改进电池SOC估算方法研究

针对传统的荷电状态(SOC)估算方法估算动力电池荷电状态精度不高,对混合动力系统中动力控制器的正常运作有很大影响,使得节能效果大大降低,从四线法和能量守恒定律对电池内阻测量出发,提出了一种改进的电池SOC估算方法,该估算方法不但能够估算电池恒定大电流和小电流放电,同时也非常适合变电流放电工况,在变电流放电工况下,新的电池SOC估算方法的估计值误差明显小于5%,因此具有较高的估计值精度。     

电动汽车用铅酸电池管理系统SOC算法研究

SOC数据是电动车运行过程中一个重要的参数,它是防止电动车蓄电池过充和过放的主要依据。通过安时(Ah)积分法和开路电压法相结合的方法来估算电池荷电状态(SOC)。利用ADVISOR整车仿真软件,在MATLAB/Simulink仿真平台上搭建了SOC仿真模型验证估算方法的精确性。在电池管理系统硬件设计中,系统采用了分散采集集中处理的设计方案,采用MC9S12DP128MPV控制芯片进行信息处理计算,得出电池荷电状态和单体电池工作状态、电流、温度等信息,并在软件中实现了算法的嵌入式应用。     

VRLA电池SOC估算的改进方法

对VRLA电池的荷电状态(state of charge,SOC)进行估算是蓄电池能量管理的前提。考虑蓄电池充放电电流、工作温度和充放电循环次数等因素影响估算电池SOC的准确度,对传统的能量法进行了修正;通过在电池电压恢复特性曲线基础上建立开路电压预测模型,提取电池E-SOC关系曲线,用于电动势法在线估算;分析两种估算SOC方法的特点,提出了改进的能量-电动势法SOC在线估算的改进方法,从而达到各取所长,优势互补的效果。实验结果表明改进的能量-电动势法SOC估算方法简单实用、准确度高。     

基于改进EKF算法的锂离子电池SOC估算方法

针对锂离子电池在变电流放电过程中荷电状态SOC(state of charge)估算精度的问题,提出了一种基于改进扩展卡尔曼滤波EKF(extended Kalman filter)算法的新估算方法。首先,通过放电实验和混合脉冲功率特性HPPC(hybrid pulsepower characteristic)实验,分析计算了等效电路模型参数;然后,利用该方法获得了该模型参数与放电倍率和SOC之间的关系,提出了一种估算SOC时在线修正开路电压和欧姆内阻的新原理和方法;最后,通过变电流放电的SOC估算结果,验证了该改进算法的可行性与有效性,从而解决了锂离子电池在复杂工况下估算精度不足的问题。     

基于有限差分扩展卡尔曼滤波的锂离子电池SOC估计

锂离子电池荷电状态的快速准确估计是电池管理系统的关键技术。针对锂离子电池这一动态非线性系统,以二阶RC等效电路模型为基础,采用递推最小二乘法估算模型参数,运用有限差分扩展卡尔曼滤波算法对电池荷电状态进行估算。仿真结果表明,该模型能较好地体现电池的动态特性,有限差分扩展卡尔曼滤波算法在估算过程中能保持很好的精度,并可以有效地减小由模型误差引入的荷电状态估计误差。     

基于DAUKF的锂电池SOC值和SOH值的估算研究

为提高锂离子电池荷电状态(state of charge,SOC)值和健康状态(state of health,SOH)值的估算精度,基于二阶戴维南等效电池模型,提出双自适应无迹卡尔曼滤波(double adaptive unscented Kalman filter,DAUKF)算法。通过AUKF1和AUKF2这2个滤波器,可以同时计算出电池的SOC值和电池内阻,内阻既可以更新电池的模型参数,又可依靠函数关系,估算出电池的SOH值。仿真结果表明,DAUKF能够准确估算出SOC值和SOH值,精度保持在2%以内,由此验证了该方法的可行性和精确性。     

基于PSO-ELM的储能锂电池荷电状态估算

对锂离子电池荷电状态(SOC)进行准确估算是保证电池管理系统安全稳定运行的关键。常用的安时积分法存在累积误差,卡尔曼滤波算法需要建立精确的电池模型,神经网络法不依赖具体的锂电池模型,能够反映锂电池的非线性关系,因而受到广泛关注,然而传统神经网络估算SOC训练时间长、精度低。针对以往电池SOC估算精度低等问题,文中提出粒子群(PSO)优化极限学习机(ELM)神经网络的方法。以电池电压、电流和温度作为PSO-ELM模型的输入向量,以SOC作为输出向量。将实验获得的数据导入模型进行训练和测试,采用PSO对ELM随机给定的输入权值和隐含层阈值进行寻优。仿真结果表明,与BP神经网络的预测结果相比,文中估算SOC的方法具有更高的精度。     

联合精确估算电池的健康状态

以动力电池的电压、电流、温度和内阻作为输入,荷电状态作为输出,建立四输入一输出的神经网络仿真模型预测电池的荷电状态。再以荷电状态为基础,改进电池健康状态的估算方法,分别利用改进型容量法、改进型内阻法和电压法3种方法分别估算出电池的健康状态,并利用遗传神经网算法建立了3种方法联合在一起的电池健康状态估算模型。以4节12 V的串联锂离子电池组模块为研究对象分别进行了Simulink仿真和实验研究,通过采集动力电池充放电时的电压、电流、温度、内阻和放电量数据,测试了电池的荷电状态和健康状态。实验结果表明电池荷电状态的预测精度为1.6%,仿真模型运行和实验结果显示联合法估算健康状态的最大误差为1.5%,高于其他3种单独的方法。本文提出的健康状态预测方法,省略了传统神经网络算法估算健康状态寻找健康因子的复杂步骤,同时也避免现有电池的健康状态估计单一参量判定方法的局限性。     

无损卡尔曼滤波在估算动力电池SOC中的应用

电动车电池管理系统(BMS)能精确估算电池荷电状态(SOC),是电池安全和优化控制充放电能量的必要保证。针对整车环境下动力电池的非线性、强耦合特性,在多维动态补偿安时积分与电池模型融合的基础上,提出一种无损卡尔曼滤波(UKF)方法估算电池的SOC。应用Simulink仿真工具及Stateflow有限状态机工具建立一个简单可靠易移植的电池管理系统应用层控制策略模型。仿真结果验证了模型的可靠性,同时表明无损卡尔曼滤波能获得准确的SOC估算值。     

基于差分热伏安法的锂离子电池SOH诊断

当前基于容量、端电压和内阻等电特性参数的健康状态(state of health,SOH)估算模型在实际使用过程中难以真实反映电池老化状态.老化前后电池产生的热量必然存在差异,而温度也是反映SOH的关键特性参数.采用考虑电池温度的差分热伏安(differential thermal voltammetry,DTV)作为锂离子电池SOH诊断方法.分析和比较了6种电流倍率下电池DTV曲线,选取2 C和4 C倍率研究电池老化过程中的DTV特性,提取DTV峰特征参数分析电池衰退特性.接着分析峰特征参数与SOH的关联性.结果表明,4 C峰峰容量与SOH的线性关系最好,可以用于估算SOH.     

基于深度学习的锂离子电池SOC和SOH联合估算

锂离子电池常被作为储能元件以实现电能的存储和转化,然而其荷电状态(state of charge,SOC)和健康状态(state of health,SOH)无法被直接测量。为了实现锂离子电池SOC和SOH联合估算,该文分析SOC和SOH之间的关联性,并提出一种基于深度学习的锂离子电池SOC和SOH联合估算方法。该方法能够基于门控循环单元循环神经网络(recurrent neural network with gated recurrent unit,GRU-RNN)和卷积神经网络(convolutional neural network,CNN),利用锂离子电池电压、电流、温度,实现锂离子电池全使用周期内SOC和SOH的同时估算,而且由于将锂离子电池的SOH估算值考虑到SOC估算中,能够消除锂离子电池老化因素对锂离子电池SOC估算造成的负面影响,从而提升SOC估算精度。两个锂离子电池测试数据集上的实验结果表明,提出的估算方法能够在不同温度和不同工况下实现锂离子电池全使用周期SOC和SOH联合估算,且获得较高的精度。     

基于SRCKF的电动汽车锂离子电池荷电状态估计

精确的电池荷电状态(state of charge,SOC)估计对提高新能源汽车电池管理系统的性能、电池使用安全性以及整车能量管理策略的准确性具有至关重要的作用.综合考虑电池模型精度和复杂度,建立了锂离子电池二阶RC等效电路模型,运用自适应遗忘因子递推最小二乘法(adaptive forgetting factor-recursive least square,AFF-RLS)在线辨识模型参数.在此基础上,采用平方根容积卡尔曼滤波(square root cubature Kalman filter,SRCKF)估算电池SOC,使用动态应力测试工况(dynamic stress test,DST)对模型参数和SOC进行验证.研究结果表明,与无迹卡尔曼滤波(unscented Kalman filter,UKF)估算相比,SRCKF估算误差小、鲁棒性好.     

基于锂电池SOC估算方法

电池的荷电状态(State of charge,SOC)是锂电池组电池管理系统的重要参数,而电池的SOC估算受到很多因素的综合影响,难以保证其估算精度。准确的电池模型是精确估算SOC的基础,通过对电池模型的改进、模型参数的实时更新,提高了模型参数的精确度;修正的扩展卡尔曼滤波并结合修正的安时积分法,减小了温度、充放电倍率等因素的影响,从而提高了SOC估算的精度。     

基于大数据的电池特征参数提取和SOC估算方法

运维系统是保障电池储能电站安全、高效运行的重要支撑工具，电池荷电状态(state of charge, SOC)的精确估算是运维工具依赖的关键技术之一。针对储能电站应用领域的电池特性参数和电池SOC获取问题，使用基于大数据的电池特征参数提取方法，利用电池历史数据提取SOC、电压、电流等参数的对应关系，可对“开路电压法+安时积分法”估算方法的初始荷电状态SOC₀和实际可用容量Q_a进行修正。该方法可以有效提高运维工具对储能电站等应用领域中电池SOC的实时估算精度。     

基于灰色扩展卡尔曼滤波的锂离子电池荷电状态估算

准确估算电池荷电状态(SOC)是电池管理系统的核心技术之一。为提高扩展卡尔曼滤波(EKF)估算电池SOC精度,将灰色预测模型(GM)和EKF融合,构建灰色扩展卡尔曼滤波(GM-EKF)算法用于电池SOC估算。该算法首先用GM(1,1)替代EKF算法中Jacobian矩阵,对当前时刻电池系统状态预测,即实现系统状态先验估算;再通过观测值对系统状态进行更新和修正,获得后验估算值,实现对电池SOC的估算;最后在自主搭建的电池实验平台上对电池进行模拟工况放电实验。实验结果表明,GM-EKF算法相比EKF算法,估算电池SOC具有更高的精度,估算误差不超过±0.005。研究结果对电池管理系统估算电池SOC具有现实指导意义。     

基于FF-MILS和UKF算法的锂电池SOC估算

为了建立精确的锂离子电池模型,在线监测电池的荷电状态(SOC),采用二阶等效电路模型,通过实验数据拟合开路电压(OCV)与荷电状态的对应关系.选用遗忘因子多新息递推最小二乘法(FF-MILS)为在线辨识算法完成对锂离子电池在线模型参数估测,同时将所得模型参数传入卡尔曼滤波器,完成对动力电池荷电状态的估算.在MATLAB/Simulink中实现该算法的编程,把电池综合测试仪对锂离子电池采样所得电流、电压、容量等实验数据导入算法进行仿真.结果表明,该算法迅速收敛初值误差,并在稳定状态下最大误差不超过2％,从而验证了该算法的有效性以及对外界干扰的鲁棒性,可以用来实现对车用锂离子电池状态的准确估算.     

模块化电池储能系统SOC估算采样优化研究

模块化电池储能系统在大容量领域具有良好的应用前景。但模块化电池储能系统中电池电流本征上包含直流、工频、二倍频和开关频率成分。此处建立了模块化储能系统中的电池工况模型,分析提出了电池管理系统(BMS)的采样频率优化方法。搭建了模块化多电平电池储能系统实验平台,基于安时积分法和扩展卡尔曼滤波算法验证了所提采样频率优化方法。优化的采样频率和采样窗口选择,可在降低BMS硬件和运算处理要求的同时,确保不同荷电状态(SOC)估算方法的精度。     

基于迭代扩展卡尔曼滤波算法的电池SOC估算

采用卡尔曼滤波算法估算动力电池的荷电状态(SOC),其估算精度与SOC初值无关,但与动力电池的等效模型有关。为进一步提高SOC估算精度,充分考虑温度对电池模型参数的影响,改进电池的二阶RC等效电路模型,建立电池的非线性状态空间模型;为保证SOC估算结果的收敛性,将迭代滤波理论引入到扩展卡尔曼滤波(EKF)算法中;采用Levenberg—Marquardt(LM)方法优化迭代过程,并将其应用于动力电池SOC的估计。实验结果表明,与EKF和迭代EKF(IEKF)算法相比,采用改进的电池等效模型和优化算法,具有较好的收敛性,且提高了估算SOC的精度。     

考虑环境温度影响的锂离子电池改进双极化模型及其荷电状态估算

建立准确合理的锂离子电池数学模型,精确估算锂离子电池(LIB)终端电压及荷电状态(SOC)对于开发高效实用的电池管理系统十分重要.首先,该文建立一种改进的环境温度依赖的锂离子电池双极化(DP)模型.然后,基于锂离子电池的动态实验数据,利用遗忘因子最小二乘法(FFLS)对该锂离子电池模型关键参数进行辨识,并将其拟合为环境温度的连续函数.同时,根据扩展卡尔曼滤波(EKF)算法,提出一种适用于不同环境温度的锂离子电池荷电状态估计方法.最后,采用?10℃、20℃和50℃下动态压力测试(DST)和US06循环工况的实验数据,对该文的锂离子电池模型进行仿真分析和验证.结果表明,该文提出的改进DP模型能够准确反映环境温度对模型参数的影响,且在电池终端电压和SOC估算方面具有较高的精度和较宽的温度适用范围.     

基于联合扩展卡尔曼滤波法的锂电池SOC估算

锂电池荷电状态(SOC)的精确估计一直是电池管理系统的核心任务之一。电流传感器中存在非零均值的电流漂移噪声,这些噪声会造成不可避免的估计误差。为减少电流漂移噪声对估算造成的不利影响,提出了联合扩展卡尔曼滤波法,以Thevenin模型为锂电池等效电路模型,将电流漂移值作为状态变量与电池SOC进行同步预测。实验和仿真结果表明,该方法能有效抑制电流漂移噪声,提高估算精度。