VRLA蓄电池在线监测系统的设计

文章提出了一种VRLA蓄电池在线监测系统的设计方案,介绍了该系统的硬件及软件设计。该系统可以实时监测VRLA蓄电池的电压、电流、温度等参数,从而可了解VRLA蓄电池的充放电状态,估算剩余电量,避免VRLA蓄电池因过充、过放而影响寿命;能够通过上位机软件定期对VRLA蓄电池组放电,解决了长期浮充电造成VRLA蓄电池过早失效的问题。

VRLA蓄电池容量预测技术的现状及发展

VRLA蓄电池广泛应用军事、工业、电信以及日常生活,其意义十分重大,对其进行容量和寿命的预测,了解其剩余能量和工作状态将对应用起着指导作用。作者对当前国内外蓄电池剩余容量预测的研究进行了总结,提出了发展趋势及预测方案。

基于容量修正的阀控式铅酸蓄电池SOC估计

阀控式铅酸蓄电池(valve regulated lead acid battery,VRLA)广泛应用于储能系统中,准确估算其实时荷电状态(state of charge,SOC),对确保铅酸蓄电池安全供电具有重要意义。铅酸蓄电池的工作环境温度对其容量的影响不可忽视,然而,现有的SOC估算方法常将电池总容量视作固定值,这就导致了估算误差会随着环境温度的变化而积累,严重影响了SOC的估算精度。提出了一种基于容量修正的SOC估计方法,通过研究电池容量随温度的变化规律,引入了温度补偿对电池总容量进行修正。在此基础上,结合扩展卡尔曼滤波(EKF)算法进行不同温度下的SOC实时估计,并对容量修正后的SOC估计值与一般算法SOC估计值进行比较。仿真和实验结果表明,所提出的SOC估算方法能够提高不同环境温度下的铅酸蓄电池SOC估计精度。

基于RBF神经网络的太阳能电站VRLA蓄电池容量预测方法

为了对太阳能电站VRLA蓄电池进行有效的保护,防止蓄电池的过放电,本文对VRLA蓄电池进行准确的容量预测。在分析了铅酸蓄电池充放电过程的反应机理的基础上,应用RBF神经网络建立了铅酸蓄电池的数学模型,用于预测铅酸蓄电池放电过程某一状态下的剩余容量。实验结果表明该网络模型可以快速、准确得到蓄电池剩余容量。

变电站用VRLA蓄电池浅放电关键技术研究

针对变电站用VRLA蓄电池浅放电试验的蓄电池剩余电荷量预测、健康状态评价、终止放电条件等关键技术进行研究,形成的浅放电电池容量预测模型,并从浅放电的有效性和安全性出发,提出了终止放电的三个条件。文中利用二项式拟合预测模型,经迭代计算,预测蓄电池的容量。结果证明,用该方法预测蓄电池容量的相对误差小于6%,实际放电时间误差在30 min内,适用于工程实际。

基于参数更新的蓄电池SOC估计算法优化

针对基于蓄电池电路模型的欧姆内阻R_1经常用于荷电状态SOC估计中,而没考虑极化内阻R_2、极化电容C_2的变化特性与SOC的关联这一情况,根据利用多频点交流放电蓄电池测试技术辨识得到的实时Thevenin电路模型参数R_1、R_2、C_2等作为观测变量,联合运用Kalman滤波算法实现SOC最优估计。实验数据仿真表明,在充电、放电过程中同时考虑R_1、R_2、C_2等参数更新,可以进一步提高蓄电池SOC最优估计值的准确性。

锂电池电量的动态预测

介绍了锂电池的结构 ,分析了锂电池的放电特性 .基于积分法采用动态更新电池电量的方法 ,考虑电池自放电现象 ,对电池的在线电流、电压、放电时间进行了测量 ;预测和计算了电池在不同放电情况下的剩余电量 ,并根据电池使用情况和环境温度对电量预测进行了校正 ,给出了剩余电量的预测值 。

蓄电池剩余电量的模糊预测

在分析铅酸蓄电池剩余电量预测方法的基础上,实现了一种基于蓄电池电动势和内阻的电量模糊预测方法.根据蓄电池电动势与电量的实测数据,拟合出一个经验方程,作为电量预测模型的负反馈环节,从而提高了模糊控制器的精度与稳定性.仿真结果表明,该方法有效可行.

锂离子电池组可用剩余容量的估算方法

锂离子电池的可用剩余容量是电池管理系统(BMS)中一个重要参数,为精确计算电池的可用剩余容量,提出了一种新型的估算锂离子电池可用剩余容量的方法,利用开路电压法与智能估算方法相结合估测电池的SOC,得到锂离子电池SOC的实际值和估测值,经过比较,能很好的反映出电池随老化程度及其他条件的改变而发生的可用剩余容量变化。

基于模糊神经网络预测技术检测蓄电池剩余电量研究

采用基于模糊神经元网络预测技术并应用TI公司的DSPTMS32 0F2 4 0辅以相应的传感器检测蓄电池剩余电量。该方法技术先进 ,实验结果表明测试精度高 ,为蓄电池剩余电量的检测提供了有效的途径。

锂离子电池组可用剩余容量计算方法的研究

区分了电池剩余容量与电池可用剩余容量,通过安时法与开路电压法相结合的方法估测电池的SOC。为了更精确计算电池的直流阻抗,实时修正电池运行过程中电流误差系数,通过试验得到电池电压与可用剩余容量的关系及SOC与放电时间的曲线,经过比较,该策略能很好的反映出电池随老化程度及其他条件的改变而发生的容量变化。

基于GA-BP神经网络的电池剩余电量的预测

研究动力电池剩余电量问题,电池剩余电量的准确预测一直以来都是一个难点。由于剩余电量与电流、内阻和温度有关,电池内部复杂的电化学反应导致了电池电压不能线性反映电池的剩余电量,传统的方法往往会有较大的误差。BP神经网络的特点是可以逼近任意的非线性函数,而BP神经网络并非完美的神经网络,采用用遗传算法优化BP神经网络可以克服其缺点,更好的预测电池的剩余电量。实验结果证明,所用的GA-BP神经网络方法具有反应快,误差小的特点,达到了预先设计的目的。

独立光伏系统中蓄电池剩余容量的模糊估计

利用模糊技术,以蓄电池端电压和放电电流为变量进行模糊化处理,根据专家知识和经验完成模糊规则生成并进行模糊推理,经反模糊化处理得到蓄电池的剩余容量估计。仿真估计结果与实验结果进行比较,两者的SOC值基本一致,所设计的蓄电池SOC模糊估计法基本上可以满足蓄电池在线状态下的SOC测量。

基于多元非线性回归理论的坦克蓄电池剩余容量非线性回归预测研究

坦克蓄电池是复杂的非线性系统,影响电池剩余容量的主要因素是电动势和内阻,在此基础上建立了电池剩余容量的初等非线性回归预测模型。实例仿真结果表明模型具有较高的精确度,预测结果优于神经网络、支持向量机等模型,而且模型结构简单、直观,可操作性强,运算结果稳定,为坦克蓄电池充电、使用及维护提供了一种新思路、新方法。

基于改进GM(1,N)灰色关联模型的铅酸蓄电池容量预测

铅酸蓄电池由于其容量大、成本低、自放电率低等优点是应急电源(EPS)系统的基本组成部分,剩余容量作为衡量蓄电池能力指标的重要参数直接影响着系统的安全运行。引入电池的端电压、内阻两个参数作为容量的两个关联因素,建立多因素关联分析的GM(1,N)灰色模型,并对模型进行了改进,针对影响模型预测精度的关键量"均值序列加权参数",提出了一种合理有效的选取方法,最后的预测实例验证以及误差分析表明,该方法具有操作简单、算法复杂度低而且预测精度高的优点,有很强的实际应用价值。

新能源系统中蓄电池预测技术的探讨

新能源系统中通常采用蓄电池作为储能元件,蓄电池SOC的预测是蓄电池管理系统的一个重要组成部分,掌握蓄电池的工作状态和剩余容量对应用起着指导作用。论文从蓄电池SOC的定义和影响因素入手,讨论了利用物理模型预测蓄电池容量法以及系统辨识与参数估计建模法中的最新动态,最后比较和展望了蓄电池SOC预测技术。

电动自行车电池开路电压与放电容量的关系

介绍了电动自行车用6DZM10阀控铅蓄电池的容量试验、过放电试验和寿命试验。试验结果表明:电池的开路电压与放电容量之间,并不像开口式富液铅蓄电池那样很容易观察到简单的线性关系。这是由于铅蓄电池的开路电压与电动势,只跟电极表面附近液层中的电解液密度有关,而与整体电解液的量无关;但6DZM10电池的放电容量,不仅跟电解液的密度和电池中参与电极反应的电解液以及活性物质的量有关,而且还深受反应粒子的扩散过程迟缓性的影响。这种影响在电池使用和寿命试验过程中,随着失水过程的出现而越来越严重。因而不能像开口式富液铅蓄电池那样,用开路电压来推断6DZM10电池的放电容量或荷电态。

阀控铅酸蓄电池的内阻与其剩余容量监测

分析了阀控铅蓄电池内阻的组成及其测试原理和方法,根据蓄电池内阻与剩余容量的关联性,讨论了利用蓄电池内阻监测其剩余容量的可行性。

基于小波神经网络算法的锂电池荷电状态预测

为了提高锂电池的使用寿命,提出一种基于小波神经网络的荷电状态(State of Charge,SOC)预测方法。分析了马里兰大学K2锂电池测试数据,在此基础上建立基于小波神经网络算法的锂电池SOC预测模型,然后对比预测值与实际值的误差,检验了预测模型的准确性,实现对锂电池SOC的预测。试验结果表明,基于小波神经网络算法的锂电池SOC预测精度优于传统的BP神经网络。该研究成果为锂电池SOC准确预测提供了一种新的预测方法。

蓄电池剩余容量预测技术现状及发展

阀控式密封铅酸(VRLA)蓄电池被广泛应用于邮电、电力、交通、军事等诸多领域,在整个系统中发挥着举足轻重的作用。因此,对蓄电池的运行状态,特别是剩余容量(荷电状态)进行在线准确监测(预测)以及有效的管理变得尤为重要。本文以VRLA蓄电池为对象,对国内外蓄电池剩余容量预测技术研究进行了详细的介绍和总结。