铅酸蓄电池模型研究及SOC模糊估计

为了深入研究铅酸蓄电池在充放电过程中内阻等特征参数的变化,首先,基于铅酸蓄电池的工作机理建立蓄电池充放电模型,并进行不同倍率的充放电实验;其次,基于实验数据建立各模型参数与SOC之间的函数关系,同时对BP神经网络模型进行训练以实现SOC的精确估计。最后,结合铅酸蓄电池充放电模型和BP神经网络模型仿真铅酸蓄电池充放电过程,仿真结果和实际结果吻合,有助于对铅酸蓄电池内阻等特征参数的研究。     

基于MIV-GA-BP神经网络的铅酸蓄电池SOC预测

建立了铅酸蓄电池充电过程中SOC的神经网络预测模型,采用平均影响值(M1V)算法对预测模型的输入变量进行了分析和筛选.在MIV算法的基础上,比较了基于遗传算法优化的BP神经网络(MIV-GA-BP)与传统MIV-BP神经网络对蓄电池充电过程中SOC的预测误差.测试样本的验证结果表明,MIV-GA-BP神经网络模型对蓄电...     

基于粒子群的模糊神经网络铅酸蓄电池SOC估计

研究估计变电站阀控式铅酸蓄电池荷电状态(SOC)的方法。采用模糊神经网络对蓄电池的荷电状态预测建立模型,然后利用粒子群算法对网络中的连接权值、隶属度函数进行优化,用蓄电池在不同倍率下的充放电实验数据训练网络,根据训练好的网络模型对蓄电池SOC进行了预测,最后将预测结果与传统模糊神经网络预测结果进行对比。结果表明:该方案达到了对蓄电池荷电状态准确预测的目的,且预测误差小,具有良好的实用性。     

基于BP神经网络的铅酸蓄电池状态检修

作为直流电源设备的核心,蓄电池的稳定、可靠、安全运行和在放电过程中能提供给负载的实际容量,对确保整个电力系统的安全运行具有十分重要的意义。运用人工神经网络技术,通过MATLAB训练仿真,分析蓄电池状态,研究了BP模型算法在铅酸蓄电池状态检修中的应用。     

铅酸蓄电池负极添加剂

在负极活性物质中加入能改善负极内活性物质电子传递的RH (离子交换型有机物 )和具有凝聚、交联作用的聚四氟乙烯 (PTFE)乳液 ,与普通负极添加剂作比较 ,探讨能改善铅蓄电池负极的添加剂。对 6种含有不同添加剂和组成的蓄电池负极 ,就电池充电接受能力、恒流放电特性、电极循环寿命、RH的含量及RH与PTFE联用等方面进行了试验。结果表明 ,与普通添加剂比较 ,加有RH的电池 ,其电池充电接受能力和恒流放电特性有所提高 ,但其电极循环寿命却较短 ,当与PTFE联用时 ,能改善RH易脱落的缺点 ,延长电极循环寿命 ;说明曾用作正极添加剂的RH作为负极添加剂使用时 ,负极的充电接受能力和放电性能得到改善 ,与PTFE联用 ,其寿命得以延长。     

基于EKF算法的铅酸蓄电池SOC在线估计

针对快速充电设备需要快速、准确检测蓄电池荷电状态(SOC)的应用需求,在分析传统SOC估计方法不足的基础上,采用了扩展卡尔曼滤波法进行铅酸蓄电池SOC的估计。通过对铅酸蓄电池充放电过程的分析,基于改进的Thevenin模型,建立了7-HK-182型铅酸蓄电池的等效电路模型。通过Matlab仿真,对比安时积分法估计SOC数据,验证了扩展卡尔曼滤波法能够实时、准确估计蓄电池SOC的变化。     

铅酸蓄电池动态特性配组研究

铅酸蓄电池一般采用恒流-恒压法充电,充放电曲线充分体现了电池的容量、内阻、表面升温、电极极化程度等.动态特性.介绍的动态特性配组法利用容量、海明距离和相关系数等指标进行模糊聚类分析,综合考虑了充电曲线和放电曲线,比单独采用放电曲线的特性配组更可靠.     

汽车用铅酸蓄电池SOC预测研究

电池的开路电压与电池荷电状态(SOC)存在密切的关系,然而大量研究表明,当电池在恒定电流下充放电时,端电压与SOC的变化规律近似于开路电压与SOC的变化规律。但对于汽车用蓄电池来说,并没有文献明确地给出蓄电池在充放电电流变化状态下其端电压与SOC的对应关系表达式。通过对电动汽车用蓄电池进行充放电实验,利用Matlab对实验数据进行曲线拟合处理,得到变化工作电流下的蓄电池SOC与其端电压的数学关系,提出了蓄电池SOC估计的修正经验公式,为电动汽车续航里程的准确估计提供了新方法。     

基于BP神经网络法估算动力电池SOC

精确估计电动汽车用动力锂离子电池荷电状态(SOC)对于电动汽车的续航里程的估计和动力电池的安全保护具有重要的意义。针对锂离子电池的非线性关系,采用BP神经网络法来估算SOC。以3.2 V/100 Ah的磷酸锂铁电池为研究对象,在恒温条件下采用Arbin BT2000系列的充放电测试仪进行充放电实验采集原始数据,并将数据导入到神经网络模型中去训练和验证。验证结果表明:用BP神经网络法估算SOC的误差能控制在5%以内,验证了模型的准确性,为相似的SOC估计算法的改进提供参考和依据。     

应用Kalman滤波法估计铅酸蓄电池SOC

在蓄电池的充／放电过程中,正确估计其剩余容量,对充／放电控制器采取下一步的动作有着非常重要的指导作用,针对蓄电池充／放电的实际情况,在分析了传统SOC估计方法不足的基础上,引入Kalman滤波法作为蓄电池荷电状态（soc）估计的主要算法。本文采用Randles等效电路模型,详细给出了Kalman滤波法估计SOC的算法推导,通过Matlab软件仿真验证了运用KalmaJ,滤波法可以有效跟踪蓄电池SOC的变化,并且控制精度优于传统方法。     

基于dSPACE的铅酸蓄电池SOC估计

首先通过大量实验测试,对处于不同电池荷电状态(SOC)下铅酸电池的等效模型参数进行了辨识,使传统的恒定参数电池模型得以改善.建立了基于数字信号处理和控制系统(dSPACE)的SOC估算测试平台,以dSPACE充当快速控制原型对铅酸电池进行SOC实时估计.此处给出了详细的SOC估计算法,以及基于dSPACE试验平台的开发...     

基于试验的铅酸电池充放电特性模型的建立

采用恒流放电试验采集数据,通过拟合方法建立了电动汽车铅酸电池充放电特性的数学模型,并对该模型进行验证,取得了满意的结果,为铅酸电池充放电特性的研究提供了依据。     

基于RBFNN的船用铅酸蓄电池SOC预测方法研究

目前预测铅酸蓄电池荷电状态(SOC)的算法很多,这些算法各有特点。根据船用铅酸蓄电池的特点,本文比较分析了这些方法的预测效果,提出了利用径向基神经网络(RBFNN)算法预测船用铅酸蓄电池SOC的方法。并利用某型船用铅酸蓄电池的实验数据,对其SOC进行了预测。结果表明:利用该算法预测船用铅酸蓄电池的SOC,精度高,操作简便。     

浅谈铅酸蓄电池的防爆设计和维护

通过本文介绍,指导铅酸蓄电池在防爆领域应如何安全设计和安全应用,避免潜在的爆炸危险.     

一种电动车铅酸蓄电池SOC预测模型及检测系统的设计

针对电动车铅酸蓄电池SOC预测精度低的问题,给出了一种基于模糊预测技术的蓄电池SOC预测模型,该模型利用电动势和内阻结合预测蓄电池SOC。建立了蓄电池电动势、内阻和SOC的隶属度函数,确定了26条模糊控制规则。仿真结果表明,预测值与实际值相对误差最大为5%左右。在此基础上,设计了以C8051F020单片机为中央处理器的铅酸蓄电池组智能检测系统,该系统具有蓄电池SOC预测,端电压、充放电电流等参数在线检测和数据传输等功能。实际车辆试验结果表明,利用这种SOC预测模型可有效的提高预测精度,系统具有参数检测误差小、数据传输可靠性高等特点,具有很好的应用价值。     

基于容量修正的阀控式铅酸蓄电池SOC估计

阀控式铅酸蓄电池(valve regulated lead acid battery,VRLA)广泛应用于储能系统中,准确估算其实时荷电状态(state of charge,SOC),对确保铅酸蓄电池安全供电具有重要意义。铅酸蓄电池的工作环境温度对其容量的影响不可忽视,然而,现有的SOC估算方法常将电池总容量视作固定值,这就导致了估算误差会随着环境温度的变化而积累,严重影响了SOC的估算精度。提出了一种基于容量修正的SOC估计方法,通过研究电池容量随温度的变化规律,引入了温度补偿对电池总容量进行修正。在此基础上,结合扩展卡尔曼滤波(EKF)算法进行不同温度下的SOC实时估计,并对容量修正后的SOC估计值与一般算法SOC估计值进行比较。仿真和实验结果表明,所提出的SOC估算方法能够提高不同环境温度下的铅酸蓄电池SOC估计精度。     

阀控式胶体铅酸蓄电池的模型研究

阀控式胶体蓄电池使用性能稳定,可靠性高,使用寿命长,对环境温度的适应能力(高、低温)强,承受长时间放电能力、循环放电能力、深度放电及大电流放电能力强,有过充电及过放电自我保护等优点,而被应用于各个领域。随着阀控式胶体蓄电池的广泛应用,其模型的研究也越来越迫切。现在大部分模型都是基于其他类型的蓄电池,并没有专门针对胶体蓄电池的模型。针对阀控式胶体铅酸蓄电池,结合电气和电化学两方面,通过Matlab/Simulink进行仿真,将仿真结果与实验数据进行比对。建立的仿真模型与实验数据误差较小,具有较高的实用价值,可以应用在蓄电池管理和研究中。     

模糊神经网络技术的铅酸蓄电池性能检测研究

提出了蓄电池动态内阻的概念。论证了铅酸蓄电池内阻与剩余容量之间良好的相关性。以铅酸蓄电池动态内阻、电解液密度和电解液温度为判定蓄电池容量和瞬间放电能力的特征矢量。设计了动态电子负载和蓄电池特征矢量检测系统,采集蓄电池特征矢量数据,经模糊神经网络对融合的数据进行综合推理,以测定蓄电池的剩余容量和瞬间放电能力。最后,对一组10块2 V600 Ah的铅酸蓄电池进行性能测试。     

基于BP神经网络的电池SOC估算

针对传统动力电池的SOC估计方法的不足,通过编写Matlab程序建立了基于Levenberg-Marquardt (LM)算法的BP神经网络,对其进行了训练及检验.用所建神经网络模型对电池剩余电量进行预测,最大误差小于0.1％.结果满足精度要求,从而验证了所建BP神经网络能够有效地预测蓄电池电压、电流、温度和SOC之间的映射关系.对提高动力电池的能量效率,延长电池的使用寿命具有重要意义.实验表明,此方法提高了电池SOC计算的精度,达到了井下移动救生舱的应用要求.