- 1、本文档共7页,可阅读全部内容。
- 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
- 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
- 5、该文档为VIP文档,如果想要下载,成为VIP会员后,下载免费。
- 6、成为VIP后,下载本文档将扣除1次下载权益。下载后,不支持退款、换文档。如有疑问请联系我们。
- 7、成为VIP后,您将拥有八大权益,权益包括:VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 8、VIP文档为合作方或网友上传,每下载1次, 网站将根据用户上传文档的质量评分、类型等,对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
查看更多
动力电池的SOC估计方法分析.doc
动力电池的SOC估计方法分析
摘要:动力电池的荷电状态(State of Charge,SOC)代表了电池内部存储电量的多少,是电池最重要的状态量之一。SOC估计算法是所有电池管理算法的基础,电池SOC的估计也是一直以来电池研究的重点、热点和难点。本文分析了5种估计动力电池SOC的原理,并且比较了5种估计方法的优点和缺点,最后分析了SOC估计算法的研究方向。
关键词:荷电状态;安时法;开路法;卡尔曼滤波法;状态观测器法;神经网络法
1 引言
纯电动汽车性能的优劣在一定程度上取决于动力电池的性能,动力电池的工作性能取决于电池管理系统(Battery management system,BMS),因此,每台电动汽车都配置了BMS,BMS是电动汽车的核心技术,其主要功能是在复杂的行驶环境下检测电池的工作状态,有效管理和控制电池。电池的状态包括电池的荷电状态(SOC)和健康状态(State of health,SOH)。BMS是以准确估计电池SOC为核心的技术,并且电池的SOC值是BMS采取相应控制策略的主要依据之一。对于电动汽车,实时准确地获得电池组的SOC是保证电动汽车正常行驶的重要前提。精确估计电池的SOC,可以防止电池过充或过放电,对电池具有保护作用,使电池处于良好的工作状态,延长电池的使用使用寿命,降低维护成本。
美国先进电池联合会在《电动汽车电池实验手册》中定义了电池荷电状态(SOC),它是在一定的放电倍率条件下,电池的剩余电量与相同条件下额定容量的比值,即
(1)
式中 为剩余电量; 为电池以恒定电流 放电时具有的容量。
近年来,研究人员对电池SOC估计算法做了大量的研究工作,提出了许多估计算法,如发电实验法、Ah法、开路电压法、卡尔曼滤波法、神经网络法、模糊控制法和状态观测器法等,这些估计算法各有特点。根据SOC估计算法的研究和应用现状,下文将重点分析安时法(Ah)、开路电压法、卡尔曼滤波法、神经网络法和状态观测器法等方法的基本原理、优点和缺点。
2常用的SOC估计算法分析
2.1安时法(Ah)
在SOC估计方法中,基于SOC定义的安时法是最常用的方法。若电池初始状态为 ,则Ah法的计算公式:
(2)
其中,C为电池额定容量,i为负载电流, 为充放电效率。
Ah法简单易用,算法稳定,是目前使用最多的一种估计方法,常作为其它SOC估计方法的对比验证方法。但是,该方法需要考虑SOC初值精度和积累误差等问题[1,2],为了提高安时法的估计精度,文献[3,4]探讨了容量、温度和放电电流等因素对估计精度的影响。
2.2开路电压法
开路电压法是利用电池的SOC与开路电压(OCV)的单调性关系来估计电池的SOC,测得电压OCV,再通过简单的查表即可得到电池SOC。OCV随SOC的变化率越大,估计结果越准确,电池的SOC接近1或0时,OCV随SOC急剧变化,文献[5]利用这一特点,用OCV修正了SOC估计值,其它区域OCV随SOC变化比较缓慢,称为“平台区”,但是在实际应用中,该方法需要长时间空载静置后才能测量电池端电压OCV。虽然V.Pop等人利用EMF-SOC模型改进了该估计算法[6],仍然只能在电动汽车长时间驻车后才能使用。因此,电压开路法估计SOC不能做到实时在线估计。
2.3卡尔曼滤波法
卡尔曼滤波是一种先进的估计算法,也是目前应用最广泛的SOC估计算法[7]。卡尔曼滤波法是基于系统状态空间模型估计SOC,在该方法中,SOC必须作为系统的一个状态变量,这是卡尔曼滤波算法估计SOC的前提。
卡尔曼滤波算法采用预测和校正的思想来估计系统状态。首先,根据建立的模型,计算出状态的预测值,然后计算预测值与实际输出的差值,再用差值修正预测值,进而得到较为准确的状态估计值[8,9]。相比较安时法,卡尔曼滤波法引入了反馈的思想来估计SOC,因此,在实际使用中更适合于电流变化剧烈且电池常处于充电或放电的环境,卡尔曼滤波对噪声有很强的抑制作用,并且对初值不敏感,因此,估计结果的精度高,尤其适用于动力电池的SOC估计。卡尔曼滤波算法的主要缺点是估计精度取决于其模型参数的准确性,所以电池模型参数的精度会影响估计精度。此外,卡尔曼滤波算法的运算量大,需要用运算速度较快的处理器。
2.4状态观测器法
状态观测器法包括 观测器、自适应观测器、滑模观测器等。沈阳自动化所的机器人学国家重点实验室将开路电压OVC与SOC的关系看作一种动态关系,建立了电池的非线性模型,并且设计 观测器使干扰和模型不确定因素造成的估计误差小于某一设定的干扰调节水平,使得SOC的估计误差满足渐进稳定[10];北京理工大学的学者通过实验测试,建立了参数
文档评论(0)