动力电池SOC预估方法研究进展

SOC估计是电动汽车电池管理系统的重要功能。动力电池在使用过程中,对荷电状态准确地进行估算可以有效提高电池的使用效率,提高电池的使用寿命。电池SOC不能直接测量,需要通过其它参数和方法间接获得。研究人员为了提高电动汽车电池SOC估计的准确性做了大量研究工作,采用的主要方法有:安时积分法、开路电压法、神经网络法和卡尔曼滤波法及其改进的方法等。主要介绍了各种SOC估计方法的原理及应用中存在的优缺点,评价了各种SOC估计方法。     

电动汽车电池荷电状态估计研究综述

电池荷电状态估计是近年来电动汽车电池管理系统的研究热点,分为电池模型和估计方法两个部分。针对种类繁多、功能各异的电池模型和估计方法,从原理、特点和适用范围3个方面作出分类和讨论。综合当前电池荷电状态估计有待解决的问题,对其发展趋势进行了展望。     

基于神经网络的磷酸铁锂电池SOC预测研究

利用神经网络进行了电动汽车用的磷酸铁锂（LiFePO4）电池荷电状态（state of charge,SOC）预测研究。在分析磷酸铁锂电池充放电机理的基础上,采用levenberg-marquardt（LM）算法建立了磷酸铁锂电池的BP（back propagation）神经网络模型,并进行了电池SOC值的预测。结果表明,基于神经网络的电池SOC预测方法具有较高的精度,可用来预测磷酸铁锂电池的SOC值。     

基于在线LS-SVM的动力电池SOC估算方法研究

荷电状态(SOC)是描述动力电池状态的重要参数之一,提高SOC估计的准确性对电动汽车电池管理系统的研究至关重要。提出一种改进的最小二乘支持向量机(LS-SVM),动态地调整模型参数,对电池的开路电压(OCV)进行在线实时估计;通过SOC与OCV的关系确定初值,采用安时积分法估算SOC;并利用OCV的偏差信息对电池SOC进行修正,有效地补偿拟合误差和安时积分法产生的累计误差。仿真实验结果表明,在线LS-SVM算法能准确地逼近实际SOC值,平均绝对误差为1.279 3%。     

电动汽车动力电池荷电状态估计方法探讨

准确估计电池荷电状态(SOC)是电动汽车电池管理的重要内容,SOC的准确评估对延长电池寿命和提高电动汽车整车性能具有重要意义。各国研究人员对电池SOC估计方法进行大量研究,先后提出了多种估计方法。文中介绍了电池SOC的定义及其主要影响因素,根据电池SOC估计方法的特点,按离线和在线方法对SOC估计方法进行总结和介绍,并比较了各方法的特点及实用效果。最后展望了电池SOC估计方法的两个潜在发展方向,即基于电池模型的非线性滤波方法和具有自学习能力的智能方法,为今后深入研究动力电池SOC估计方法提供借鉴。     

动力电池荷电状态研究的可视化分析

基于2010-2019年Web of Science核心数据集中收录的985篇电池荷电状态(SOC)研究论文,运用Cite Space和VOSviewer知识图谱工具,对发文国家、核心作者、共引文、前沿及关键词等进行可视化呈现。2010-2019年,电池SOC研究热度逐年上升;研究国家主要是中国、美国和德国等,机构主要为各国大学;发文量较多的作者主要在中国和德国。准确高效地预测电池SOC是电动汽车管理系统的研究重点;电池模型的选择、改良及优化估算方法是动力电池SOC研究的焦点。     

电动车用电池充电状态和功率强度估计

讨论了电动车 (EV)和混合电动车 (HEV )用电池电量模型和功率模型的建立 ,提出了一种新的电池剩余电量(SOC)和电池功率强度 (Powercapability)的综合估计方法。从电化学角度建立了一个电池参考模型 ,以安时计量为主并综合考虑影响电池SOC的多种因素进行SOC估计 ,功率强度估计主要基于电池等效内阻的估算。SOC估计和功率强度估计相结合 ,实现了在功率强度估计的同时对SOC估计提供自调整机制。该综合估计方法已经在我们自主开发的实验平台上实现 ,并经实践证明是可行的     

集中式电动汽车电池管理系统设计

电动汽车作为新能源汽车的一种,其动力电池的性能是关系到电动汽车推广应用的重要因素。在电动汽车的实际运行中,需要对电池电压、电流、温度等信号实时采集以及对电池内部参数在线估算。为了实现电池组的在线监测和管理,设计了一种采用微处理器做主控制模块的电池管理系统。该系统采用集中式的管理模式对汽车电池组进行测试和分析,设计完成系统控制、信息采集和数据通讯,工作环境抗干扰措施等功能,实现了一种基于双卡尔曼滤波算法的电池荷电状态(SOC)的估算,并利用Lab VIEW实现上位机系统的界面设计。在实际测试中,采用该系统同时对192节锂电池进行监控,实现了电压、环境温度等信息的在线测量,电池荷电状态(SOC)的估算误差不超过1%。     

修正RC模型混合动力车用氢镍蓄电池SOC预测

根据混合动力汽车动力蓄电池瞬时脉冲大电流充放电工作特点,提出了一种能够实时动态估计氢镍蓄电池SOC的新方法。结合蓄电池当前状态和历史使用因素共同确定蓄电池初始SOC,并利用修正的RC模型,通过合理分配权值综合运用电量累计法和开路电压法进行蓄电池的SOC预测,电量累计考虑充放电效率和寿命因素影响,开路电压利用卡尔曼滤波法求解。最后,通过台驾试验验证算法的准确性,结果表明,SOC预测误差可控制在6%以内,满足混合动力汽车工作要求。