基于EKF的动力锂电池SOC状态预测

在研究与分析影响SOC值的因素及传统SOC估算方法优缺点的基础上,提出一种基于扩展Kalman滤波(EKF)的算法对SOC进行估算,依据Thevenin模型建立了电池的非线性状态空间方程,通过引入库仑效率因子计算出电量的动态变化量,并利用此变化量对状态方程进行扩展,使得极化效应的影响大大减弱。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EKF的锂电池状态估算策略

在研究与分析电池极化现象对电池状态(SOC)估算影响的基础上,提出一种扩展Kalman滤波(EKF)的算法对SOC进行估算,在Thevenin改进模型的基础上建立了电池的非线性状态空间方程,通过比较电池实际端电压和估算端电压的差值,修正安时积分法得到的SOC值,使得极化效应对SOC估算精度的影响大大减弱。仿真分析结果表明,此方法提高了电池SOC计算的精度。     

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。     

基于衰减模式的锂离子电池状态诊断

对MCMB/LiCoO_2锂离子电池的衰减模式进行研究,结果表明:正极荷电状态(SOC)移动,正极材料结构衰退,正极、负极极化和电解液动力学衰退是造成全电池容量衰减的共同原因,其中正极SOC移动是主要因素。基于上述电池衰减模式建立状态诊断模型,模拟电池的充放电曲线,模拟结果与实验结果吻合程度较高。基于电池衰减模式的诊断方法,可分析电池在循环老化过程中的状态变化。     

基于DeepAR与特征选择的锂离子电池在线状态估计

电池健康状态SOH（state-of-health）和荷电状态SOC（state-of-charge）估计是电池管理系统的核心功能。目前,状态估计存在依赖大量历史数据以及单一状态估计适应性差的问题,因此提出一种基于DeepAR与特征选择的锂离子电池状态估计模型。首先,提取电池恒流充电过程中电压、温度及时间间隔数据,组成3组老化特征作为模型输入,用于估计SOH;然后,在估计SOC时考虑SOH估计值,消除了电池老化因素对SOC估算的负面影响;最后,在不同工况下的牛津电池数据集上进行实验验证,并与其他两种算法模型进行误差与收敛性对比。结果表明,所提模型在冷启动估计方面具有较强的优势,SOH和SOC估计精度较高。     

电池管理系统(BMS)算法研究

介绍了首先区分 BMS 应用场景,然后根据数据中心、储能不同应用场景算法不一样的一种电池管理系统(BMS)算法。该算法在判断电池 SOC 与 SOH 时预先对电池状态进行判断,电池处于浮充、放电、充电还是开路状态下的 SOC 与 SOH 计算方法不一样。这种针对数据中心、储能应用场景特点开发的 BMS,其 SOC 和 SOH 精度大幅度提高。     

一种基于EKF和Thevenin的锂电池SOC估算新方法

估算锂电池的剩余电量一直是当前研究的热点,由于锂电池充放电过程中复杂的电化学反应,电池荷电状态(SOC)与其影响因素呈现非线性动态关系,导致难以实时精确估算SOC。本文提出了一种基于扩展卡尔曼滤波(EKF)算法,并选用戴维南(Thevenin)模型来对锂电池的剩余电量进行估算。本文在戴维南模型的基础上建立了电池的非线性状态空间方程,通过实验和仿真的结果表明,该算法的误差小于3.00%,精度达到了应用的要求。     

基于分数阶模型的锂离子电池SOC与SOH协同估计

锂离子电池荷电状态(SOC)和健康状态(SOH)的精确估计对电动汽车稳定运行十分重要.以精确估计电池SOC和SOH为目标,提出了一种基于分数阶模型的协同估计算法.建立基于二阶RC电路模型的分数阶电池模型,采用自适应遗传算法(AGA)辨识模型参数,利用分数阶扩展卡尔曼滤波(FOEKF)算法估计SOC,并结合自适应无迹卡尔曼滤波(AUKF)算法估计SOH,迭代更新内阻与SOC进而实现SOC与SOH精确的协同估计.在城市道路循环工况(UDDS)下使用Matlab工具验证和对比了算法精度,平均误差均控制在2％以内.结果表明,该协同估计算法能够精确估计电池SOC和SOH,为电池状态估计提供了一种方法.     

基于自适应两步滤波的电池SOC估计算法

电池的荷电状态(SOC)是锂离子电池最重要的状态参数之一,是电池充放电控制和续航里程估计的依据,但现有研究中基于扩展卡尔曼滤波的SOC估计方法没有解决观测方程局部线性化带来的误差问题。为此,提出了一种基于自适应两步滤波的电池SOC估计算法,实现对电池SOC的精确估计,并提高其对测量噪声的鲁棒性。实验结果表明该方法可在不同工况和不同电池老化条件下将电池SOC估计的平均绝对误差减小至2%以内。     

基于QPSO-BP神经网络的锂电池SOC预测

电池荷电状态(state of charge,SOC)的预测是电动汽车电池管理系统的关键任务之一,为此对锂电池荷电状态的预测进行了研究,提出了一种基于QPSO-BP神经网络的锂电池SOC预测.在分析了磷酸铁锂(LiFePO4)电池充放电机理后,运用MATLAB人工神经网络工具箱建立基于量子微粒群算法(QPSO)的BP(back propagation)神经网络模型,用于预测锂离子电池充放电过程中的任一状态下的SOC.仿真实验验证了方法的准确性.结果表明,与现有的神经网络预测方法相比,基于QPSO-BP神经网络的锂电池SOC预测方法准确度高,且具备很好的实用性.     

改进的WNN在蓄电池SOC估算中的应用

蓄电池的荷电状态SOC是影响电动汽车行驶安全的一项重要指标,针对此,提出一种改进的小波神经网络模型对SOC进行估算,根据历史实验数据,对影响电池荷电状态的相关参数采用主成分分析处理,再用遗传算法优化小波神经网络模型的权值、阈值,进而对蓄电池进行SOC估算。结果表明,基于主成分分析与遗传算法优化后的小波神经网络可更加精确的对电动汽车蓄电池进行SOC估算,且收敛性好。     

电动汽车入网一次调频控制策略研究

针对电动汽车维持电池能量和补给能量2种行为,分别提出了电动汽车入网一次调频控制策略,即维持电池能量调频控制和电池计划充电调频控制。用椭圆函数构建电视荷电状态与充/放电下垂之间的函数关系,实现维持电池能量和频率下垂控制。根据用户充电需求和电池荷电状态,实时修正计划充电功率,满足用户充电需求。最后,在2区域互联电网模型上进行仿真实验,仿真结果验证了所提出控制策略的有效性。     

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。     

换电模式下电动汽车换电充裕度模型及仿真研究

在电动汽车规模化应用之后,电动汽车换电站内在不同时段应该储备多少蓄电池方能满足电动汽车的换电需求,是一个需要解决的问题。给出了电动汽车换电充裕度的概念,建立了基于一定假设条件的车主用车习惯和充电管理策略的数学模型,分析了换电需求发生时刻的条件,由此得到不同时段的换电需求,即对应的储备电池的数量。应用Monte Carlo方法进行了仿真计算,得到了换电站内不同时段满足换电充裕度要求应该储备的蓄电池数量,并指出上述模型及方法可以进一步用于计算电动汽车入网技术(vehicleto grid,V2G)的蓄电池数量及研究充电时间、蓄电池容量、充电控制策略等因素对换电充裕度的影响。     

基于EMF等效模型电动车镍氢电池SOC估计

讨论了电动汽车镍氢动力电池荷电状态(State of Charge,简称SOC)的估计方法。提出用电动势(EMF)等效电路模型法来估计电池的SOC。研究确定了EMF与SOC之间的关系,并通过电路分析,计算得出电池EMF与端电压之间的关系,最终建立了端电压与SOC关系。通过实测数据并利用模型估计数据的对比得出,SOC的误差在混合动力汽车的允许误差范围内。该方法在车辆停车和行驶时均适用。     

Lithium-ion Battery Modeling and State of Charge Estimation

Abstract

State of charge (SOC) is an important indicator for guiding the charging-discharging operation of lithium-ion batteries. In this article, the equivalent circuit model of lithium-ion battery and the variable forgetting factor (VFF) least squares model identification method are proposed. This parameter identification method can improve the accuracy of the lithium-ion battery model, thereby ensuring the accuracy of the SOC estimation. Furthermore, based on the lithium-ion battery model, the adaptive unscented Kalman filter (AUKF) algorithm is proposed to estimate SOC of lithium-ion batteries. Experimental results show that the AUKF algorithm is good robustness, fast convergence, practicality and small error in SOC estimation of lithium-ion batteries. In conclusion, the VFF least squares model identification method and the AUKF algorithm are promising engineering application method.     

磷酸铁锂锂离子电池SOC的电流脉冲探测

在不同荷电状态(SOC)下,研究磷酸铁锂(LiFePO4)锂离子电池对充放电电流的响应程度,确定几组响应最强烈的电流.将电池组在实际装车运行中该电流下的脉冲数据与电池管理系统中的数据对照,作为辅助方法对当前计算的SOC进行校正,然后采取合适的策略对电池组均衡.试验证明,电池组的容量提高了10％以上.     

变电流下的电池荷电状态定义方法探讨

铅酸电池的荷电状态 (SOC)的测量和估计 ,对电动汽车的电池管理系统极为重要。分析了目前流行的SOC定义所存在的问题 ,并将各种电池容量的影响因素分为可恢复性和不可恢复性两类 ,这不仅解释了原SOC定义不适应变电流放电情况的原因 ,并以此为基础提出了在变电流放电下的SOC定义方法和计算模型     

电动汽车安全预警云服务系统设计

目前市场的电动汽车质量参差不齐,直接影响到电动汽车的安全运行。从电动汽车的电池安全角度,利用云计算技术设计一种电动汽车安全预警系统,实现对电动汽车电池箱的全方面监测、数据云同步、云服务端的高性能数据分析、事故预警和全领域电池追踪,以此提高人身和电池安全,减少电动汽车电池事故发生数量,加快救援速度,延长电池寿命。     

蓄电池电量监测新技术

为了准确了解以蓄电池为动力的电动汽车所用电池的剩余电量,在分析目前一些电池剩余电量计算方法的基础上,提出了一种利用阻抗跟踪技术的单芯片监测电池剩余电量方案。在实际设计中采用了TI公司的bq20280芯片,它能够在电池整个寿命周期内以高达99%的精确度计算电池组的剩余电量。在电池组处于静止状态时,通过在相应的温度下关联电池组的空载电压和充电状态可以分析出准确的电荷状态。