基于HSMM的铝空电池后期SOC估计

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。传统的安时法由于累积误差较大始终无法满足精确的SOC估计。该文采用基于隐半马尔可夫模型 (HSMM) 的SOC预测作为安时法的一个补充, 使铝空电池后期估计精度可以得到保障。该模型的每个不同状态产生多组观察值, 根据各个状态之间的转换概率以及状态驻留时间可以比较准确地预测后期各个状态下的剩余寿命。经过实验仿真验证, 与单一的安时法相比, 结合HSMM的SOC估计精度在后期有较大提升。     

锂离子电池新型SOC安时积分实时估算方法

为了准确估算锂离子电池荷电状态SOC,结合传统安时积分法、开路电压法及负载电压法,综合考虑充放电效率、温度等因素的补偿措施,提出一种新型SOC安时积分实时估算方法。建立SOC实时估算仿真模型,并搭建锂离子电池充放电试验平台进行SOC实时估算方法验证。仿真与试验对比分析结果表明:SOC误差值的偏差在3%以内,说明新型安时积分实时估算法具有理论上的可行性,估算方法精确度较高,可为电池SOC实时估算和检测提供重要的参考。     

基于STM32和BQ76940的电池管理系统设计

利用STM32单片机设计了一种电池管理系统,实现15节串联锂电池的有效管理。采用BQ76940电池监控芯片设计检测单元,并基于开关电容的电力、电子、电路设计主动均衡单元。系统还利用安时积分法和开路电压法估算电池的荷电状态（State of Charge,SOC）,以及利用电池等效模型和通过参数辨识的方法实现在线检测电池的内阻增大性失效故障。介绍了该电池管理系统软硬件的设计方法,并对电池管理系统中的检测单元、均衡单元和内阻辨识进行了测试。实验结果表明：该电池管理系统能够采集电池的电压、电流和温度,能对电压不一致的单体电池进行均衡,并且有效辨识出电池的内阻,具有采样精度高、均衡效果好和能在线检测电池内阻等优点。     

基于IAF-NARX的车载锂电池SOC实时估算

针对现有车载锂电池荷电状态(SOC)估算方法存在误差大、动态模型建立困难及模型适应性差等问题,文章提出一种采用动态神经网络(NARX)来实时估算车载锂电池SOC的方法。首先由改进人工鱼群算法寻优得到最佳NARX的结构参数,以建立初步的锂电池SOC估算模型;其次根据不同工况更新模型中的结构参数,增强估算模型自适应性。估算模型的输入分别为锂电池的电压、电流、欧姆内阻,其中锂电池的欧姆内阻是依据电池模型通过递推最小二乘法在线辨识获取,随温度和电池健康状态(SOH)实时变化。在两种典型工况下做车载锂电池放电试验,并采用两种不同锂电池来验证估计模型的适应性,结果表明该方法的预测精度高、适应性好,两种工况下的估计误差均低于0.045,两种锂电池下的估计误差均不超过0.043。     

基于UKF方法的锂离子电池荷电状态估计研究

选用二阶RC回路的电池模型,以单体的磷酸铁锂动力电池为研究对象,通过充电/放电电流脉冲实验获得电池模型中的各个参数变化范围,研究其荷电状态(SOC)的估算方法.根据电池模型的状态方程和输出方程,运用MATLAB软件,利用无迹卡尔曼滤波(UKF)方法来估算锂离子电池的SOC,并将其估算结果与扩展卡尔曼滤波(EKF)方法的估算结果进行比较.实验结果表明UKF方法能够更精确地估计出动力电池的SOC.     

基于V-R模型与卡尔曼滤波器的蓄电池SOC估计

蓄电池组广泛应用于UPS系统中,荷电状态(SOC)是表征蓄电池状态的重要参数之一.在线准确估算蓄电池SOC,有利于开展对蓄电池的状态诊断、维护,保证电池组安全供电.通过对阀控铅酸电池作了大量的充放电试验,根据试验数据应用最小二乘法进行辨识,获得蓄电池SOC的端电压-电阻的计算模型,运用卡尔曼滤波器算法,对SOC做最优估计.经实验验证和仿真,得到了蓄电池SOC最优估计结果,具有很好的精确度,表明该方法能够在工程上用来估算蓄电池的SOC.     

基于复合模型动力蓄电池SOC估算

采用安时计量法、开路电压法和卡尔曼滤波法相结合估计磷酸铁锂电池初始荷电状态(SOC)。为了修正电池容量特性对SOC的影响,在安时计量法中引入等效电流系数和温度系数,对修正后的安时计量法离散化处理,建立了电池的非线性复合模型的状态方程;结合Shepherd模型、Unnewehr universal模型和Nernst模型获得复合模型的观测方程。建立了基于电池复合模型的扩展卡尔曼滤波法(EKF)来估计SOC。通过Matlab进行了实验研究,经过与实验室测量出的SOC数据对比,EKF收敛很快,设计的估算方法可行实用。     

磷酸铁锂电池模型参数辨识与SOC估算

根据磷酸铁锂电池的特性,从电池电化学角度分析,建立电池的等效电路模型。通过实验方法测得电池开路电压与SOC关系和电池模型的参数,利用卡尔曼滤波法来估算电池初始荷电状态（SOC_0）.实验与仿真表明,该算法可以有效的估算出SOC初始值,并可以将误差控制在10%之内.     

移动充电系统的锂电池SOC的估算及检测设计

为了能够实时在线检测移动充电系统的锂电池SOC,防止移动充电系统过度充放电,结合移动充电系统实际工作情况,提出在移动充电系统充放电两种状态下采用新的一种简单、易实现的分阶段算法分别对锂电池进行SOC估算.文中搭建一种新型改进二阶RC等效电路模型,利用最小二乘法理论进行锂电池参数辨识,考虑温度、充电电流和电池寿命SOH等因素对SOC估算的影响,对算法进行参数修正,并设计一种基于Android平台电池荷电状态检测系统,以容量2 750 mAh的比克三元锂电池为对象,进行HPPC实验,将实验值与仿真数据进行对比验证.结果表明:分阶段修正算法能较好地估算锂电池SOC,同时该检测系统能实时在线对锂电池进行SOC估算,验证了新修正SOC估算算法的可行性和检测系统的正确性,对实际工程应用具有一定的参考价值.     

基于极化效应PNGV模型的动力锂电池SOC估算

为提高锂电池荷电状态的估算精度及模拟锂离子电池实际充放电特性的准确性,本文通过改进现有的PNGV等效电路模型,在PNGV模型基础上,增加一节RC并联模块,使模型更好的反映电池的极化效应。同时,通过实验获取电池充放电特性,为卡尔曼滤波器提供精确的参数,并提出了电池的开路电压曲线模型,通过Matlab拟合验证满足精度要求。最后采用扩展卡尔曼滤波(extended kalmanfilter,EKF)算法对锂电池荷电状态(state of charge,SOC)进行估算,并与安时积分法进行比较。实验结果表明,估算最大误差不超过4.5%,平均不超过3%,提高了SOC的估算精度。该研究为电动汽车运行工况提供了理论依据。     

基于UKF和AH法的磁悬浮人工心脏泵用锂电池SOC估计复合算法

针对锂电池的非线性特性,提出电池状态模型在不同循环次数、不同温度下的具体改进方法;提出安时积分法和无迹卡尔曼滤波算法结合的锂电池荷电状态(state of charge, SOC)复合估计算法,分析新算法的收敛速度、估计精度以及算法复杂度。试验表明,这种复合算法复杂度低,精度高,能快速实现锂电池SOC的准确估计,估算误差为4.036 2%,适合实时在线计算。     

基于修正参数的电动汽车SOC估算方法仿真

电动汽车电池管理系统中最为重要的一个指标就是电池荷电状态（SOC）的估算。针对铅蓄电池的反应机理和工作特性,提出了一种带修正参数的安时-开路电压结合法,分析了将电池老化、放电效率以及温度等参数进行修正后对估算结果的影响,在Matlab中建立了SOC估算仿真模型。仿真结果和实验结果对比表明,该方法具有较高精度,可以精确地反映动力电池组使用情况。     

锂离子电池放电过程热特性实验研究

以18650锂离子电池为研究对象,利用简化的Bernardi生热模型和混合功率脉冲特性(HPPC)测试,进行相关的热特性实验,对锂离子电池在放电过程中的温升、生热量和直流内阻等特性进行研究.结果表明:电池在放电过程中的温升和生热量与放电倍率呈二次关系;电池在放电过程中的生热量以不可逆热为主,可逆熵变热所占比例小于5.4％,放电倍率越大,不可逆热所占比例越大;电池的内阻在较低的温度和荷电状态(SOC)下变化明显,随着温度的降低,电池的直流内阻不断增大,放电初期,电池的内阻基本保持不变,当电池的SOC降低到40％以下时,电池的内阻逐渐增大.研究结果可以为电池模组及电池包瞬态热模型的建立和分析提供依据.     

基于变采样率UKF算法的动力锂电池SOC估算

电动汽车处于不同行驶工况时,固定采样率的无迹卡尔曼滤波（Fixed Sampling Rate Unscented Kalman Filter, FSR-UKF）算法不能精确估算荷电状态（State of Charge,SOC）。为克服这一缺点,以传统的UKF算法为基础,针对电动汽车不同行驶状态下电池电流的变化特点,将变采样率采集方法与UKF算法融合,根据受控电压源电池等效电路模型及其参数辨识结果,将变采样率UKF（Variable Sampling Rate UKF, VSR-UKF）算法应用于电池SOC的估算中,并设计估算流程图。最后,通过仿真实验,获得最大相对误差不超过1%的电池端电压仿真结果以及最大相对误差不超过5%的SOC估算结果,验证了本研究的正确性和准确性。     

混合动力汽车NI-MH动力电池数学模型研究

混合动力汽车动力电池组工作时,电流变化频繁,温差大,使估算SOC变得更复杂.提出了改进的Theve-nin电池模型,能较准确地反映电流、温度变化对估算SOC的影响.实验证明改进的Thevenin电池模型能满足估算SOC的精度要求.     

基于 SHEKF-GPM 融合的锂电池 SOC 估算

荷电状态（SOC）是电池控制策略和管理系统的重要参数。针对积分法和电压法估算锂电池 SOC 时不能减少误差累积现象,提出一种基于平方根高阶扩展卡尔曼滤波（SHEKF）与灰色预测模型（GPM） 融合的算法,用于估算锂电池 SOC。该方法结合遗忘因子递推最小二乘法（FFRLS）和二阶 RC 等效电路模 型实时在线辨识和修改锂电池模型参数,结合 SHEKF-GPM 融合模型进行锂电池 SOC 状态方程的线性部分 和非线性部分估算。通过仿真分析,得到 SHEKF-GPM 融合算法估算 SOC 时的误差低于 0.3%,协方差误 差为 0% 左右,不会产生误差累积。仿真结果表明,该方法能减少误差累积,提高电池管理系统估算锂电池 SOC 时的实用性、有效性和估算精度。     

电动汽车锂电池SOC估算研究

为了精确估算电动汽车锂电池的荷电状态(state of charge,SOC),本文通过对主流SOC估算方法进行分析与比较,提出了一种基于卡尔曼滤波算法的电动汽车能量管理系统(energy management system,EMS)SOC估算方法,同时采用联合模型以保证估算过程中有较好的精度,并在实验室条件下进行实测数据及MATLAB仿真分析。仿真结果表明,卡尔曼滤波算法对锂电池SOC进行在线实时估计是有效的,能够较为准确地计算出SOC值,且估算结果与实测值基本一致,该方法可以用于电动汽车锂电池SOC的估算,具有很强的实际应用价值。     

基于扩展卡尔曼滤波法的锂离子电池荷电状态估算方法研究

电池的荷电状态(SOC)定义为电池当前容量与额定容量的比值,是电池能量管理系统的重要参数,准确获取电池SOC能够提高能量管理系统工作效率,延长电池组寿命.然而现有测量指标不能直接反映电池的荷电状态,需要进行SOC估算.开路电压法和电流积分法可粗略计算电池SOC,但会随着时间产生累积误差,严重影响蓄电池SOC估算的精确性.本文基于扩展卡尔曼滤波方法对磷酸铁锂蓄电池的SOC进行预估,并与传统方法进行了比较,结果表明,该方法能减小SOC估算误差,有效提高蓄电池SOC估算的准确性,且速度快,适合在线预测.     

动力锂离子电池荷电态估计的建模与仿真

针对混合动力车用8Ah锂离子电池荷电状态(SOC)的估算,研究了基于该种电池稳态特性的Map建模与仿真.选取对SOC有重要影响的电压、电流、温度等参数,对电池倍率充放电特性和开路电压与SOC关系进行了系统研究.再通过插值、拟合等方法补充实验缺省数据,获得Map模型的参数,从而建立电池稳态特性Map模型.将建立的模型在模拟工况实验中进行仿真和修正,采用温度系数修正法进行补偿.采取了一些数据压缩方法,以加快查询速度.模拟工况的结果表明,该模型对电池稳态SOC估算的误差在±4%以内.     

自适应扩展卡尔曼滤波电池荷电状态估算方法

为更精确预估电动汽车动力源的荷电状态,优化戴维南等效电路模型,用自适应扩展卡尔曼滤波进行荷电状态估算。对实验电池进行外特性数据获取实验,分别得到在充放电状态下的开路电压曲线,在开路电压-荷电状态对应曲线中考虑充放电状态变化的因素。对离线参数辨识进行优化处理,在固定参数离线辨识的基础上考虑充放电状态和荷电状态,并与在线辨识进行端电压估算对比。基于优化后电池模型,通过自适应扩展卡尔曼滤波及其对比算法估算荷电状态,在复杂脉冲电流工况下对比端电压和荷电状态的估算精度。结果表明:采用优化后电池模型离线辨识的端电压估算精度达到0.01 V以内,高于在线辨识的端电压估算精度。在优化模型及离线辨识基础上构建自适应扩展卡尔曼、扩展卡尔曼和交互多模型的算法模型,估算电池荷电状态。经动态工况实验验证,基于优化模型自适应算法的荷电状态估算精度达到0.05,高于交互多模型-扩展卡尔曼滤波算法及扩展卡尔曼滤波算法。