混合动力镍氢电池荷电状态估计

针对混合动力镍氢电池,研究它的原理和特性,并选用Thevenin模型建立该电池的动态数学模型。考虑充放电效率(充放电倍率和温度)对电池荷电状态(SOC)的影响,在MATLAB软件里利用编程功能编写改进的无迹卡尔曼滤波(UKS)算法估算电池SOC的程序,再采用UDC工况实验对SOC进行仿真分析和验证。结果表明:UKS算法适用于估算混合动力汽车镍氢电池的SOC,而且比EKS算法具有更高的估算精度。     

电池管理系统荷电状态估算策略的设计

以电池管理系统荷电状态为研究对象,主要侧重于设计电池工作过程中真实、显示SOC的估算策略。在估算策略的设计过程中,充分考虑了影响电池管理系统荷电状态的因素。在荷电状态估算算法上采用了安时积分法结合开路电压法,对电池真实SOC进行估算,并增加了小电流修正环节,最后通过Simulink建立电池管理系统荷电状态估算策略模型。     

基于在线参数辨识和EKF的锂电池SOC估算

为了准确估算锂电池的剩余荷电状态(State of Charge,SOC),在2阶RC等效电路模型基础上,采用带遗忘因子递推最小二乘法(Forgetting Factor Recursive Least Square,FFRLS)对电池模型进行在线参数辨识,提高模型精度,联合扩展卡尔曼滤波算法(Extended Kalman Filter,EKF)对锂电池的SOC进行估算。在MATLAB环境下进行模拟仿真,仿真结果表明:FFRLS算法辨识后电池模型得仿真电压与实际电压得最大误差为0.029,平均误差约为0.0006,联合EKF对SOC的估算误差在绝对值3%以内,其中最大误差绝对值为2.6%。     

基于BP神经网络的锂电池组SOC估算

电池荷电状态(SOC)的精确估计是电动车辆的核心技术之一,对影响电池荷电状态的因素进行分析归纳后,采用经典反向传播神经网络(BP神经网络)算法的动力电池SOC估计方法。利用高级车辆仿真软件ADVISOR对电动汽车典型行驶工况进行模拟,得到动力电池组电压、电流、平均温度和荷电状态数据,样本数据经归一化处理后导入神经网络模型中训练和测试,结果表明,该算法能有效提高SOC估算精度,具有较好的收敛性和鲁棒性,SOC估计误差范围能减小到4%以内,满足实际应用的需求。     

基于扩展卡尔曼滤波的锂离子电池SOC估计

基于一阶等效电路模型,采用扩展卡尔曼滤波方法对锂离子电池SOC进行估计,并通过MATLAB搭建仿真实验,验证扩展卡尔曼滤波估算算法的有效性。结果表明,扩展卡尔曼滤波可以有效地跟踪锂离子电池SOC的变化,且具有较高的精确性。     

基于卡尔曼滤波的锂电池SOC估算

针对卡尔曼滤波估算电池SOC中存在精度不高、忽略实际环境噪声等问题,文章提出了一种基于卡尔曼滤波法来估算电池SOC。建立电池的一阶戴维南模型,基于卡尔曼滤波法对系统模型的非线性函数做一阶泰勒级数展开,得到线性化的方程,同时将噪声加入方程,最后通过实验验证了该方法的有效性。     

基于电化学阻抗谱的锂离子电池内部温度估算研究

针对电动汽车用动力电池组中单体电池内部温度估算精度不高,容易造成热失控起火等安全问题,提出一种基于电化学阻抗谱特征量的锂离子电池内部温度在线估算方法。首先以不同SOH(State of Health,健康状态)及SOC(State of Charge,荷电状态)下三元锂离子单体电池作为研究对象,使用电化学工作站在不同环境温度下对其进行EIS(Electrochemical Impedance Spectroscopy,电化学阻抗谱)试验,在0.01~10 000 Hz的激振频率范围内分析相移值曲线的分布规律,结果表明:在10~800 Hz的特定频率区间内,相移值曲线不受电池SOC及SOH干扰,且相移绝对值与电池内部温度存在良好的映射关系,进而确定了温度与相移值之间的唯一函数关系表达式,得到了电动汽车用三元锂离子电池内部温度在线估算方法。     

车载铅酸蓄电池SOC和SOH的在线估算

为提高铅酸蓄电池SOC和SOH估算精度,基于Randles铅酸蓄电池模型,采用卡尔曼滤波算法(KF)对该模型参数进行辨识,利用辨识的参数离线估计蓄电池的SOH和开路电压V_(oc)。利用不同SOH下的蓄电池SOC和开路电压V_(oc)之间的关系曲线(SOC-V_(oc)),对蓄电池的SOC进行估计。进行了相关的蓄电池测试实验。实验结果表明,此种SOH、SOC估算的方法具有较高的可靠性和可行性,SOH和SOC的估计精度分别为4.58%和5.05%,具有很高的准确性。     

基于高斯过程回归组合核函数的磷酸铁锂电池荷电状态估算

为了提高磷酸铁锂电池荷电状态(State of charge,SOC)的预测准确率,提出一种基于组合核函数的高斯过程回归估算方法。首先选取描述不同数据线性特征的核函数进行组合,建立高斯过程回归(Gaussian process regression,GPR)模型;然后将模型应用于估算HPPC实验工况下的SOC,并将其与传统单一核函数的GPR模型估算效果进行比较;最后用UDDS工况的实验数据验证GPR模型对不同类型实验数据的适应性。实验结果表明,该方法在不同工况下均能有效降低SOC估算误差,具有广阔的应用前景。     

电动汽车电池管理系统SOC算法优化研究分析

本文对电动汽车电池管理系统的组成与功能方面进行了简单的分析,并从电池检测系统、SOC估计系统及数据分析这三个方面对电动汽车电池管理系统的硬件与软件设计进行了探究。电动汽车电池组管理系统的有效运行,应具有数据监测、热管理及安全预警等方面的功能。在优化了SOC估计方法后,过去应用该方法难以精准测量库伦效率的问题被有效解决,为之后保障电动汽车电池管理系统的有效运行奠定了良好的工作基础。     

ISAD混合动力汽车蓄电池SOC估算方法的研究

蓄电池荷电状态SOC(State of Charge)是电池使用过程中的重要参数。为了能够精确地预测蓄电池剩余电量,本文在对3种SOC基本估算方法分析和比较的基础上,采用了一种新的以蓄电池端电压和内阻为参数进行估计的方法,并按此种方法进行了蓄电池放电试验。试验结果表明这种算法在SOC小于0.45时计算精确,能用来预测混合动力汽车蓄电池剩余电量。     

基于无迹卡尔曼滤波的并联型电池系统SOC估计研究

为准确估计由多个电池单体构成的并联型电池系统的荷电状态(SOC),以SOC与电池极化电压为系统状态变量,提出基于无迹卡尔曼滤波法的并联型电池系统荷电状态估计算法,建立电池系统SOC估计平台,在恒流和脉冲两种工况下,通过UKF算法与EKF算法的对比分析,证明了采用UKF算法进行并联型电池系统SOC估计的结果更准确、鲁棒性更强。     

电动汽车电池管理系统SOC估计方法分析

电动汽车电池管理系统是对车用动力电池组进行安全监控及有效管理,提高电池使用效率的装置。电池的荷电状态(SOC)是电池状态分析的核心问题,准确估计SOC是电池管理系统最为重要的功能之一。本文综述了锂离子电池SOC估计模型,分析了目前主流的电池SOC估计方法,并对未来SOC研究方向进行了探讨。     

混合动力汽车三元锂电池基本性能的研究

以三元锂电池单体(NCM)为研究对象,经过设计合理的实验方法,研究了其基本性能,包含容量特性、内阻特性、开路电压和温度特性。实验结果表明,随着放电倍率的增加,电池放出的电量有一定减小,放电时间变短;充电倍率增大,充进的电量减少,充电时间变短;在电池SOC较低时,电池内阻随SOC下降而上升;电池内阻随温度的升高而降低;而电池开路电压随温度变化较小。通过对电芯数据的挖掘,可以为相关算法提供参考依据,是搭建电池管理系统的基础。     

锂电池分数阶等效电路模型的对比研究

为了分析模型误差对电池荷电状态估计的影响,以某三元锂电池为研究对象,对分数阶与整数阶的电池等效电路模型进行了比较分析。运用粒子群算法对模型进行参数辨识,进一步利用分数阶卡尔曼滤波算法实现电池的SOC估计,并与基于整数阶电池模型的SOC估计进行比较。实验结果表明,分数阶电池模型相较于整数阶模型具有更高的精度。     

电动汽车远程监控平台的电池SOC估算

为充分发挥远程监控平台的监控和故障预警作用,针对电动汽车动力电池荷电状态(State OfCharge,SOC)精准估算对汽车控制和安全运行的重要性,利用车辆上传监控平台的运行数据进行SOC估算研究.通过减聚类算法计算隐层中心数,用量子粒子群(Quantum Particle Swarm Optimization,QP...     

基于长短期记忆神经网络的健康状态估算

当前电池健康状态估算与预测在处理大量电池数据、时间间隔较长存在一定缺陷。长短期记忆神经网络算法在解决该问题时效果明显。在完成电池循环充放电实验基础之上,分析和提取电池放电过程中外部信号变化的特征指标,以电池放电数据中放电容量、放电时间、循环次数训练并建立了长短期记忆神经网络预测模型,采用3种不同的自适应学习率优化算法对学习训练部分进行优化,最后对比分析模型预测的准确程度。结果表明,长短期记忆神经网络估算电池健康状态的误差小于5%,证明预测模型的有效性。     

基于CNN-GRU的菇房多点温湿度预测方法研究

有效获取温室出菇房的温湿度空间分布对于优化食用菌环境胁迫、病害预警、出菇房预调控至关重要,但传统的单点预测不能很好地满足菇房整体环境性能评估的需求。针对出菇房内温湿度时序性、非线性、空间分布差异性的特点,提出一种基于卷积神经网络(CNN)与门控循环单元神经网络(GRU)相结合的菇房多点温湿度预测方法。将温室室外历史气象数据、温室室内历史小气候环境数据、多点环境分布特征、通风信息和加湿信息多特征数据按照时间序列构造二维矩阵作为输入,采用CNN挖掘数据中蕴含的有效信息,提取反映温室环境数据相互联系的高维特征,将提取的特征向量构造为时间序列输入GRU网络进行多点温湿度预测。将该预测方法应用于北京市农林科学院的日光温室出菇房内多点温湿度预测,实验结果表明,该预测方法对于出菇房内各点温度RMSE平均值为0.211℃,MAE平均值为0.140℃,误差控制在±0.5℃范围内的平均比例为97.57%;对于出菇房内各点相对湿度RMSE平均值为2.731%,MAE平均值为1.713%,误差控制在±5%范围内的平均比例为92.62%;相比传统的BP神经网络、长短期记忆神经网络(LSTM)和门控循环单元神经网络(GRU),该预测方法具有更高的预测精度。     

基于混合储能系统的插电式混合动力汽车能量管理策略优化研究

针对基于混合储能系统的插电式混合动力汽车在SOC维持阶段的能量管理策略优化问题,以最佳燃油经济性为目标,设计了基于实值遗传算法的控制参数优化方法,得到了发动机工作转矩、电池电流分配系数、纯电行驶最高车速及电池SOC工作范围的最优控制参数。仿真结果表明,设计的能量管理策略控制参数优化方法能在维持SOC平衡的前提下有效提高车辆的燃油经济性,且有利于电池充放电性能和使用寿命的提升。     

串联混合动力公交车电池管理系统设计

分析了串联混合动力公交车电池管理系统的主要功能,设计了基于CAN总线和LIN总线的两级分布式电池管理系统。详细叙述了该管理系统的结构、硬件配置及其控制功能的软件实现。运行结果证明,该系统实现了数据监测及显示、CAN通讯、SOC预测、电池热管理和故障诊断及安全报警等功能,保证了电池的安全运行,提高了电池的性能和使用寿命。