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。     

三元锂电池荷电状态估计的传感器误差影响CSCD

锂电池荷电状态(SOC)的准确估计是电池管理系统的关键技术,为了解析传感器误差对SOC估计精度的影响,以二阶RC等效电路模型为基础,运用遗传算法进行参数辨识,采用扩展Kalman滤波算法进行SOC估计,分析电压、电流传感器存在的漂移和白噪声对SOC估计的影响。结果表明:电压、电流传感器的漂移与SOC估计误差的均值近似呈线性关系,电压、电流传感器存在的白噪声对SOC估计误差的均值无影响;对于实验中的三元锂离子电池,若使SOC估计精度在5%以内,电压的偏差值应控制在10 m V以内、电流偏差值应在1/30 C以内。     

基于模糊-EKF模型的锂离子电池SOC联合估算

以试验数据为基础,建立电动汽车锂离子电池的2-RC等效电路模型,并利用模糊控制联合扩展卡尔曼滤波、安时积分和开路电压等算法建立电池SOC的联合估算模型.实例估算结果表明:该联合估算法最大误差3.12％,精确度高,且能克服单一算法的缺陷.     

基于FFRLS-EKF联合算法的锂离子电池荷电状态估计方法

针对现有基于电池恒定参数模型的SOC估计方法忽略了工况和SOC对电池模型参数的影响而导致SOC估计误差偏大的问题，本文提出一种将带有遗忘因子递推最小二乘算法与扩展卡尔曼滤波算法相结合的联合SOC估计方法。该方法先利用FFRLS算法在线辨识电池等效电路模型参数并实时修正电池模型，再利用EKF算法和实时修正的电池模型估计电池SOC。实验结果表明，本文所提的SOC估计方法能有效减小电池模型参数变化所带来的SOC估计误差。在脉冲放电、脉冲充电和动态应力测试实验中，最终电池SOC估计的最大误差分别为1.01%、0.87%和1.59%。     

汽车铅酸蓄电池SOC的实时估计方法

为应对汽车铅酸蓄电池荷电状态在线估计的需求,分析了现有SOC估计方法不足;在给出Thevenin电路模型基础上,结合铅酸电池的开路电压与SOC关系曲线,获得SOC估计线性化的输出方程,进而提出采一种基于卡尔曼滤波的铅酸电池SOC在线估计方法。通过卷绕式铅酸电池实验和计算结果表明,该算法能够实时估计电池SOC状态,最大误差小于5%,相比于传统的安时积分法更适合用于在线检测。     

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。     

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。     

锂离子动力电池温升特性的研究

介绍了锂离子动力电池的发热机理.基于锂离子动力电池内阻引起的温升特性,建立动力电池传热模型,通过模拟计算得出电池内部温度分布及电池温升随放电倍率变化的规律.最后对锰酸锂电池进行内阻实验,揭示了电池内阻随电池温度和SOC变化的规律.     

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.     

大倍率放电时电动汽车用锂离子电池的热性能

为保证锂离子动力电池安全、可靠和高效的运行,实验研究了其在大倍率放电时的热性能。实验中,对于一款商业电动车用3.2 V、50 Ah锂离子电池,用充放电测试仪和温湿度巡检仪,控制放电倍率为1C~3C(50~150 A)。结果表明:电池放电倍率越大,电池两端工作电压平台越低,电池放电量越小,电池表面的温升率越大。当放电倍率达到3C(150 A)时,电池表面温度超出其安全工作温度,因而,锂离子动力电池在大倍率放电时,需要为其增加散热设备。拟合了一组用于计算不同放电倍率下电池的瞬时产热量的经验公式。这些公式可用于锂离子动力电池的辅助散热设备的设计和选择。     

某款纯电动车OCV修正致SOC跳变问题的优化

SOC估算有如开路电压法、安时积分法、神经网络法、卡尔曼滤波法等多种方法[1]。江淮某轻型纯电物流车磷酸铁锂电池SOC估算采用较为成熟、稳定的安时积分策略、充电末端Vmax校准及放电末端OCV修正策略[2]。市场车辆在环境14℃~16℃时,放电末端常出现修正导致SOC5~8%幅度的跳变,文章通过对比分析,细化不同温度SOC-OCV矩阵,较好的解决上述问题。     

考虑迟滞特性的卡尔曼滤波和门控循环单元神经网络的锂离子电池SOC联合估计

由于迟滞特性的存在，电池管理系统难以准确获得开路电压（OCV）与荷电状态（SOC）之间的状态关系。为有效地运行和管理动力电池，本文研究了考虑迟滞特性的锂离子电池模型，选用带有遗忘因子的递推最小二乘法进行参数在线辨识。提出了一种联合门控循环单元（GRU）神经网络和自适应扩展卡尔曼滤波（AEKF）的SOC估计，分别以AEKF和GRU神经网络的估计结果为模型值和测量值，通过卡尔曼滤波（KF）得到最终的SOC估计结果，并作为下一时刻AEKF的输入。结果表明，常温环境下考虑迟滞特性的模型对端电压预测及联合估计法对SOC估计的均方根误差（RMSE）分别在0.5 mV和0.64%以内；低温及变温环境下端电压预测及SOC估计的RMSE分别在0.9 mV和0.72%以内。考虑迟滞特性的模型及联合估计法具有良好的精度和鲁棒性。     

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。     

基于随机加权自适应容积卡尔曼的电池SOC估计

准确估计锂离子电池荷电状态（SOC）对于突破电动汽车发展瓶颈，推动电动汽车商业化至关重要。针对动力电池模型参数辨识问题，提出基于遗忘因子的递推最小二乘法（FRLS）的模型参数在线识别方法。实时测量动力电池电流和电压数据，在线辨识模型参数并实时更新，实时反映电池内部参数的变化过程，对电池动态特性进行实时模拟。针对容积卡尔曼（CKF）滤波过程中对噪声敏感的问题，提出一种基于随机加权思想的自适应容积卡尔曼滤波（ARWCKF）方法。相比于常规CKF容积点权值始终不变，通过引入随机加权因子，自适应调整容积点权值并对系统噪声、状态向量及观测向量进行预测，抑制系统噪声对状态估计的干扰，避免因容积点权重值固定所带来的误差。针对CKF算法在容积点计算过程中由于状态方差矩阵失去正定性导致的平方根分解无法使用的问题，提出基于奇异值分解的容积点计算方法，克服由于先验协方差矩阵负定性变化而导致的滤波精度下降等问题，并进行多种工况、温度下不同SOC初值的对比验证。结果表明：所提出的基于遗忘因子的递推最小二乘法的在线参数辨识及ARWCKF滤波方法具备良好的估计精度及收敛能力，最大电压估计误差不超过40 mV，SOC估计误差不超过1%。     

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.     

基于HPSO-BP神经网络融合的锂电池SOC预估研究

为实现锂离子电池荷电状态(SOC)的高精度预测,采用混合粒子群(HPSO)与BP神经网络相结合的联合优化算法,通过优化神经网络的初始权值和阈值克服了种群易陷入局部极小的缺点,加快了收敛速度,减小了SOC预估的误差,通过分析磷酸铁锂(LiFePO4)电池充、放电机理,将电池电压、电流、内阻和温度作为SOC的影响因子。MATLAB仿真结果表明,HPSO-BP神经网络算法的预测精度和收敛速度较传统BP神经网络算法更优。     

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。     

电动汽车蓄电池检测系统设计

文章设计了一款以STM32为核心的电动汽车蓄电池检测系统。采用安时积分法估算SOC值,通过均衡控制电路使各单体电池的充放电电压趋于一致。调试和实验结果表明,各单体电池间电压均衡,有效提升了电池的使用效率与寿命。     

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。     

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。