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。     

基于安时法的锂离子电池SOC估计实时校正方法CSCD

为减少工业常用荷电状态(SOC)估计方法——安时法的累积误差,提出一种实时校正的锂离子电池SOC估计方法。在0~60℃,放电倍率1 C、2 C、3 C和0.33 C下,进行锂离子电池放电实验,测量了电压、电流、温度,建立了锂离子电池放电数据库。从该库获取上述放电温度、放电倍率范围,SOC值为20%、80%时的开路电压,以此两点引入一条关于电压与SOC的直线。以该直线上某点电压所对应SOC作为修正项,并引入修正因子α,来校正安时法所得剩余电量SOC估计值。与实验值对比,该SOC估计结果的误差小于4%,符合工业需求。     

基于安时积分法的电池SOC估算

安时积分法是蓄电池荷电状态估算过程中常用的方法,但是,安时积分法不能估算初始荷电状态,难于准确测量库伦效率和电池可用容量变化的问题。基于此问题,文章结合传统的开路电压法和负载电压法,对安时积分法估算蓄电池SOC的不足进行补偿,解决了安时积分法的缺陷。能够实时估算电池的荷电状态,并对估算过程中的不足通过负载电压法进行修正。结果表明,这种算法能得到了比较精确的估算效果。     

一种改进的安时—开路电压估算SOC的方法

精确估算动力电池的荷电状态(State of Charge,SOC)是发展电动汽车技术的关键。SOC值很难直接测出,只能通过与电池有关的温度、电流和电压等因素间接估算。文中提出了一种安时法和开路电压法结合的方法,对算法影响SOC估算的各个因素进行了补偿修正,并用Simulink建模仿真,对比仿真结果与试验结果,证明了该方法的准确性。     

电动汽车用动力电池SOC估算方法概述

准确估算电池的荷电状态（SOC）可以防止电池过充、放电,从而充分发挥电池的工作性能,有效延长电池的使用寿命.针对电动汽车用动力电池,首先对国内外有关SOC估算方法进行了分类,将其划分为安时积分法、开路电压法、神经网络、卡尔曼滤波等,并分析了各种方法的优缺点及改进算法.最后总结并展望了SOC估算方法的发展趋势,针对性地提出了改进思路,为开展精度高、实用性强的SOC估算方法研究提供借鉴.     

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。     

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。     

基于改进安时积分法的动力电池SOC估算

针对传统安时积分法SOC初始值和可用容量估算不准问题,提出一种结合开路电压法和安时积分法的SOC估算改进方法.仿真分析及实验验证表明,该改进方法的准确性得到提高.     

锂离子动力电池SOC估算技术进展综述

本文回顾了电池管理系统（Battery Management System,BMS）在电动汽车和可再生能源领域的关键发展阶段,本文重点讨论了电池剩余能量监测技术,即荷电状态（State of Charge, SOC）估计方法。文章概述了常见的SOC测量方法,包括基于模型法、安时积分法、放电测试法和人工神经网络法等。随着技术和时代的发展,电池管理系统正朝着智能化方向演进,采用更为先进的控制方法以提升系统性能。结合新型互联网+的服务模式,云计算和大数据在BMS中的潜在应用也在快速发展,为BMS和SOC估算带来了新的可能性。从未来发展趋势来看新型电池技术和应用场景的不断发展,将对SOC估算技术提出更高要求。在电动汽车快速发展的大背景下,持续优化和创新电池估算方法以满足各类电池和应用环境的特定需求已成为行业发展的必然趋势。     

基于能量守恒和四线法的SOC估算策略研究

传统的电池荷电状态(SOC)估算方法已经不能满足蓄电池变电流放电工况的需要,而混合动力液压挖掘机中蓄电池变电流放电工况异常复杂,因此变电流工况下SOC的准确估算具有重要意义。在能量守恒定律和四线法测量蓄电池内阻的基础上,提出了一种新的SOC估算策略,经过仿真和实验分析,证明新的SOC估算策略能够胜任大电流和变电流放电工况下SOC的估算工作。     

电动汽车SOC估算方法

由于电动汽车的电池组受到温度、充放电次数及电池老化等方面因素的影响,导致现有的剩余电量预测技术很难得到精确和可靠的结果。文章简要介绍现有的电池剩余电量估计的方法：安时计量法,电压测量法,内阻法,神经网络和模糊推理的方法及卡尔曼滤波法,并对这几种方法进行了实用性分析。表明卡尔曼滤波法是目前比较有价值的研究方向,且应用前景广泛。     

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。     

基于SOC-OCV优化曲线与EKF的锂离子电池荷电状态全局估计

SOC-OCV曲线是锂离子电池状态估计的基础。针对传统HPPC测试法在非测试点不能描述电池非线性特性和小电流恒流放电法得到的OCV曲线精度不足等问题,提出一种基于粒子群优化算法的OCV曲线优化方法。该方法将小电流恒流放电得到的OCV曲线进行平移,以平移曲线在测试点与HPPC测试得到的OCV值之间的误差和最小为优化目标,对OCV曲线进行优化。然后,以优化OCV曲线为基础对2阶RC模型的模型参数进行辨识和模型端电压估计。结果表明:与HPPC法相比,基于优化OCV曲线的模型精度具有更高的全局精度,在低SOC区域的模型精度提高了一倍。最后,基于优化的OCV曲线和辨识的模型参数,设计扩展卡尔曼滤波算法对SOC进行全SOC区域估计。试验结果表明,基于优化OCV曲线和扩展卡尔曼滤波算法的SOC估计误差在全SOC区域上都能保持在2%以内。     

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...     

电动汽车SOC估计算法与电池管理系统的研究

在安时计量方法的基础上,采用基于折算库仑效率的卡尔曼滤波算法估计蓄电池荷电状态(SOC),并将此方法应用于HEV6580混合动力电动汽车镍氢电池管理系统。系统实现的功能包括:数据监测、数据显示、CAN通信、SOC估计、热管理和安全报警。经电池试验台模拟工况试验验证,电池管理系统各子系统达到设计要求且工作稳定。改进SOC估计方法解决了传统安时计量法不能估计初始SOC、难于准确测量库仑效率的问题,为电池管理系统稳定工作提供保证。     

电池SOC估算方法的研究现状

如今,锂离子电池已成为新能源产业和SOC的研究重点。在锂离子电池研究中,电池容量估算和计算是其中的重点研究之一。SOC直接关系到锂离子电池使用的效率和安全性,正确的SOC估算和计算方法不仅可以增加锂离子电池工作的安全性,并延长锂离子电池的使用寿命[1]。相反而言,不合适的SOC估算和计算方法不仅会加速电池的老化,而且会带来电池爆炸和燃烧的危险,危害使用者的生命和财产安全。因此,本文对各种SOC估计和计算方法进行研究,以获得更成熟和广泛使用的电池SOC估计和计算方法。