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。     

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.     

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。     

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。     

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。     

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%。     

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。     

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。     

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。