基于PID-BPNN的矿用铅酸蓄电池SOC在线估计

针对矿山避难硐室安全供电系统中铅酸蓄电池内化成过程中检测是否已经达到满电荷量,且在组装铅酸蓄电池时需要考虑电池均衡问题都需要进行准确估算SOC的问题,提出基于BP神经网络的PID控制通过修正反馈误差来实现铅酸蓄电池SOC在线估计。采用实验的方法获取数据,选取与电池SOC相关的因子作为BP神经网络的输入参数,最终准确在线预测蓄电池SOC值。仿真结果表明,基于BP神经网络的PID控制的铅酸蓄电池SOC估计的精度大大提高,同时为电池管理系统提供一个新的估计方法。

基于改进EKF的飞机蓄电池在线SOC估计方法

蓄电池荷电状态(state of charge,SOC)是电池管理系统最为重要的参数之一,由于飞机蓄电池工作环境恶劣复杂,具有较强的非线性,给蓄电池的在线SOC估计带来较大的困难。以提高复杂应力条件下飞机蓄电池在线SOC估计精度为目的,采用性能测试实验对蓄电池性能参数的温度、放电率特性进行研究,并提出递推最小二乘法与扩展卡尔曼滤波算法结合的改进EKF方法,实现蓄电池等效电路模型参数的在线辨识以及蓄电池在线SOC的估计。上述方法通过物理实验进行了验证,实验结果表明,改进后EKF方法的SOC估计误差小于0.5%,估计精度获得明显提高。

模型参数优化的卡尔曼滤波SOC估计

荷电状态(SOC)表征电动汽车动力电池剩余电量。以精确在线估计电动汽车动力电池SOC为目的,基于Thevenin等效电路模型,结合电路原理对模型参数进行辨识,对辨识后的模型参数进行合理优化。利用基于优化后模型参数的扩展卡尔曼滤波对SOC进行在线估计,对比基于优化前模型参数的扩展卡尔曼滤波SOC在线估计结果,仿真结果表明,利用优化后的模型参数,在不影响扩展卡尔曼滤波初值误差收敛性的前提下,估算误差比优化前减小了43%左右,具有更高的SOC在线估计精度。

基于电化学机理模型的锂离子电池参数辨识及SOC估计

采用Fisher信息矩阵进行参数可辨识性分析,解决了参数的辨识问题,进而提出了基于简化电化学机理模型SP2D(simple pseudo-two-dimensional)的SOC(电池电量)在线估计方法。实验表明,该SOC估计方法较基于等效电路模型(一阶RC模型)的SOC估计方法,可将SOC估计的平均误差减小近30%,而在电池放电中后期更可减小达60%,有效解决了在电池全工作范围内的SOC高精度估计问题。

动力锂离子电池荷电状态估计综述

电池荷电状态(SOC)是电池管理系统的重要参数,然而SOC无法直接测量,且受应用环境、老化程度、自放电、电流倍率等因素影响,因此SOC估计尤其是在线估计是锂电池研究的一个热点和难点问题。通过对现有各种SOC估计算法进行综述,分析了各种方法的原理和优缺点,总结了各种参考SOC的获取方法和应用场合,并且针对在线SOC估计方法给出了未来的发展趋势。

扩展卡尔曼滤波在锂电池SOC估算中的应用

电动汽车发展是我国新型汽车发展的大方向之一,而储能电池的发展更是电动汽车发展的重中之重。锂电池SOC在线估算是在不妨碍锂电池正常工作的前提下通过检测电池的参数来间接估算电池荷电状态的一种方法,它是电池组管理和维护的重要依据,可以有效地避免电动汽车行驶时锂电池可能出现的各种故障。主要通过建立Thevenin电池等效电路模型并使用扩展Kalman滤波迭代算法对单节锂电池电池的荷电状态进行在线估算,先采用实验仪进行恒流放电实验得到阻抗曲线,再通过分析曲线数据利用Matlab解方程组得到Thevenin电池模型参数。经过实验测试,证明在恒流充放电的条件下,该算法在线估计SOC具有较好的精度,在锂电池充电至电量已满时达到的最大误差小于5%。