车用锂离子动力电池SOC的预测研究

为了估算锂离子动力电池的荷电状态(SOC),在对影响SOC值的因素及传统SOC估算方法分析的基础上,依据实际情况,采用了一种新思路,即将电池的工作状况分为静止、恢复、充放电三种状态,分别对三种状态进行SOC估算。在估算过程中分散并消除影响SOC值的因素,特别在充放电状态下,使用了以库仑效率因子为基础的电量的动态恢复量对安时计量法进行改进,解决了安时计量法会产生累积误差的问题。经实验表明,此方法提高了电池SOC计算的精度,达到了动力汽车的应用要求。     

基于改进安时积分法估计锂离子电池组SOC

为了解决安时积分法不能估计锂离子电池组初始荷电状态(SOC_0),难于准确测量库仑效率和电池可用容量变化的问题,提出改进的安时积分法:建立锂电池二阶等效模型,结合恒流放电实验数据,推导出开路电压的预估公式,从而估算初始SOC;再通过大量实验,分析电池老化、库仑效率、电池总容量变化的影响因素,对该参数进行修正和优化。实验结果显示,改进的安时积分法误差达到0.03%。     

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。     

基于多模型的电池SOC估计算法的研究

电池管理系统是电动汽车的重要组成部分之一,而对于电池荷电状态的精确预测和估计是电池管理系统的最重要的性能指标之一.考虑电池老化、极化、滞后现象等因素,在基于卡尔曼滤波法以及安时计量法的基础之上,提出了一种改进的复合模型SOC(state of charge)算法,并将其应用于外插式混合动力电动汽车磷酸铁锂电池管理系统.研究结果表明,改进后的复合模型算法解决了传统的安时计量法难以准确估计,以及传统的卡尔曼滤波法对于系统要求偏高等缺点,进一步深化了电池管理系统的研究.     

磷酸铁锂电池荷电状态估算方法研究

电池的荷电状态(SOC)是电池管理系统要实现的重要功能之一。精确估算电池的荷电状态能为提高电池利用率和延长电池寿命起到重要作用。分析温度、放电倍率、充放电循环次数等因素对电池容量的影响,结合磷酸铁锂电池本身的特性,提出一种改进的安时计量法与开路电压法相结合的估算方法对SOC进行在线估算。应用到自平衡两轮车上,实验测试结果显示此方法能够实时、准确地估算电池SOC。     

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。     

典型蓄电池的建模与荷电状态估算的对比研究

研究不同蓄电池荷电状态(state of charge,SOC)的变化特征有助于在实际应用过程中对蓄电池类型进行选择。基于铅酸电池、磷酸铁锂电池、全钒液流电池3种典型蓄电池模型,采用电池容量修正过的改进安时计量法和改进安时-卡尔曼预测法(Ah-Kal法),对各电池在不同充放电模式下,用MATLAB软件编程得到两种估算方法下的SOC变化曲线。通过SOC对比曲线可以发现铅酸电池的自放电较严重,循环寿命短;磷酸铁锂电池可迅速提供大功率;而全钒液流电池适合作为长期大容量储能支持。同时,改进安时计量法和Ah-Kal的估算结果基本相同,验证了Ah-Kal法的正确性。     

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。     

人工神经网络和安时法电池SOC估计

结合安时法估算电池SOC,用BP神经网络估计公式中需要的参数。电池的初始SOC用开路电压法获得,库仑效率的变化可以在估计电池电容时得到体现,其值设定为1,用循环次数和SOC值对电池充放电效率进行网络估计。用温度和电池的平均放电电流对电池电容进行网络估计。通过实验和估计得出在20℃下,新方法的误差在2.89%左右,-20℃下误差在3.25%左右,误差范围满足应用的需要。     

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。     

锂离子电池SOC与模型参数联合估算研究

电池荷电状态(SOC)的估算精度是影响新能源汽车性能的重要因素之一。针对电池参数动态变化影响SOC估算精度的问题,在确定二阶RC等效电路模型的基础上,采用渐衰记忆的递推最小二乘算法和扩展卡尔曼滤波算法对模型参数与SOC在线联合估算。经过实验与仿真验证,在模拟城市道路工况的放电条件下,与安时法和卡尔曼法相比,联合估算方法得到的SOC估算值与真实值的误差缩小到1.29%。该方法能够适应电池特性的动态变化,保证较高的SOC估算精度。     

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     

模糊C均值聚类在蓄电池SOC预测中的应用

针对铅酸蓄电池数学模型难以建立以及荷电状态精确预测问题,本文提出了一种利用模糊C-均值聚类算法对蓄电池SOC控制器参数及结构进行辨识的建模方法。通过对蓄电池电动势、内阻等实时数据进行聚类分析,能够有效地实现输入空间划分并能够有针对性地生成模糊控制规则,在此基础上构建了完整的荷电状态预测控制器。通过铅酸蓄电池放电实验验证了该预测方法的有效性。     

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。     

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。     

基于谐波阻抗测量在线估测蓄电池荷电状态

现行内阻法估测蓄电池荷电状态时,需要对被测蓄电池实施大电流放电操作以测量其欧姆内阻,在线检测时可能对用电负载造成安全隐患。针对这一问题,提出一种基于谐波阻抗测量技术在线估测蓄电池荷电状态的方法：对被测蓄电池实施周期性的小电流放电操作,测量放电过程中的放电电流与蓄电池端电压,经傅里叶分析计算出蓄电池的谐波阻抗,对谐波阻抗数据进行数值拟合得到蓄电池的欧姆内阻,最终实现对蓄电池荷电状态的在线估测,从而避免现行方法所需要的大电流放电操作。     

基于模糊卡尔曼滤波的HEV氢镍电池SOC估计

混合动力汽车(HEV)电池管理系统工作于恶劣工况环境中,采用常规卡尔曼滤波算法估计电池荷电状态(SOC)时,量测噪声统计特性随实际工况条件剧烈变化,会导致估测不准,甚至滤波发散.采用基于模糊自适应卡尔曼滤波的氢镍动力电池SOC估算算法,通过监视理论残差与实际残差的比值,对量测噪声协方差阵进行递推在线修正,使其逐渐逼近真实噪声水平,从而使滤波器执行最优估计,提高估算精度.仿真结果表明,这种算法对随机的量测噪声具有较强的抑制能力.     

基于阻抗谱技术的蓄电池荷电状态的估测

针对蓄电池荷电状态(SOC)的判定问题,采用交流注入法测量蓄电池的内部阻抗,以安时计量法记录的SOC值作为参考,通过分析蓄电池在不同SOC时的内部阻抗谱发现:当蓄电池的内部阻抗从容性变到感性时,对应的激励信号频率与其SOC之间存在单调函数关系.以一只12V/10Ah的阀控铅酸蓄电池为实验对象,在不同条件下对其进行循环充、放电实验,结果表明:依据这一函数关系,可以实现对蓄电池SOC的快速估测;对比现有基于阻抗谱技术的蓄电池SOC估测方法,其主要特点是:①可以避免常规阻抗谱测量所要求的扫频分析.②不需要精确测量蓄电池的内部阻抗.     

基于SOC单片机C8051F022的蓄电池剩余电量的测量

介绍蓄电电池剩余电量的内阻在线测测方法,利用SOC单片机C8051F022实现蓄电池的在线检测。