当前位置:首页 > 企业新闻

科普:常见的动力电池SOC估算方法:亚博APP手机版
本文摘要:随着电池技术的发展,估计SOC的方法包括传统电流积分法、电池耐阻法、静电试验法、开放电压法、阻抗电压法、更有创意的卡尔曼滤波法、模糊逻辑理论法、神经网络法等多种估计方法都有优缺点。

亚博App

随着电池技术的发展,估计SOC的方法包括传统电流积分法、电池耐阻法、静电试验法、开放电压法、阻抗电压法、更有创意的卡尔曼滤波法、模糊逻辑理论法、神经网络法等多种估计方法都有优缺点。(威廉莎士比亚、Northern Exposure(美国电视连续剧)、Northern Exposure(美国电视剧),以下是对几种常用SOC方法的详细说明。

(1)电流积分法电流积分法是目前电池管理系统领域应用更广泛的SOC估计方法之一。其本质是通过在电池打开电池或静电时积累充电或释放的电力来估计电池的SOC。对根据静电亲和率和电池温度估计的SOC展开一定程度的补偿。

在充放电初始状态下,如果将电池的SOC值定义为SOCt0,则T小时后的电池剩余容量SOC如下:在形式上,Q是电池额定容量,N又称为充电效率、库仑效率。该值是电池充电和温度影响系数要求,I是T小时的电流。

电流积分法比其他SOC估计方法简单可靠,可以动态估计电池的SOC值,因此被普遍使用。但是,这种方法没有两个限制。第一,电流积分法要早点获得电池的初始SOC值,要准确收集流向电池或流经电池的电流,以最大限度地减少预期误差。

其次,该方法将电池的外部特征作为SOC估计的依据,在一定程度上忽略了电池自放电亲和率、老化程度和充电放电率对电池SOC的影响,即使长时间使用,测量误差也不会明显积累,因此应引入修正系数,引导累积误差消失。(2)静电试验法静电试验法是将目标电池持续驱逐到电池的累计电压,用这个放电过程所花费的时间除以静电电流的大小值,除以电池的剩余容量。该方法通常用作电池SOC估计的校准方法,或用于蓄电池的事后保证工作,在不告诉电池SOC值的情况下使用,非常简单可靠,结果也比较准确,对多种类型的蓄电池有效。

但是静电试验法也没有两个严重的缺陷。第一,这种方法的实验过程需要很多时间。其次,这种方法需要从电动汽车上卸下目标电池,因此不能用于计算工作中的电力电池。

(3)开放电压法开放电压法根据电池的开放电压(OpenCircuitVoltage,OCV)和电池内部锂离子浓度之间的变化,间接表示与电池SOC的一对一对应关系。实际操作时,电池充电后,必须以相同的静电比例(通常为1C)展开静电。

必须暂停静电,直到电池的累积电压,并根据放电过程获得OCV和SOC之间的关系曲线。如果电池实际运行,则可以根据电池两端的电压值查询OCV-SOC关系表,获得当前电池SOC。这种方法对多种电池有效,但没有自身的遗漏。首先,在测量OCV之前,必须将目标电池固定在1h以上,这样电池内部的电解质才能均匀分布,获得稳定的端电压。

其次,电池在温度不同或寿命不同时,开放电压相同,但实际上SOC的差异可能较小,多年来用于这种方法测量的结果可能几乎不准确。(大卫亚设,Northern Exposure(美国电视),)因此,开放电压法和静电试验法一样,不仅限于工作中的电池SOC预测。

亚博APP手机版

(4)卡尔曼滤波法卡尔曼滤波法是美国数学家卡尔曼(R. E .卡尔曼)在20世纪60年代初公开的论文《线性滤波和预测理论的新成果》中明确提出的一种新的线性计划自回归数据滤波算法。该算法的本质是,可以线性估计大于平均方差原则的简单动态系统的状态。

非线性动态系统从卡尔曼滤波法线性化到系统的状态空间模型,在实际应用中,根据前一时刻的估计值和当前时刻的观测值,展开需要垂涎的状态变量的修订。遵循预测测量修改模式。避免系统随机不存在的偏差和障碍。

用Kalman滤波器估计电源电池的SOC,电池被转换成电源系统的状态空间模型,SOC成为模型内部的状态变量。生成的系统是线性离散系统。

亚博App

卡尔曼滤波法不仅需要修正系统初始误差,还可以有效地诱导系统噪音,因此在操作条件非常复杂的电动汽车动力电池的SOC估计中具有明显的应用价值。(大卫亚设,Northern Exposure(美国电视剧),但这种方法没有两个遗漏。首先,卡尔曼滤波器估计SOC精度差异很大的电池型号的精度,工作特性本身是圆形高度非线性简化电源电池。

卡尔曼滤波中线性化处理后不会发生误差。如果模型制作得太准确,估计结果就不一定可靠。

其次,该方法包含非常复杂的算法,计算量大,需要的计算周期长,拒绝对硬件性能的苛刻。(5)神经网络方法神经网络方法是模拟人脑和神经元处理非线性系统的新算法,需要深入研究电池的内部结构。

从目标电池中预先提取符合大量工作特性的输出和输入样品,并将其输出到用该方法制作的系统中,即可获得正在运行的SOC值。该方法的后处理非常简单。

也就是说,卡尔曼滤波法可以有效地防止电池模型不线性化而需要处理的错误,并动态提供电池的动态参数。但是,由于神经网络方法的初始工作量比较大,需要提取大量综合目标样本数据对系统进行教育,输出的教育数据和训练方法会对SOC的估计准确度产生相当大的影响。另外,多年来用于估计同一组电池的SOC值,包括电池温度、自身放电亲和率、电池老化程度不统一等,准确度不会大幅下降。因此,在电力电池的SOC估计操作中,这种方法不多。


本文关键词:亚博App,亚博APP下载链接,亚博APP手机版

本文来源:亚博App-www.corners-field.com