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.     

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。     

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估计算法分析

电池荷电状态(SOC)值是电池状态的一个关键指标,它是多项控制策略的前提。SOC不是直接测量获得,可以用其它间接方式来估计。文章简要介绍了SOC的定义及其影响因素,简述了几种常用的SOC估算方法,并对各种方法的优缺点和适用场合比较分析,对SOC估算方法进行了展望。     

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。     

基于能量守恒和四线法的SOC估算策略研究

传统的电池荷电状态(SOC)估算方法已经不能满足蓄电池变电流放电工况的需要,而混合动力液压挖掘机中蓄电池变电流放电工况异常复杂,因此变电流工况下SOC的准确估算具有重要意义。在能量守恒定律和四线法测量蓄电池内阻的基础上,提出了一种新的SOC估算策略,经过仿真和实验分析,证明新的SOC估算策略能够胜任大电流和变电流放电工况下SOC的估算工作。     

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...     

动力电池SOC动态修正方法浅析

某纯电动汽车在电池温度变化较大情况下,若采用传统单体开路电压法估算SOC会引起SOC跳变、修正过缓、过陡问题,本文针对此现象,提出一种基于动力电池应用的SOC区间动态曲线修正方法。根据电池充放电状态确定目标SOC并计算跟随斜率,安时积分计算时利用跟随斜率加以修正并实时控制,动态修正,能有效解决SOC跳变、修正过缓、过陡问题。     

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。     

电池SOC估算方法的研究现状

如今,锂离子电池已成为新能源产业和SOC的研究重点。在锂离子电池研究中,电池容量估算和计算是其中的重点研究之一。SOC直接关系到锂离子电池使用的效率和安全性,正确的SOC估算和计算方法不仅可以增加锂离子电池工作的安全性,并延长锂离子电池的使用寿命[1]。相反而言,不合适的SOC估算和计算方法不仅会加速电池的老化,而且会带来电池爆炸和燃烧的危险,危害使用者的生命和财产安全。因此,本文对各种SOC估计和计算方法进行研究,以获得更成熟和广泛使用的电池SOC估计和计算方法。     

镍氢动力电池SOC估算方法

SOC（State of Charge,电池充电状态）估算是电动汽车电池管理系统的重要功能,准确有效的SOC估算对推动电动汽车核心技术的发展具有重要意义。文章介绍了镍氢电池工作的基本原理及电池管理系统的基本结构等方面技术,阐述了在对电动汽车SOC进行估算的8种方法,并比较各方法在应用中存在的优缺点,指出Ah计量法是目前最常用的方法,且常与其他方法组合使用。     

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。     

新能源汽车电池管理方法综述

电池管理系统作为电动汽车的重要组成部分,其中准确估测荷电状态(SOC)和电池均衡管理是电池管理系统的核心功能,也是优化系统能量管理,提高动力电池的使用效率,延长电池使用寿命的关键,对电池的储能至关重要。详细介绍主要SOC的估测方法和电池均衡管理方法,并对其优劣性进行分析与阐述,通过文献综述与对比分析为电池组在使用时提出理论依据与维护措施,为未来的研究提供便捷研究方法。     

Implementation of discharging/charging current sensorless state-of-charge estimator reflecting cell-to-cell variations in lithium-ion series battery packs

This paper offers novel insights to the design and implementation of an innovative state-of-charge (SOC) estimator for the lithium-ion (Li-Ion) series battery pack. The most interesting feature of this approach is that it can utilize information from each filtered terminal voltage of the Li-Ion cells connected in series for SOC estimation of the battery pack. Without actual sensing each discharging/charging current (DCC) applied to the Li-Ion cells, it is possible to extract each DCC estimation from the corresponding filtered terminal voltages with an equivalent electrical circuit model (EECM) identification of all Li-Ion cells in the battery pack. There are two advantages to SOC estimation of the battery pack with this approach. First, the proposal can be implemented simply and effectively, reducing the computational steps required for SOC estimation. By reducing computational steps, the proposal is expected to be more cost-effective. Second, the approach guarantees an improved SOC performance, even if the battery pack results in inevitable cell-to-cell variation among Li-Ion cells. Accordingly, there are fewer differences to previously estimated DCCs among Li-Ion cells. Specifically, all values from the estimated DCCs are properly compensated for by simultaneous parameter modification according to each cell’s electrochemical characteristics. Experimental results clearly demonstrate that our DCC sensorless SOC estimator provides robust SOC performance for the battery pack. This approach considered an experimental battery pack (12S1P) connected in series using 2.6 Ah LiCoO2 cells produced by Samsung SDI.     

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。     

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。