基于贝叶斯正则化算法BP神经网络钒电池SOC预测

电池荷电状态(SOC)用于表征电池的剩余电量,是全钒液流电池的一个重要参数。在此介绍常用的钒电池SOC预测方法,并对比其优缺点。基于电池SOC的非线性特征,提出采用BP神经网络预测钒电池的SOC,并采用L-M优化算法以及贝叶斯正则化算法对网络进行优化。使用贝叶斯正则化改进的神经网络在对项目中全钒液流电池测试过程实时预测SOC。实验结果表明,采用贝叶斯正则化算法改进的神经网络能够提高SOC的实时预测精度,具有很好的实用前景。     

一种基于预测开路电压的SOC估算方法

估算锂离子动力电池荷电状态（SOC）是电池管理的一个难点,通过对电池放电曲线及恢复曲线分析,拟合出电池开路电压的计算公式,解决了动态情况下预测电池开路电压的问题,使开路电压估算SOC在电动车上使用成为可能。本文采用建立电池模型的方法,通过实验所得数据对模型进行曲线拟合,得到最优参数,并通过另外几组数据进行验证。实验结果...     

基于EKF-PF算法的退役动力锂电池SOC估计

为准确估计退役动力锂电池的荷电状态（SOC）,避免其在储能系统中因放电容量不一致导致运行效果不佳,保障储能系统安全运行,提出了利用扩展卡尔曼粒子滤波算法（EKF-PF）与二阶Thevenin等效电路模型相结合的方法估计退役动力锂电池的荷电状态。该方法首先采用二阶Thevenin等效电路构建退役动力锂电池的等效电路模型,写出观测方程与状态方程;其次利用含遗忘因子的递推最小二乘法（FFRLS）对建立的等效电路模型进行参数辨识;最终通过EKF-PF算法在城市道路循环（UDDS）工况下对退役动力锂电池进行在线SOC估计,并与粒子滤波（PF）算法做对比。实验结果表明,EKFPF算法在估计退役动力电池SOC时能将其平均误差控制在1.23%以内,最大误差控制在3.37%以内,优于PF算法的估计结果。证明了EKF-PF算法在估计退役动力锂电池SOC时具有更高的精度和应用价值。     

基于联合算法的锂电池SOC与SOH协同在线预测

以18650型锂电池为研究对象,建立双极化Thevenin(DP-Thevenin)等效电路模型描述其动静态特征。分别以恒流脉冲放电实验和带遗忘因子的递推最小二乘法完成电池电动势及模型参数的辨识;在Simulink中搭建等效电路模型,以脉冲电流作为激励进行验证,得出模型响应电压与实际端电压契合度较好,平均误差为1.836%;构建电池实验硬件电路,编写算法程序完成了锂电池实验系统的构建。最后,在随机测试工况下借助Matlab分析了基于联合算法的锂电池荷电状态(SOC)与健康状态(SOH)在预测精确度、错误初值时算法收敛性等方面的性能。实验结果表明,算法可精确估计出电池SOC和内阻大小,最大误差不超过3.5%;且在初值相差15%时,算法可在319 s内收敛至真值附近,鲁棒性较好     

一种改进型锂离子电池SOC估算方法

为提高锂离子电池荷电状态(SOC)的估算精度，首先建立锂离子电池的较精确的二阶 RC等效模型，根据模型建立 状态空间方程，其次介绍电池充放电时电压电流采集方法，根据采集的数据，运用扩展卡尔曼滤波算法(EKF)，对锂离子电池的荷电状态进行估算。结果表明，该数据的采集方法具有很高的精度，用扩展卡尔曼滤波算法估算的结果与真实值较为接近，精确度可达4％，对噪声有很强的抑制作用。     

动力型锂电池SOC与SOH协同估计

锂电池及其应用近年来逐渐成为研究热点。以提高电池管理系统(BMS)对电池荷电状态(SOC)和健康状态(SOH)的估算精确度为目标,在建立二阶Thevenin等效电路模型基础上提出一种能在线协同估算电池荷电状态和健康状态的改进扩展卡尔曼滤波算法。通过分阶段脉冲放电实验,并利用最小二乘法求得模型参数。在动态应力测试工况(DST)下借助Matlab对比分析了改进扩展卡尔曼算法在SOC和SOH估计精确度、错误初值时算法收敛性、算法复杂度等方面的性能。实验表明,利用该算法可以精确估计出各采样点处的SOC和SOH,误差低于1%;且在初值不准确情况下,运行算法可快速收敛至真值附近,算法估算结果的准确性与模型参数的微调无关,鲁棒性较好。     

一种基于预测开路电压估算SOC初值的方法

为解决电动汽车动力电池 SOC初值估算问题,文章以锂离子动力电池为对象,进行了脉冲放电实验,拟合了锂离子动力电池开路电压与 SOC函数关系式。对七阶Thevenin等效电池模型进行了参数辨识,预测了锂离子电池开路电压,将预测的开路电压代入开路电压与 SOC函数关系式进行了 SOC初值的估计。通过仿真实验,得出 SOC 初值估计误差为0.1321%。文中 SOC初值估算精度优于市场上通用的电池容量检测仪精度,验证了预测开路电压估算 SOC初值方法的可行性。     

关于二阶RC锂电池模型的仿真研究

随着科技的飞快发展,能源的缺少和环境污染问题日益严重。电动汽车作为新能源产业的代表,其核心部件锂电池的荷电状态(SOC)估计是电池管理的一个难点。该文以锂电池为研究对象,基于多方面因素,首先用二阶RC模型作为研究对象。在每个等分点处进行一次脉冲放电实验,其次在室温下展开HPPC实验并进行电池参数辨识。然后基于MATLAB/Simulink仿真平台,将SOC为0.8时的附近工作点作为电流激励代入辨识的二阶RC等效电路模型中,最后将实测和仿真的端电压进行对比。实验结果表明：模型能够较好地拟合不同区间的实测与仿真端电压之间的关系,拟合电压曲线平均误差为0.0032 V,有着良好的精度。     

串联锂离子电池组荷电状态评估方法对比

分析了多芯串联锂离子电池组中各组成电芯初始荷电状态差异引起的安全问题,研究了充电电压、放电电压和开路电压与荷电状态对应关系,并进行了试验验证,定量分析和试验验证了电芯间的初始开路电压差异、初始放电电压差异、初始荷电状态差异三者与锂离子电池组安全性的对应关系,提出了初始荷电状态差异的考核方法。     

动力电池荷电状态估算方法的研究

由于电池本身特性决定了电池电量的预测成为电动汽车开发的一个难点。但目前各种方法都难以精确地测量蓄电池的剩余电量,并以此计算电动汽车蓄电池的荷电状态（SOC）。在对目前常用的剩余电量计量方法分析基础上,提出了一种基于开路电压法和安时法复合的估算方法,然后利用卡尔曼滤波估计递推算法对蓄电池SOC进行实时估算,并在MATLAB下进行了仿真,实现了电池荷电状态（SOC）的精确估算。     

基于多元算法的锂电池SOC估算研究

电池的荷电状态(SOC)是反映电池剩余电量状态的重要参数,精确估计SOC值是电池管理系统(BMS)最重要的功能之一。传统的SOC估算方法如安时积分法、开路电压法、内阻法等的单独使用很难做到对SOC值的精确估计。针对电池SOC前期估算不准、后期累积误差逐渐变大的问题,以Thevenin模型为基础,对传统的安时积分法进行了改进。前期配合开路电压法获取SOC的精确初值,后期结合扩展卡尔曼滤波法修正安时积分法的累积误差,最后用MATLAB对整个过程及其结果进行曲线拟合和分析,实验结果显示所提方法在SOC估算的过程中误差都可以保持在8%范围内,具有较高的估算精度。     

电动汽车锂离子电池模型参数辨识和荷电状态估算

针对电动汽车锂离子电池荷电状态在线估算准确率低、实时性差等问题,文中建立一种精确在线估算荷电状态的有效方法,采用MAFF-RLS和EKF对荷电状态进行估算。建立锂离子电池的等效电路模型,将MAFF-RLS应用在电池等效电路模型的参数辨识上,可以有效在线辨识模型参数。在模型参数辨识的基础上,将辨识出的模型参数作为荷电状态估算的输入,采用EKF估算动力电池实时荷电状态。经过实验仿真发现,采用MAFF-RLS和EKF联合估算荷电状态能够提高估算精确度,估算误差仅在2%以内。     

基于CNN-LSTM锂离子电池荷电状态的预测

在电池管理系统中,荷电状态（SOC）作为锂离子电池的关键参数,其估算的准确性对电池管理系统尤为重要。提出了基于卷积神经网络—长短期记忆神经网络（CNN-LSTM）网络的数据驱动方法,选取电池的电压、电流、温度作为输入,SOC作为输出。通过CNN-LSTM网络提取输入与输出之间的非线性相关性、空间性和时序性对SOC进行准确预测,同时采用组合法确定了网络参数。最后,通过MATLAB软件进行实验,实验结果表明,在低温下RMSE仍低于2%,具有较高的准确性和广阔的应用前景。     

梯次利用动力锂电池内部参数特性分析

为了研究退役锂电池内阻特性与荷电状态(State of Charge,SOC)的关系,以电动汽车淘汰实现梯次利用的18650动力锂电池为研究对象,对其进行不同温度(-20～20℃)、不同倍率(1C,2C)充放电测试,利用改进的电池模型测量电池的内阻,获得了退役锂电池内阻特性与环境温度、放电倍率及荷电状态之间的关系。研究结果表明,退役锂电池在充电实验中,温度变化、放电倍率对其内阻影响不明显;放电实验中,相同放电倍率下,退役锂电池内阻随着电池SOC的减小而减小;同一SOC值下,随着温度的上升,退役锂电池内阻逐渐变大,放电倍率越大,退役锂电池内阻越小。因此,退役锂电池内阻与环境温度、放电倍率、荷电状态互相影响,为退役锂电池分类梯次利用提供了参考。     

基于RTS-IEKPF算法的锂电池SOC估算

针对瞬间大电流充放电使电池非线性加剧,使用迭代扩展卡尔曼滤波算法(IEKF)估算电池荷电状态(SOC)时会有较大误差。为了减小误差,进一步提高SOC的估算精度,提出一种基于锂电池复合电化学模型的融合RTS最优平滑的迭代扩展卡尔曼粒子滤波算法(RTS-IEKPF)。该方法利用RTS(Rauch-Tung-Streibel)最优平滑算法与IEKF算法结合生成粒子滤波的建议分布,得到RTS-IEKPF,并用该方法来估算锂电池的SOC。实验结果表明,RTS-IEKPF算法SOC的估算精度优于PF,IEKF和IEKPF算法SOC的估算精度。     

电动汽车用镍氢电池剩余电量估计方法研究

电池剩余容量预测在电动汽车电池管理系统中占有重要的位置。为准确实时地预测电动汽车动力电池组荷电状态(SOC),以镍氢电池组为研究对象,采用安时累积法与开路电压法相结合对电池组SOC进行预测,通过FPGA对模型及算法的有效性进行验证。实验结果表明该研究方法结构简单,成本相对较低,且预测精度相对较高,有助于提高科研效率并缩短产品研发周期。     

UPS蓄电池在线监测系统的设计

蓄电池是UPS系统的重要组成部分,对蓄电池进行在线监测,及时掌握蓄电池的健康状态,对提高UPS系统的可靠性具有重要意义。本文设计了一种基于ARM的蓄电池在线监测系统。该系统可在线监测蓄电池的电压、电流,同时通过CAN总线将监测到的量传输到上位机,选用二阶RC等效电路作为蓄电池的模型,利用最小二乘法辨识模型参数并根据开路电压与SOC的关系估计出蓄电池的荷电状态（SOC）。通过上位机软件可以直观的显示蓄电池的健康状态,及时发现失效电池,延长蓄电池的使用寿命,保证UPS系统的安全运行。     

退役锂动力电池SOC预测建模与分析

随着锂动力电池退役周期的到来,电池梯次应用具有现实意义。为了解决梯次再利用时退役电池放电非线性变化剧烈引起的电池荷电状态(State of Charge,SOC)预测精度不高问题,提出了一种基于量子粒子群(QPSO)优化RBF神经网络预测退役电池SOC的动态模型,相比经典的粒子群(PSO)优化算法具有更好的稳定性。实验结果表明:该预测模型的误差稳定在1%以内,响应速度快,为锂电池充分利用奠定了理论基础。     

基于ARM电池组均衡控制系统算法应用

为了弥补单体电池因电压差造成过充过放性能较弱的缺陷,同时为保护电池组,以提高其有限容量利用率,提出并设计了一种优化的基于ARM Cortex-M3电池组均衡控制算法应用系统。以EXP-LM3S811作为开发平台,实现上、下位机数据通信、荷电状态(SOC)算法、电池参数及报警功能,采用一种优化的电量复合估算方法,对电池组SOC进行准确计算,并且利用Labview人机界面实时监控电池组工作状态。通过仿真和实验证明,该系统提高了均衡控制效率和精度,具有较好的电池利用率。     

不同SOC区间及倍率下锂电池老化分析

选择合适的荷电状态(State of Charge,SOC)区间及放电倍率可有效减缓锂电池的老化.将可大倍率放电的钴酸锂电池作为研究对象,将其SOC划分为四个区间,结合三个不同的放电倍率进行双因素老化实验.结果表明,相同放电深度(Depth of Discharge,DOD)情况下,SOC区间越高电池老化越快;释放的容...