共查询到20条相似文献,搜索用时 0 毫秒
1.
2.
3.
电动汽车动力锂电池内部充电状态的评估是电池管理系统状态评估模块的核心。不能用仪器直接测量,只能通过测量蓄电池的外部电流、电压等参数进行评估。准确评估充电状态对于控制电池寿命、功率和安全性非常重要。根据算法的不同,分为传统的开路电压法、电流积分法、基于数据传输的机器学习阻抗法、基于模型的卡尔曼滤波算法、粒子滤波算法和融合算法。介绍不同评估算法的计算原理,分析比较了不同评估算法的计算复杂度和精度。针对当前锂离子电池充电评估研究中存在的问题,指出锂离子电池充电评估的研究方向和未来发展方向是更具通用性、更高精度和更好实时性的多种评估方法。 相似文献
4.
5.
文章根据纯电动汽车和混合动力汽车的工作情况,归纳提出了电池管理系统(BMS)的核心功能和拓扑结构,对电池状态估算、电池监测系统和电池均衡系统等做了新的解析,简要的解释了电池常见故障原因以及预防措施等。 相似文献
6.
本文旨在综述机器学习方法在锂离子电池状态(包括荷电状态、健康状态和剩余可用寿命)估计领域的研究进展.首先,阐述机器学习方法在电池状态估计中的应用现状.然后,归纳电池状态估计机器学习方法的5个具体实施环节,即数据准备、模型选择与评价、超参数确定、数据预处理和模型训练,并提出了融合精度、实施成本和鲁棒性的学习算法评价方法.... 相似文献
7.
8.
9.
12.
为更好地解决电动汽车动力电池健康状态(SOH)在线估计问题,减少实车采集数据中的冗余样本,改善运行工况不稳定导致的特征丢失,提升实车电池SOH估计的精度,提出一种基于增量容量分析方法(ICA)提取特征和动态时间规整(DTW)优化特征样本的SOH估计方法。首先对实车电池充电循环数据应用增量容量分析提取电池IC曲线,以曲线峰高度等形状特征作为健康因子。采用动态时间规整作相似性判据,基于IC曲线形状计算电池充电循环样本的相似度,保留与基准充电循环相似的充电循环数据,优化训练样本,最后采用全连接神经网络(MLP)模型进行SOH估计。以实车运行电池数据进行对比实验,结果表明该方法可明显改善训练样本质量,提升电池SOH估计精度。 相似文献
13.
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。 相似文献
14.
15.
16.
电动汽车用NiMH电池建模及基于状态空间的SOC预测方法 总被引:1,自引:0,他引:1
电动汽车的电池管理系统需要精确、可靠的电池荷电状态(SOC)预测器。针对氢镍(NiMH)电池,提出了一种集总参数等效电路模型,介绍了通过实验获得电池参数的方法。该模型考虑了温度对电池参数的影响,能反映电池充放电的动态过程。文中用状态空间描述了R—C电池模型,在此基础上建立了一种新的基于状态空间的SOC递推算法,并对电池的充放电过程进行了仿真计算。分析表明,提出的SOC估计方法同样可用于其它类型的动力电池。 相似文献
17.
先进电池管理技术依赖于对未来一段时间荷电状态变化的预测,难点在于误差积累和时间依赖性降低引起的预测精度下降。提出采用机器学习结合多步预测策略来提升荷电状态多步预测精度,利用实际锂电池数据研究了不同多步预测策略的效果。结果表明,实际锂电池荷电状态预测在充电过程中具有显著线性特性,放电过程表现出非线性特性。预测步长为 15个时,LR模型、KNN模型、RF模型的 MAPE均低于 6%,R2均大于 0.90。线性回归结合 MIMO策略具有最大的实际应用潜力。 相似文献
18.
19.
电动公交电池容量衰减造成里程焦虑增加、服务可靠性降低、电池资源浪费等问题。因此,评估和发现电动公交实际运营过程中影响电池健康状态的关键因素并划分电池状态尤为重要。基于电动公交长时间实际行驶过程中的充放电数据,结合安时积分法与最小二乘拟合建立电池容量估计模型,并据此计算各充放电片段的电池健康状态。进一步考虑电动公交在途特性,从电池组充放电属性、车辆行驶工况、公交营运状态3个角度提取可能影响电池健康状态的相关因素,并采用因子分析法将影响因素组合为12个影响因子,使用随机森林回归构建电池健康状态预测模型,从而根据预测结果的准确性反推获得各影响因子的重要度。最后考虑不同影响因素的重要度,利用加权聚类算法梯次划分电动公交电池健康状态为4个类别,下降梯度分别为-0.013 6、-0.011 9、-0.003 4、-0.002 8,并通过对比研究发现了同一条线路不同梯次的车辆电池组在放电深度、速度标准差、最大加速度和刹车次数等影响因素上的差异。研究结果表明:车辆荷载、电池电流释放情况、车辆行驶中速度的变化、电池的使用时间、线路拥挤状况以及电池充电深度大小对于电池健康状态的影响程度较大,而在公交营运状态相同条件下,驾驶人的行为对电池健康状态衰减程度有着较大影响。 相似文献