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.     

电动汽车动力电池SOC估计算法分析

电池荷电状态(SOC)值是电池状态的一个关键指标,它是多项控制策略的前提。SOC不是直接测量获得,可以用其它间接方式来估计。文章简要介绍了SOC的定义及其影响因素,简述了几种常用的SOC估算方法,并对各种方法的优缺点和适用场合比较分析,对SOC估算方法进行了展望。     

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。     

电动汽车动力电池SOC估算方法浅谈

电池荷电状态(SOC)的估算是电池管理系统的关键技术之一。由于电动汽车运行工况复杂多变,电池SOC的估算受电池温差、充放电电流、单体电池一致性等因素的影响,所以很难精确估算出电池的SOC值。而准确估算动力电池SOC可以实时监测电压的变化,有效防止电池过充或者过放带来的危害。文章首先分析了动力电池SOC估算的影响因素,然后对经典SOC估算方法、智能SOC估算方法和耦合SOC估算方法综述,对比分析了各自的优缺点,最后总结了电池SOC的估算方法并提出展望。     

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.     

电动汽车锂离子电池建模和剩余容量估计

建立锂离子电池的非线性数学模型,计算了模型参数,得到电动汽车用锂离子电池荷电状态的合理控制范围。提出一种估算锂离子电池剩余容量的方法。结果表明,所建的数学模型能很好描述锂离子电池各种工作状态,所提出的剩余容量估计方法为锂离子电池的寿命预测提供了依据。     

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。     

锂电池SOC研究综述

荷电状态(state of charge)是锂电池的一个重要参数。根据锂电池SOC值可以清楚地了解电池的使用情况,进行有效的电池能量管理。但锂电池地充放电是个复杂的化学过程,对锂电池SOC的估算多是基于锂电池的等效模型进行。本文主要研究了现有的锂电池等效模型,依据现有模型重点研究了锂电池SOC的估算算法,对比各类估算算法,指出各算法的优点以及存在的问题。目的是寻找行之有效的SOC估算算法,给出未来锂电池SOC估算算法的研究方向。     

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。     

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。     

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。     

新能源汽车电池管理方法综述

电池管理系统作为电动汽车的重要组成部分,其中准确估测荷电状态(SOC)和电池均衡管理是电池管理系统的核心功能,也是优化系统能量管理,提高动力电池的使用效率,延长电池使用寿命的关键,对电池的储能至关重要。详细介绍主要SOC的估测方法和电池均衡管理方法,并对其优劣性进行分析与阐述,通过文献综述与对比分析为电池组在使用时提出理论依据与维护措施,为未来的研究提供便捷研究方法。     

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%。     

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。     

基于自适应卡尔曼滤波的锂离子电池SOC估计

采用自适应卡尔曼滤波方法,基于锂离子动力电池的等效电路模型,在未知干扰噪声环境下,在线估计电动汽车锂离子动力电池荷电状态(SOC)。仿真结果表明,采用自适应卡尔曼滤波方法估计的SOC误差小于2.4%,有效降低了电动汽车行驶时电池管理系统所受到的未知干扰噪声影响,SOC估计精度高于扩展卡尔曼方法,且具有较好的鲁棒性。     

电动汽车用NiMH电池建模及基于状态空间的SOC预测方法

电动汽车的电池管理系统需要精确、可靠的电池荷电状态(SOC)预测器。针对氢镍(NiMH)电池，提出了一种集总参数等效电路模型，介绍了通过实验获得电池参数的方法。该模型考虑了温度对电池参数的影响，能反映电池充放电的动态过程。文中用状态空间描述了R—C电池模型，在此基础上建立了一种新的基于状态空间的SOC递推算法，并对电池的充放电过程进行了仿真计算。分析表明，提出的SOC估计方法同样可用于其它类型的动力电池。