基于FPGA的电动汽车电池剩余电量快速计算方法

本文以安时累积法测量电动汽车电池剩余电量为基础,设计了一种基于FPGA的快速计算电池剩余电量的方法。通过合理的简化,将复杂的积分运算变成简单的累加运算。本研究方法结构简单,成本相对较低,有助于提高科研效率并缩短产品研发周期。     

基于内阻功率消耗的锂电池SOC估计

针对锂电池不同使用场合下的剩余电量估算精度的问题,提出了基于内阻功率的放电策略与功率积分的电池剩余电量计算方法。选取电池的1阶Thevenin等效电路模型,通过放电实验确定电池内部参数,建立了电池的可变参数模型。依据电池不同使用需求,通过功率控制电池放电电流,稳定电池的容量,提升了安时积分算法在稳定放电工况下的鲁棒性;将电池的温度、高频率波动电流和健康状况引入积分项,以衡量电池容量消耗速率,并采用功率积分算法估算电池剩余容量。将积分算法与EKF结合,减弱了积分误差对估算精度的影响。搭建实验台架,设计锂电池的放电工况,采用与之对应的放电策略和计算方法。结果表明:本文的方法有效地提升了电池剩余电量的估算精度。     

车用锂离子电池的SOC估算方法研究现状

SOC(State of charge),即电池的荷电状态,它描述的是电池的剩余容量,其数值上表示为电池剩余的荷电量占电池总电量的比值,常用百分数表示。它是电池状态的一个关键指标,SOC的准确估算可以有效的提高电池使用效率,延长电池的使用寿命。荷电状态不能通过直接测量获得,而是需要其它方式来估算。本文对车用锂离子电池SOC估算方法进行了简单的描述,分析了不同方法的优缺点,最后进行了总结。     

基于simulink的磷酸铁锂动力电池模型仿真研究

电动汽车的电池管理系统设计及电池剩余电量预测依赖于电池等效电路模型,文章基于电动汽车磷酸铁锂动力电池,建立了二阶RC等效电路的simulink模型,并对其进行了美国联邦城市驾驶工况仿真测试。结果表明在一定误差范围内,模型能够较好的模拟电池的充放电特性,可将模型应用于进一步的电池SOC估算方法中。     

教练用电动车能量管理系统状态监测及SOC估算方法

电动汽车蓄电池组的状态参数主要指各电池工作时的端电压、电流、温度和内阻;为了及时了解各电池的状况及剩余电量,我们以教练用纯电动车为依托,设计了一套能量管理系统。详细研究其核心部分——状态参数监测部分,实现电压、电流、温度、电阻信号的实时采集,然后基于开路电压法与安时累积法,运用一定的算法估算出SOC,并且换算成剩余续驶里程,最后将相关参数在仪表上实时显示。     

基于电池能量状态和车辆能耗的电动汽车续驶里程估算

为了提高续驶里程估算精度,在工况识别基础上提出一种基于电池能量状态和车辆能耗的续驶里程估算模型,该模型能有效地消除里程误差并具有较好的收敛性及鲁棒性。在Matlab/Simulink下建立电池模型及整车能耗模型,基于该模型建立工况特征参数与能耗之间的模糊规则库,再对电动空调单独进行续驶里程估算,基于卡尔曼滤波的方法对输出剩余里程进行优化。仿真及试验结果表明,与传统的续驶里程估算方法相比,采用基于电池能量状态和车辆能耗的方法不仅能提高剩余续驶里程估算精度,而且能解决在急剧变化的工况下剩余续驶里程大幅度波动的问题。     

基于PID神经网络的车用锂电池SOC估算

为了更精确估算车用锂电池荷电状态(SOC)值,采用PID神经网络方法建立电池模型,设定电池电压、放电电流、电池累计放电量和电池电极温度4个变量为模型输入量,电池剩余电量为模型输出量,由此得到了全部神经网络训练数据,并仿真估算出电池SOC值.仿真结果表明,利用该方法对电池SOC进行估算,误差小于3.66％,方法有效.     

不同温度下锂电池剩余电量估算的仿真研究

为提高动力锂电池在使用过程中剩余电量的估算精度,以满足电池管理系统对电池监控的要求,提出一种适用于不同温度的动力锂电池SOC估计方法。首先通过分析对比从控制算法模型中选择了2阶等效电路模型,并依据多温度点实验结果进行电池参数拟合,建立基于温度的电池参数模型。接着根据改进的扩展卡尔曼滤波算法,建立SOC估算模型。最后按照DST和FUDS循环进行快速控制原型仿真,验证该算法对不同温度的鲁棒性。结果表明,所制定的SOC估计算法,既能抑制电流噪声的干扰,又能在初始SOC值有较大误差的情况下,使估算值迅速收敛于真实值,在整个估算过程中误差保持在0.04以内。     

电动汽车用锂电池模型参数辨识方法研究

利用二阶RC电池等效模型,分别运用最小二乘拟合法、扩展卡尔曼滤波法和遗传优化扩展卡尔曼滤波法3种模型参数辨识方法对某型磷酸铁锂电池充放电过程中的回弹电压外特性进行参数辨识,通过对比分析得出遗传优化扩展卡尔曼滤波法的辨识精度更高。     

基于PNGV改进模型的SOC估计算法

基于磷酸铁锂动力电池改进的PNGV等效电路模型,提出了卡尔曼滤波法结合安时积分法估算电池荷电状态(SOC)的方法。该模型考虑了温度、自放电等因素对模型参数的影响,在Matlab/Simulink中建立了仿真模型,通过对比采用卡尔曼滤波法结合安时积分法和单独采用安时积分法估计得到的电池SOC值,表明PNGV改进模型能真实地反映电池特性,并能在允许的误差范围内准确估计电池的SOC。     

基于超声测量及神经网络的锂离子动力电池SOC估算

准确地估算电动汽车动力电池的荷电状态(State of Charge,SOC)对电动汽车的安全驾驶和及时充电至关重要。基于超声测量和神经网络提出一种动力电池SOC估算方法。该方法对动力电池施加一个超声波脉冲,超声信号经过电池后得到反馈脉冲波,并以反馈波形的峰峰值作为神经网络的输入来建立模型,从而对动力电池SOC进行估算。试验结果表明,对于放电以及充电过程,SOC估算误差都仅为1%。     

纯电动汽车动力锂电池SOC估计策略综述

电池管理系统(BMS)采用了防止电池过放电和过充,提供电池均衡控制,能够实现新能源汽车动力锂电池的最佳利用和保护。电池管理系统实时精准估算电池电荷状态(SOC)是提高电动汽车续航里程和延长寿命的关键。然而,SOC不能直接测量,动力电池的充、放电又是一个复杂过程,导致目前现有的SOC估算策略很难精确地估算出实时在线SOC值。因此,如何提高SOC估算精度是当下BMS领域的研究热点。本文通过对各种SOC估算方法进行文献综述,分析和总结各个SOC估算方法的原理及优缺点,提出SOC估计策略未来发展趋势。     

车用锂电池SOC估算法研究进展

文章介绍电池热管理技术(BMS)的一项关键技术即荷电状态(SOC)的几种估算方法及多种方法综合应用。在此基础之上分析了多种方法的综合应用及新型的研究方法、各自方法的优缺点和适用场合。进一步明确了SOC算法的发展趋势,为今后锂电池荷电状态估计方法的创新发展提供了一定的参考。     

基于容量修正的安时积分SOC估算方法研究

针对传统安时积分SOC估算法将电池容量视为定值而带来的误差,提出了带容量修正的安时积分法,它通过开路电压法确定电池组SOC初始值,再由电池组充放电试验得到不同倍率、库伦效率、温度等对电池容量的修正因子。仿真与试验结果表明,经改进的安时积分法可有效消除各种误差,估算结果精度较高,可用于SOC的实时估算或作为评价其它SOC估算策略的基准。     

磷酸铁锂电池SOC估算的研究

磷酸铁锂电池SOC的估算对电池组的寿命有着重要影响。在完成电池特性实验基础上提出一种能够准确估算磷酸铁锂电池SOC的方法--以Ah计量法为基础,利用开路电压法减小Ah计量法的累计误差。仿真结果表明,所提方法比传统Ah计量法具有更高的精度。     

动力电池SOC估算方法的实时工况对比研究

随着燃料电池混合动力汽车的普及,三元锂电池的荷电状态(SOC)估算应用是电池管理系统的重要研究方向,直接决定燃料电池混合动力系统的续航里程。为进一步了解和探索SOC估算方法的准确性,本文基于电池物理模型,通过安时积分法(AH)和内阻法SOC与实际路况SOC的对比分析,研究结果表明:内阻法SOC估算方法能够更符合实际车辆运营SOC的变化情况。     

车载锂电池SOC估算方法及应用

介绍车载锂电池SOC估算方法中主要应用的实验测量法的原理和主要优劣势,并阐述其实际应用。     

不同温度与荷电状态下锂离子电池传荷电阻估计

基于锂离子电池伪二维模型并考虑老化机理建立电化学模型,基于该模型提出了在不同荷电状态和温度下传荷电阻折算方法。在4种不同循环老化工况后,通过获取不同温度和荷电状态下的电化学阻抗谱得到相应的传荷电阻,并采用该折算方法进行不同状态下传荷电阻折算,结果表明折算的平均误差小于9%。该折算方法为利用不同温度和荷电状态下的传荷电阻进行电池寿命状态估计提供了新思路。     

基于剩余充电电量的锂离子电池组容量快速估计方法

针对传统锂离子电池组容量确定方法存在的效率低、能耗高且只能离线应用等问题,提出一种基于电池剩余充电电量的锂离子电池组容量快速估计方法。首先,基于充电电压曲线一致性原理,以电池组内率先充电至充电截止电压的电池单体电压曲线为基准,通过电压曲线的平移缩放与线性插值计算出各单体电池的剩余充电电量与剩余充电时间,从而实现各单体电池的荷电状态(State of Charge, SOC)在线估计,在此基础上实现电池组容量的快速估计。其次,在电池单体模型的基础上建立电池组的仿真模型,并在全SOC区域上对模型参数进行分段辨识。通过所建立的仿真模型得到电池组的充放电曲线,并对电池组容量进行估计。最后,对4个单体串联而成的电池组进行充电试验。研究结果表明:仿真容量与估计容量误差为1.2%以内,验证了所提出的容量快速估计算法的有效性;利用所提方法估计出电池组容量与试验得到的电池组容量的误差为2.61%;该方法根据电池充电曲线的平移与缩放即可在线估计出电池组容量,可应用于新电池组容量的在线快速估计,能在保证3%估计误差的基础上将检测效率提高到传统方法的2倍以上。