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。     

基于内阻功率消耗的锂电池SOC估计

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。     

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simulink的磷酸铁锂动力电池模型仿真研究

电动汽车的电池管理系统设计及电池剩余电量预测依赖于电池等效电路模型,文章基于电动汽车磷酸铁锂动力电池,建立了二阶RC等效电路的simulink模型,并对其进行了美国联邦城市驾驶工况仿真测试。结果表明在一定误差范围内,模型能够较好的模拟电池的充放电特性,可将模型应用于进一步的电池SOC估算方法中。     

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.     

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。     

教练用电动车能量管理系统状态监测及SOC估算方法

电动汽车蓄电池组的状态参数主要指各电池工作时的端电压、电流、温度和内阻;为了及时了解各电池的状况及剩余电量,我们以教练用纯电动车为依托,设计了一套能量管理系统。详细研究其核心部分——状态参数监测部分,实现电压、电流、温度、电阻信号的实时采集,然后基于开路电压法与安时累积法,运用一定的算法估算出SOC,并且换算成剩余续驶里程,最后将相关参数在仪表上实时显示。     

厦门金龙插电式混合动力公交车燃油消耗量过高故障3例

正厦门金龙XMQ6106AGCHEVD41型插电式混合动力公交车,配备湖州微宏多元复合锂电池模组,搭载YC6J240-42型发动机。当车辆发生以下2类故障时,车辆的燃油消耗量会明显增高。(1)驱动电池管理系统(BMS)或驱动电池有故障,如驱动电池管理系统(BMS)计算的剩余电量(SOC)不足、电池单体之间的电压差超过厂家设定值等,导致无法进行电力驱动模式,只能靠发动机直接驱动。     

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。     

电动车用动力镍氢电池SOC算法模型研究

文章简单分析了影响电池荷电量(SOC)的一些主要因素,介绍了一些常用的SOC算法,并对SOC算法模型的研究提出了一些看法和建议。     

基于XC164CS单片机的混合动力汽车电池管理系统硬件设计

介绍了以Infineon公司16位高性能单片机XC164CS为控制核心、针对混合动力汽车镍氢动力电池组的电池管理系统.分别对构成电池管理系统的微控单元模块、检测模块、驱动模块及通讯模块进行了说明,从硬件设计角度进行了分析.该管理系统可以实现动力电池组充、放电智能化控制,能够实时检测电池组的电压、电流、温度等信号,并能根据这些信号通过SOC算法估算电池组剩余电量.     

如何有效提升铅酸蓄电池使用寿命

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,     

比亚迪秦纯电行驶距离缩短

<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     

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。     

保时捷918 Spyder DME发动机电控系统结构与组成(四)

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。     

基于能量效率的HEV多模式控制策略及判据研究

以某款混联式HEV为研究对象,建立了车辆动力系统仿真模型及整车能量控制策略优化模型。对比不同需求驱动转矩下的整车能量转换效率发现,在电池剩余电量及车速相同条件下,随着驾驶人需求驱动转矩的增加,HEV能量转换效率呈现"凸抛物线"规律。基于该规律,形成了HEV能量控制策略动力性、平衡性和经济性控制规则的划分判据。     

基于充电健康因子优化和数据驱动的锂电池剩余使用寿命预测

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。     

车用锂离子电池剩余使用寿命预测方法

剩余使用寿命(RUL)是锂离子电池健康监测与维护的关键参数,反映了电池到寿命终点的剩余工作时间。本文中提出了反映电池健康状态的电池容量衰退参数,利用这些参数建立RUL预测模型。将支持向量回归机粒子滤波应用于参数估计与RUL预测,给出了RUL的预测值与概率密度。结果表明提出的方法准确地预测了电池的RUL。     

基于BP神经网络的锂电池剩余寿命预测

准确的电池状态估算与剩余使用寿命预测能让用户及时获取电池信息并更新失效电池,保障整个电池组的安全高效运行。文章为精确地预测锂离子电池剩余寿命,引入了BP神经网络算法,并利用NASA电池循环寿命实验数据进行验证。