蓄电池的超长时间自动测试系统的研制

介绍了采用PC和VB虚拟仪器编程技术的超长时间自动测试系统并应用于蓄电池电能测试中,阐述了测试原理,硬件结构设计及应用软件的编制方法。文中还给出了故障中断产生,智能充电和恒流放电电子负载等实用电路及设计虚拟仪器的VB主要控件。     

可远程访问的蓄电池寿命测试系统

本文介绍了一种可远程访问的蓄电池寿命测试系统的实现框架和关键技术，应用C／S技术实现了在Interanet和Internet上仪器的远程控制和远程获取实时测试结果共享测试设备并节省人力物力的投资。本文介绍该系统的实现原理及硬件、软件设计方法。     

蓄电池测试装置单片机数据采集记录系统

应用MCS-51单片机组成的蓄电池测试装置数据采集记录系统,以较高的性能价格比实现了测试数据和工作状态的实时显示、定时存储、批数据综合处理、灵活方位预置参数、以曲线或资值方式打印等功能.系统设计中的多路双积分A/D与单片机串行接口的硬件及软件的处理等有独到之处.该数据采集记录系统也可广泛地应用于其它领域.     

蓄电池容量性能测试仪的设计

提出了一种基于单片机的蓄电池容量性能测试仪的设计方案。以单片机为核心,多种控制模块为主要结构,用于测试蓄电池的容量、寿命及配组指标。其中,充放电模块采用线性方案和高精度数据采集芯片,实现高精度测量,符合国标对蓄电池的测试要求。可为研究分析和改善电动汽车等使用的蓄电池性能和寿命提供科学依据。该仪器可单机或通过RS-485...     

检测大容量蓄电池容量的简易放电回路

随着电力自动化的不断深入,变电站保护用的直流电源容量越来越大。过去简单地只采用滑线式变阻器放电检测电池容量的方法已不实用,因为滑线式变阻器的额定电流越大就越笨重,现场携带不方便;有时滑线式变阻器的额定电流根本就达不到放电检测电池容量的试验电流。下面介绍一种简易     

影响铅酸蓄电池寿命的几个因素及对策

介绍了影响蓄电池使用寿命的原因,并结合实际就如何避免固定型铅酸式蓄电池容量降低的方法进行了阐述。     

蓄电池剩余容量预测技术现状及发展

阀控式密封铅酸(VRLA)蓄电池被广泛应用于邮电、电力、交通、军事等诸多领域,在整个系统中发挥着举足轻重的作用。因此,对蓄电池的运行状态,特别是剩余容量(荷电状态)进行在线准确监测(预测)以及有效的管理变得尤为重要。本文以VRLA蓄电池为对象,对国内外蓄电池剩余容量预测技术研究进行了详细的介绍和总结。     

铅酸蓄电池剩余放电容量快速预测技术

电动车里程预测技术是电动车走向实用的一个不可缺少的技术，现有的预测技术尚不能适应快速和实用要求，本文从蓄电池化学反应过程和电池结构出发，分析了影响电池放电容量的因数，采用蓄电池最大电流瞬时扫描测试，通过实验寻求铅蓄电池瞬态最大放电电流与剩余放电电量之间的联系，从而提出一种简便可行的预测方法。     

考虑储能寿命的风-光-火-储打捆外送系统容量优化配置

风光和火电打捆外送是新能源消纳的重要方式,如何确定其容量比成为难题。储能调节灵活,可以平抑新能源出力不确定性造成的影响,但频繁充放电会对电池储能的寿命造成影响。考虑储能的放电深度和循环次数建立了电池寿命量化模型,提出了计及储能寿命的风光火储打捆外送系统双层容量优化模型。上层以系统总成本最小为目标,下层以典型日调度成本最小为目标。利用机会约束处理新能源出力不确定性对系统备用容量的影响,基于序列运算将概率性机会约束转换为确定性约束,将问题转换为易于求解的混合整数线性规划问题。算例结果表明,配置储能可以有效降低系统成本。同时考虑储能寿命可以在保证经济性的前提下制定更合理的调度策略,延长储能使用寿命,验证了模型的有效性。     

锂离子电池内阻辨识及其在寿命估计中的应用

根据锂离子动力电池的特性分析,以实时辨识锂离子电池欧姆内阻为目标,建立了电池内阻简化模型.在该模型的基础上,利用实验采集的数据和递推最小二乘算法,实现了对电池欧姆内阻的在线实时辨识.通过该内阻辨识算法,开展了电池寿命估计实验.获得了电池内阻在不同工况下的变化趋势等相关结论,为实现寿命状态估计提供了有益的参考.     

电动车电池容量及电池管理系统参数化设计

对电动汽车电池容量及个数选择的原则和方法进行了分析和研究,并对电池管理系统进行参数化设计,从而使电池管理系统能够更为精确的对电池运行的各项参数进行监控。以本项目所设计的电动汽车为研究对象,运用上述原则和方法对电动汽车进行电池选型、容量及个数选择,并参数化设计其电池管理系统。实际装车结果表明,根据所述的原则和方法进行选型的电池足以满足电动汽车的最大车速、加速性、爬坡能力、续驶里程等性能指标,参数化设计的电池管理系统可以有效地对电池工作过程中的SOC、总电压、总电流、单体电压、电池温度等参数进行准确实时的监控,确保了电动汽车运行的可靠性和安全性。     

Modeling and SOC estimation of lithium iron phosphate battery considering capacity loss

Modeling and state of charge (SOC) estimation of Lithium cells are crucial techniques of the lithium battery management system. The modeling is extremely complicated as the operating status of lithium battery is affected by temperature, current, cycle number, discharge depth and other factors. This paper studies the modeling of lithium iron phosphate battery based on the Thevenin’s equivalent circuit and a method to identify the open circuit voltage, resistance and capacitance in the model is proposed. To improve the accuracy of the lithium battery model, a capacity estimation algorithm considering the capacity loss during the battery’s life cycle. In addition, this paper solves the SOC estimation issue of the lithium battery caused by the uncertain noise using the extended Kalman filtering (EKF) algorithm. A simulation model of actual lithium batteries is designed in Matlab/Simulink and the simulation results verify the accuracy of the model under different operating modes.     

纯电动汽车电池管理系统及SOC精确估计

基于阀控式密闭铅酸蓄电池,设计了一套纯电动汽车电池管理系统。依据Randles二阶等效电池模型,应用扩展卡尔曼滤波算法,对电池荷电状态(SOC)进行估计,并将估算结果与传统的安时积分和开路电压结合算法进行比较分析,经实验与仿真验证,此法对预测SOC值有较高的精确度和可靠性。     

一种无人机锂电池剩余电量估计方法

为了准确得到多旋翼无人机锂聚合物电池在不同的工作状态下的剩余电量,以电流模拟积分法为电量统计基础,将电池温度、充放电电流等因素对锂聚合物电池电量的影响等效为电池内阻的变化,利用卡尔曼滤波估计法对锂聚合物电池的剩余电量进行估计。实验发现这种方法可自适应电池老化引起的电量衰减,并能有效地补偿充放电过程电流积分误差的累积,通过选择合理的参数可得到不同工作状态下电池较为真实的剩余电量。从而为全自主控制多旋翼无人机系统提供可靠的剩余电量参考。     

Data-driven prognostics and remaining useful life estimation for lithium-ion battery:

As an important and necessary part in the intelligent battery management systems (BMS), the prognostics and remaining useful life (RUL) estimation for lithium-ion batteries attach more and more attractions. Especially, the data-driven approaches use only the monitoring data and historical data to model the performance degradation and assess the health status, that makes these methods flexible and applicable in actual lithium-ion battery applications. At first, the related concepts and definitions are introduced. And the degradation parameters identification and extraction is presented, as the health indicator and the foundation of RUL prediction for the lithium-ion batteries. Then, data-driven methods used for lithium-ion battery RUL estimation are summarized, in which several statistical and machine learning algorithms are involved. Finally, the future trend for battery prognostics and RUL estimation are forecasted.     

基于小波神经网络的航空蓄电池容量预测

为有效预测航空蓄电池的剩余容量,引入小波神经网络,建立了蓄电池内阻和SOC的小波网络模型,通过实验数据对小波网络模型进行训练,得到了用于内阻和SOC预测的小波网络,最后将小波网络的预测结果和BP网络的预测结果进行对比,结果表明小波网络比BP的预测精度要高,更适合用于航空蓄电池容量的预测.     

基于PCA和GA-BP神经网络的锂电池容量估算方法

本文针对车用锂离子动力电池容量估算方法精度不高的问题,提出了一种利用遗传算法优化BP神经网络的锂离子电池剩余容量估算方法。首先在整理NASA锂离子电池数据集后,得到不同健康状态下电池的容量增量曲线峰值。其次将健康因子进行主成分分析对其降维处理,利用遗传算法优化BP神经网络的连接权值,对锂离子电池容量进行预测。最后在NASA不同型号的电池上应用模型进行了验证。结果表明,所提出的方法可以在不同训练量的情况下准确估算4种锂离子电池的容量,其估算的方均根误差小于2%,且与未使用遗传算法优化的预测结果相比,该方法具有较高的预测精度。     

人工神经网络法预测MH-Ni蓄电池容量

MH Ni电池放电容量的预测和估计,是电池管理系统中一个非常重要的内容。某一状态下MH Ni电池的放电容量是放电电流、电压、温度以及过去电池充放电的历史等参数的函数。运用ANN方法,即人工神经网络方法,可逼近任何多输入输出参数函数的性能,预测了不同放电电流和电压下MH Ni电池放电容量的大小,结果表明,ANN方法有良好的实用性,可用来预测MH Ni电池的放电容量。