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.     

基于模型的新能源汽车动力电池SOC估算方法的仿真研究

本文对目前动力电池SOC现状进行了简要介绍,然后提出了一种基于模型的新能源汽车动力电池SOC估算方法。该方法使用基于化学反应动力学的电池模型来预测动力电池的电荷和放电行为,并利用滤波器和卡尔曼滤波器来估算电池的SOC。仿真实验结果表明,该方法具有比较高的估算精度和稳定性,最后对动力电池SOC以后的发展进行展望。     

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。     

基于GGAP-RBF神经网络的多参数纯电动客车蓄电池荷电状态预测

为了准确预测纯电动客车蓄电池的荷电状态(SOC),提出了基于广义生长剪枝径向基函数(GGAP-RBF)神经网络的多参数纯电动客车蓄电池SOC预测模型.首先以蓄电池端电压、放电电流、环境温度和循环次数作为神经网络输入参数建立GGAP-RBF神经网络蓄电池SOC预测模型,然后以不同放电倍率、环境温度和循环次数的蓄电池放电试验数据作为样本对模型进行训练,并建立了蓄电池仿真模型和纯电动客车整车仿真模型,最后进行了城市道路循环行驶工况(UDDS工况)下单体蓄电池放电试验和纯电动客车40 km · h-1等速行驶续驶里程试验研究.结果表明:UDDS工况下,SOC预测值与试验值的均方根误差为0.026 4,平均绝对误差为0.020 6;纯电动客车40 km· h-1等速行驶工况下,SOC预测值与试验值的均方根误差为0.039 9,平均绝对误差为0.031 3;表明所建立的蓄电池SOC预测模型在各种工况下均能精确预测蓄电池SOC.     

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。     

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。     

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。     

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。