共查询到20条相似文献,搜索用时 15 毫秒
1.
2.
针对锂电池不同使用场合下的剩余电量估算精度的问题,提出了基于内阻功率的放电策略与功率积分的电池剩余电量计算方法。选取电池的1阶Thevenin等效电路模型,通过放电实验确定电池内部参数,建立了电池的可变参数模型。依据电池不同使用需求,通过功率控制电池放电电流,稳定电池的容量,提升了安时积分算法在稳定放电工况下的鲁棒性;将电池的温度、高频率波动电流和健康状况引入积分项,以衡量电池容量消耗速率,并采用功率积分算法估算电池剩余容量。将积分算法与EKF结合,减弱了积分误差对估算精度的影响。搭建实验台架,设计锂电池的放电工况,采用与之对应的放电策略和计算方法。结果表明:本文的方法有效地提升了电池剩余电量的估算精度。 相似文献
3.
4.
5.
6.
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。 相似文献
7.
8.
9.
11.
12.
控制好充电环节充电环节的控制对延长蓄电池使用寿命十分重要,过度充电、充电电流过大、充电时间过短等都会降低蓄电池的使用寿命。在充电环节中必须注意以下几点:①对新电池的充电采用小电流,长时间。首先,在充电之前将电池的剩余电量放干,对于12伏标称的电池,放完电后电压应在10.5伏左右;其次,使用智能型充电机充电时,可选用自动控制功能。设置好各项充电参数进行自动充电,通常充电率设置为0.05库伦;再次, 相似文献
13.
<正>故障现象一辆比亚迪"秦"插电式混合动力汽车,行驶13,200km,每次充电后行驶路程下降到50~60km(原来70km),充电度数也从12.8度降到了10度。故障诊断与排除有一款比亚迪秦的电池监测软件,它可以安装在GPS导航卡内,通过车载多媒体终端,可以观察车辆上的电池的电压变化情况,经查发现电池电量在100%和5%时,都是模组二的7号电池的电压比较低,推断是电池均衡不良是造成纯电行驶距离不够长的可能原因。图1就是电量剩余 相似文献
14.
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。 相似文献
15.
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。 相似文献
16.
正(1)充电时间可实现的充电时间取决于以下几个因素:使用的充电设备各个电源连接的功率电源电压的波动可能设置的充电电流限制(仅限于保时捷交流通用充电器)环境温度高压锂离子蓄电池的温度乘客舱空调预启动功能是否开启高压锂离子蓄电池的剩余电量锂离子蓄电池的物理特性决定了充电过程是非线性的。随着剩余电量增加,蓄电池潜在的电流吸收会减小。这意味着蓄电池充电进度看上去比剩余电量增加的进度要慢。 相似文献
17.
18.
针对因选取的健康因子不理想导致锂电池剩余使用寿命(RUL)预测精度不高的问题,提出了一种基于充电健康因子优化和数据驱动的电池RUL预测方法,首先提取电池充电过程中的各种健康因子,再使用两步最大信息系数法优化特征子集得到优化的健康因子,最后使用带有注意力机制的时间卷积神经网络(ATCN)预测电池的剩余使用寿命,通过对美国国家航空航天局(NASA)锂电池老化数据的研究,验证了所提出的锂电池RUL预测框架,并与简单循环神经网络(SimpleRNN)、长短期记忆(LSTM)神经网络和门控循环单元(GRU)神经网络等建模方法进行比较,结果表明,所提出的方法在各数据集上均取得了最优的预测结果。 相似文献