电动汽车用电池SOC定义与检测方法

为建立电动汽车电池管理系统的需要 ,探求铅酸电池荷电状态 (SOC)的实时测量和估计方法 ,分析了当前 SOC定义在变电流放电情况下出现不适应的原因 ,现有各种荷电状态检测方法的特点和存在的问题。在此基础上 ,对 SOC定义进行了修正 ,提出了“标定荷电状态”和“动态荷电状态”的概念 ,使之能很好地适应电动汽车用电池在变电流状态下的实时荷电状态估计。基于修正 SOC定义的电池荷电状态检测方法和计算模型具有简便、实用和可靠性     

修正参数的安时法估算锂离子电池剩余电量

安时法是目前估算锂离子电池荷电状态(SOC)最常用的方法之一.由于安时法不能估计初始荷电状态(SOC0),且难于准确测量库仑效率和电池可用容量变化,会造成累计误差,影响SOC估算精度.考虑锂离子电池的可用容量会随环境温度、放电电流以及电池老化等性能影响,结合开路电压法和安时法,对比实验数据进行误差分析与校正,提出了一种提高SOC估算精度的修正参数方法.仿真结果表明,用修正参数的安时法估算电池剩余电量可以减少误差,提高精度.     

混合动力汽车电池管理系统SOC的评价

为建立混合动力汽车电池管理系统的需要，探索镍氢电池荷电状态(SOC)的实时测量和估计方法，分析当前一般SOC定义在变电流放电情况下出现不适应的原因，和现有各种荷电状态估计方法存在的问题。为此，根据能量守恒原理，提出了一种新SOC的概念，使之能很好地适应混合动力汽车用电池在变电流状态下的实时荷电状态估计，并且基于新的SOC定义，建立电池荷电状态计算模型，进行仿真分析，简化计算，明确物理意义，提高了SOC的判断精度，减少混合动力汽车的复杂性，减少整车的成本，为混合动力汽车系统优化匹配提供了依据。     

电动汽车动力传动系统参数设计及动力性仿真

对电动汽车动力传动系统参数设计的原则和方法进行了探计，并以CS7101轿车为研究对象，对电动汽车动力传动系统的参数进行合理选择，以铅酸电池作为动力源，提出了荷电状态SOC的计算方法，分析了铅酸电池的电动势E0、内阻R0、极化电阻Rr随荷电状态SOC变化的关系，并根据铅酸蓄电池容量与温度的关系，对铅酸蓄电池的容量进行了温度补偿，为设计和改进电池能量管理系统的性能奠定了理论基础，建立了动力传动系统的动力学模型，在此基础上对基于SC7101的电动轿车的动力性能进行了计算机仿真试验，进一步分析了影响电动汽车续驶里程的，并提出了增加行驶里程的措施，仿真结果表明，对铅酸蓄电池电特性的分析和建立的动力学模型是正确的，该电动汽车的动力性能完全满足设计指标要求。     

电动汽车蓄电池剩余电量计量技术的研究

为了精确了了解电动汽车蓄电池的剩余电量，本文在用蓄电池电化学及目前一些剩余电量计量方法进行分析的基础上，提出了一种基于蓄电池电动势和内阻结合确定剩余电量的新方法。同时，由于蓄电池电动势和内阻与剩余电量之间的非线性关系，本文将使用神经网络技术来实现对剩余电量的预测，并取得了很好的效果。     

基于一致性估计的车用动力蓄电池组SOC修正法

目前车用动力蓄电池组荷电状态(SOC)的估计方法在应用时都将电池组看作一个整体,而忽略了组中单体电池之间的差异对整组SOC估计的影响.提出一种基于单体电池一致性估计的车用动力蓄电池组SOC修正方法.此方法采用了自适应神经模糊推理系统的基本原理,通过对模糊逻辑规则库的离线自适应训练,构建了可用于车载电池管理系统(BMS)的SOC一致性模糊推理系统.通过仿真或者试验验证表明,该方法能够在电池组SOC一致性发生变化的情况下,作出较为准确的判断并结合传统的整组SOC估计结果进行修正.说明通过该方法建立的模糊模型经过神经网络自适应学习后具有较好的泛化能力.     

双自适应衰减卡尔曼滤波锂电池荷电状态估计

针对卡尔曼滤波法在锂离子电池荷电状态(SOC)估计时存在误差较大、收敛较慢等问题,提出了一种双自适应衰减扩展卡尔曼滤波荷电状态估计(DAFEKF)算法。该算法首先设计了针对动力电池的荷电状态估计观测器,利用测得的电流和电压值分别作为观测器的输入和观测值,结合双自适应衰减扩展卡尔曼滤波估计出观测器中的电池荷电状态,在卡尔曼滤波算法的基础上加入时变衰减因子来减弱过去数据对当前滤波值的影响,并自适应地调整卡尔曼算法中过程噪声和测量噪声协方差。利用DAFEKF算法估计出的SOC结果与扩展卡尔曼滤波(EKF)和自适应扩展卡尔曼滤波(AEKF)算法进行了比较,结果表明,DAFEKF方法具有较好的准确性、鲁棒性和收敛性,使SOC估计误差控制在2%以内。     

基于C8051F330单片机的积分式电量表

由于动力电池的真实荷电状态SOC受许多因素的影响,基于电压检测的电量表很难收到理想的效果。设计了一种基于C8051F330单片机和按时积分算法的电量袁,可以准确计算出蓄电池的残余电量和荷电状态。实验表明：其测量误差小于±5％。     

电动汽车蓄电池剩余电量计量技术的研究

为了精确地了解电动汽车蓄电池的剩余电量,本文在用蓄电池电化学及目前一些剩余电量计量方法进行分析的基础上,提出了一种基于蓄电池电动势和内阻组合确定剩余电量的新方法．同时,由于蓄电池电动势和内阻与剩余电量之间的非线性关系,本文将使用神经网络技术来实现对剩余电量的预测,并取得了很好的效果．     

基于随机森林的锂离子电池荷电状态估算

荷电状态(state-of-charge,SOC)是锂离子电池预测和健康管理非常重要的一部分。锂离子电池的SOC无法直接测量,因此本文提出了基于随机森林回归算法的锂离子电池SOC估计的方法。首先构建随机森林回归模型,使用电池电流、电池电压、电池温度作为模型的训练输入,相对应的SOC作为模型的训练输出;然后使用随机森林算法进行模型训练;最后将训练模型应用于电池SOC估计。实验结果表明,随机森林回归算法对锂离子电池荷电状态的预测最大估算误差为0.02,均方根误差为0.003 204,该方法能有效地估算锂离子电池SOC并且有很高的估计精度。该模型研究为未来电池荷电状态估算系统的模型构建提供了参考。     

基于交互式多模型无迹卡尔曼滤波的锂电池荷电状态估计

为了提高传统卡尔曼滤波法估计锂电池荷电状态(SOC)的精度,在锂电池二阶RC等效电路模型基础上,根据隐马尔科夫模型(HMM)理论并采用遗传算法优化构造出了不同参数状态的电池模型。结合交互式多模型(IMM)算法与无迹卡尔曼滤波(UKF)算法进行SOC估计,提出了一种基于HMM的IMM-UKF算法估计锂电池SOC的方法。锂电池在线SOC估计实验表明,该方法比较其他估计方法有着更高的估计精度,平均绝对误差仅为1%。     

光储微电网混合储能系统的控制策略及开关优化

传统光储微电网混合储能系统控制策略将蓄电池视为容量无限大的理想元件,而实际上蓄电池容量有限,当蓄电池剩余电量达到阈值无法正常工作时传统控制策略将不适用。在二阶低通滤波法的基础上提出一种光储微电网混合储能系统的新型控制策略,同时考虑超级电容与蓄电池的剩余电量,根据储能元件的荷电状态调整储能元件输出电流参考值,维持储能元件剩余电量,但在极端天气情况下,仍需与储能元件保护开关相配合。由于采用传统储能元件保护开关的储能系统需独立的充放电电路,存在成本较高、充放电不连续等问题,因此,对储能元件的保护开关进行了改进,利用开关与二极管并联使其具有4种工作状态,在储能元件剩余电量达到阈值时,可自动恢复电量,降低了成本,提高了并网输出电能质量。最后结合新型控制策略与改进的保护开关,提出整体的混合储能系统控制方案,并用 Matlab／Simulink 对其进行仿真验证,结果证明了所提方法的正确性与可行性。     

基于温变双极化模型的锂离子电池荷电状态估计

电池荷电状态（SOC）的准确估计对延长电池使用寿命、提高电池利用率和保障电池安全性具有重要意义。在不同环境温度下进行了锂离子电池的基本性能试验和动态工况试验,建立了温变双极化等效电路模型。基于该模型,采用H无穷滤波算法代替传统的扩展卡尔曼滤波算法,在无需假设过程噪声和测量噪声均服从高斯分布的前提下,实现了SOC的精确估计。在考虑温变和电池模型存在误差的条件下进行验证,不同温度条件下的SOC估计最大误差保持在±0.03范围内,证明了所提出的SOC估计算法具有较高的温度适应性和鲁棒性。     

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。     

锂离子电池荷电状态的在线融合估计方法

为提高安时积分法对荷电状态估计的精度,解决其估计误差随时间不断增大的问题,采用极限学习机算法建立了安时积分法的误差预测模型,该模型以电池工作电流作为输入,对应的安时积分法荷电状态估计误差作为输出,将误差预测模型与安时积分法进行融合,对安时积分法的荷电状态估计值进行校正,形成了安时积分法和极限学习机方法融合的锂离子电池荷电状态在线估计方法.仿真分析结果表明,相比安时积分法,融合方法可有效减小荷电状态估计误差,克服安时积分法估计误差随时间不断增大的问题.     

Model based SOC estimation for high-power Li-ion battery packs used on FCHVs

A model based method which recruited the extended Kalman filter （EKF） to estimate the full state of charge （SOC） of Li-ion battery was proposed. The underlying dynamic behavior of the cell pack was described based on an equivalent circuit comprising of two capacitors and three resistors. Measurements in two tests were applied to compare the SOC estimated by model based EKF estimation with the SOC calculated by coulomb counting. Results have shown that the proposed method is able to perform a good estimation of the SOC of battery packs. Moreover, a corresponding battery management systems （BMS） including software and hardware based on this method was designed.     

考虑温度的电池荷电状态估算和主被动均衡

电池的荷电状态(SOC)估算和电池均衡作为电池管理系统BMS的核心功能,对电池的一致性和使用寿命、安全等至关重要。在电池的工作期间,温度直接影响了电池的可用容量和放电特性,从而加剧了SOC的估算误差。因此,本文考虑了温度对电池的影响,对SOC估算方法进行了改进,并利用主被动均衡改善了单体一致性问题。首先,通过建立电池的热特性模型对电池的内部温度进行估计,将温度估计结果对扩展卡尔曼滤波(EKF)算法进行了改进,再使用该算法进行SOC估算。并分别在UDDS、DST、HPPC工况下验证了本文改进的算法对提高SOC估算精度的有效性。其次,以更高精度的SOC估算结果作为变量,本文提出了一种主被动均衡电路并合理设计了均衡策略。最后,在仿真验证下,本文改进的EKF算法显著提高了SOC的估算精度,并通过主被动均衡实现了DST工况下一组SOC极差为13%的六节单体电池之间的快速均衡。研究结果表明,本文改进的方法能有效降低温度带来的SOC估算误差,改善了电池单体间的不一致性问题。     

基于DSP的电动汽车电池管理系统的设计

在大量充放电模拟试验和随车试验数据采集的基础上,构建了基于数据信号处理器（DSP）芯片TMS320C2812的电池管理系统,实现了数据监测、荷电状态（SOC）估计、控制局域网（CAN）通信及USB存储等功能．在SOC估计算法上,根据电池所处状态进行了分类分析,并对估算难度最大的电池动态放电状态的算法进行了仿真实验．实验结果表明,该算法对镍氢电池的SOC能进行准确预测,并具有较高的精度．     

基于模型参数在线辨识技术的SOC估算方法

针对遗传算法(genetic algorithm,GA)存在收敛速度慢、易陷入局部最优以及难以实现在线应用的问题,面向如动力电池等效电路模型一类非线性较强、实时性要求高的模型辨识问题,提出一种能够快速缩小搜索空间,且有效避免陷入局部最优的在线快速搜索的优化辨识框架,实现电动汽车动力电池等效电路模型参数在线快速辨识,扩展全局搜索优化算法的应用范围.进一步,将此算法应用于电池剩余荷电状态(SOC)估算问题,提出基于改进GA参数辨识技术的无迹粒子滤波SOC估算方法(IGA-UPF).并将此SOC估算方法与基于最小二乘参数辨识技术的无迹粒子滤波的SOC估算算法(LS-UPF)作比较,结果验证了本文提出的在线快速参数辨识框架具有更好的模型参数辨识精度.