学习资料新能源汽车电池SOH 计算方案.ppt

电压曲线拟合法估算动力电池的SOH 采用比较归一化后曲线所包围面积的方法，评估不同循环次数下(不同SOH)下的充电电压曲线归一化后的一致性程度。由于循环试验所采集的电池充电数据是分散的，不是连续的，因此在计算曲线所包围的面积时，可以用线性插值的方法，这种方法即方便又较为准确。因此计算面积公式如下所示: 基准充电电压曲线的选取 根据上面的公式，就可以计算出不同SOH时，电池充电电压曲线归一化之后所包围的面积，然后就可以选取面积居中的曲线作为基准曲线。此外，也可以用面积的方法来评价归一化曲线一致性的好坏。 最新.课件 * 电压曲线拟合法估算动力电池的SOH BP(即Back Propagation)神经网络，是一种误差信号沿反向传播，工作信号沿正向传播并含多层神经元的前向神经网络。本文主要利用BP神经网络能逼近任意的非线性函数这一特点，对电池的充电电压曲线作曲线回归。相比于数学方法中其他的非线性回归方法而言，使用BP神经网络具有精度高、方法简便等优点，而如果运用数学中其他的非线性回归方法就需要:首先根据已知曲线构建非线性数学模型，然后将非线性模型线性化并求解，而精度受所构建模型的影响，根据电池充电特性可知，数学模型可能会用到分段函数，使问题复杂化。由于本文所研究的SOH的估算方法会应用到远程监控系统中去，而远程监控系统所用的组态王能够与matlab联合计算，因此本文选用BP神经网络来拟合电池充电电压曲线。 人工神经网络(Artificial Neural Networks，简称ANNs)是一种模拟生物大脑神经突触连接的结构而建立的用于信息处理的数学模型。一个完整的神经网络系统是由许多神经元(神经网络的组成单元)互相连接组成的，神经元是一种具有多输入、单输出的基本单元，其结构如下图所示。 BP神经网络拟合基准曲线 最新.课件 * 电压曲线拟合法估算动力电池的SOH 人工神经元模型 图中Xj(j=l,2,...,n)功为神经元的输入信号，yi为输出信号，si为外部输入信号，θi为神经元的阀值，ui为神经元内部的状态，wji为神经元输入信号的权重值。根据神经网络的基本原理，上述模型可用下式表示: 最新.课件 * 电压曲线拟合法估算动力电池的SOH 当神经元内部没有设定状态时，可使yi=ui；h=f，选用Sigmoid函数，其表达式如下所示: 一个单独的神经元并没有实际意义，只有将大量的神经元按一定规律连接起来，才能实现神经网络对信息处理的功能，并体现出其优越性。 多层向前神经网络的基本结构如下图所示，其中神经元排列形式为分层分布，以形成神经网络所需要的输入层、输出层以及中间的隐含层，且每层神经元只会将前一层的输出作为输入。神经元节点分为输入单元与计算单元两类，信号经过前一层网络处理后，再传输到下一层网络，整个过程并不存在反馈信号。 最新.课件 * 最新.课件 * 最新.课件 * 最新.课件 * 最新.课件 * 最新.课件 * 最新.课件 * 最新.课件 * 最新.课件 * 电动汽车SOH综述 SOH的定义 SOC与SOH的关系 SOH的测量方法综述 电压曲线拟合法估算动力电池的SOH 最新.课件 * SOH的定义 SOH的定义 由于电池长期使用必然发生老化或劣化，因而必须估计电池的健康状况(State-of-Health,SOH )，也称为寿命状态，也有的称为老化情况、劣化程度或者落后电池，文献中叫法不一，但表达的意思基本上是一样的。 电池SOH的标准定义是在标准条件下动力电池从充满状态以一定倍率放电到截止电压所放出的容量与其所对应的标称容量的比值，该比值是电池健康状况的一种反映。该定义适合描述纯电动汽车的健康状况，因为纯电动汽车应用基本上是全充全放，每个充放电循环后便于相互比较。 简单来讲，也就是电池使用一段时间后某些直接可测或间接计算得到的性能参数的实际值与标称值的比值，用来判断电池健康状况下降后的状态，衡量电池的健康程度，其实际表现在电池内部某些参数(如内阻、容量等)的变化上。根据电池特征量定义电池健康状状况的方法如下: 最新.课件 * SOH的定义 (1)从电池剩余电量的角度定义SOH: 其中, 为电池当前可用的最大电量， 为电池未使用时的最大电量。 (2)从电池(能量释放)启动功率的角度定义SOH: 其中， 为电池实时放出的启动功率， 为1OO%SOC时所预测的电池放出的启动功率， 为电动汽车需要的最小启动功率。 最新.课件 * SOH的定义 (3) 从电池容量的角度定义SOH: (4)从电池内阻的角度定义SOH: 其中， 为电池寿命终结时的电池内阻， 为电池