针对磷酸铁锂电池(LiFePO_(4))平坦的开路电压OCV(open circuit voltage)与荷电状态SOC(state of charge)滞回特性在充、放电切换工况下传统等效电路模型估计OCV存在精度较低的问题,提出电池迟滞建模。为了突出LiFePO_(4)电池考虑滞回...针对磷酸铁锂电池(LiFePO_(4))平坦的开路电压OCV(open circuit voltage)与荷电状态SOC(state of charge)滞回特性在充、放电切换工况下传统等效电路模型估计OCV存在精度较低的问题,提出电池迟滞建模。为了突出LiFePO_(4)电池考虑滞回特性的必要性,对3种电池模型的复杂性、准确性和适用性进行综合评价和对比分析。结果表明,一阶RC模型不考虑滞回的影响,仅适用纯充电或纯放电的工况;一阶RC滞回模型在一阶RC模型的基础上增加1个滞回量,虽考虑了滞回特性的影响,但滞回量受参数辨识影响较大,OCV估计存在波动;Preisach模型对存在充、放电切换工况的估算精度较好,但训练数据时间成本较高。NEDC(new European driving cycle)充、放电工况下对不同模型结合算法估计SOC,估计误差均在5%以内,其中Preisach误差在3%以内。展开更多
针对原有的锂电池组荷电状态(state of charge,SOC)估算方式是在电池放电后进行测量,在电池内阻数值较大时难以获取明确的开路电压,导致其在锂电池组SOC估算上具有误差等问题,设计了基于分段聚合和卡尔曼滤波的锂电池组SOC估算方法.在...针对原有的锂电池组荷电状态(state of charge,SOC)估算方式是在电池放电后进行测量,在电池内阻数值较大时难以获取明确的开路电压,导致其在锂电池组SOC估算上具有误差等问题,设计了基于分段聚合和卡尔曼滤波的锂电池组SOC估算方法.在构建等效电路模型的基础上,辨识锂电池参数,并定义开路电压等锂电池组SOC估算指标.分段聚合切换锂电池反馈路径,利用卡尔曼滤波线性递推估算锂电池组SOC数值.结果表明:以锂电池脉冲放电过程为测试条件,提出的方法估算结果与实际SOC值基本一致,在SOC为0.6时,该方法能将SOC估算相对误差控制在0~0.4%.展开更多
利用神经网络进行了电动汽车用的磷酸铁锂(LiFePO4)电池荷电状态(state of charge,SOC)预测研究。在分析磷酸铁锂电池充放电机理的基础上,采用levenberg-marquardt(LM)算法建立了磷酸铁锂电池的BP(back propagation)神经网络模型,并进...利用神经网络进行了电动汽车用的磷酸铁锂(LiFePO4)电池荷电状态(state of charge,SOC)预测研究。在分析磷酸铁锂电池充放电机理的基础上,采用levenberg-marquardt(LM)算法建立了磷酸铁锂电池的BP(back propagation)神经网络模型,并进行了电池SOC值的预测。结果表明,基于神经网络的电池SOC预测方法具有较高的精度,可用来预测磷酸铁锂电池的SOC值。展开更多
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...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。展开更多
文摘针对磷酸铁锂电池(LiFePO_(4))平坦的开路电压OCV(open circuit voltage)与荷电状态SOC(state of charge)滞回特性在充、放电切换工况下传统等效电路模型估计OCV存在精度较低的问题,提出电池迟滞建模。为了突出LiFePO_(4)电池考虑滞回特性的必要性,对3种电池模型的复杂性、准确性和适用性进行综合评价和对比分析。结果表明,一阶RC模型不考虑滞回的影响,仅适用纯充电或纯放电的工况;一阶RC滞回模型在一阶RC模型的基础上增加1个滞回量,虽考虑了滞回特性的影响,但滞回量受参数辨识影响较大,OCV估计存在波动;Preisach模型对存在充、放电切换工况的估算精度较好,但训练数据时间成本较高。NEDC(new European driving cycle)充、放电工况下对不同模型结合算法估计SOC,估计误差均在5%以内,其中Preisach误差在3%以内。
文摘针对原有的锂电池组荷电状态(state of charge,SOC)估算方式是在电池放电后进行测量,在电池内阻数值较大时难以获取明确的开路电压,导致其在锂电池组SOC估算上具有误差等问题,设计了基于分段聚合和卡尔曼滤波的锂电池组SOC估算方法.在构建等效电路模型的基础上,辨识锂电池参数,并定义开路电压等锂电池组SOC估算指标.分段聚合切换锂电池反馈路径,利用卡尔曼滤波线性递推估算锂电池组SOC数值.结果表明:以锂电池脉冲放电过程为测试条件,提出的方法估算结果与实际SOC值基本一致,在SOC为0.6时,该方法能将SOC估算相对误差控制在0~0.4%.
文摘利用神经网络进行了电动汽车用的磷酸铁锂(LiFePO4)电池荷电状态(state of charge,SOC)预测研究。在分析磷酸铁锂电池充放电机理的基础上,采用levenberg-marquardt(LM)算法建立了磷酸铁锂电池的BP(back propagation)神经网络模型,并进行了电池SOC值的预测。结果表明,基于神经网络的电池SOC预测方法具有较高的精度,可用来预测磷酸铁锂电池的SOC值。
文摘蓄电池荷电状态(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。
