摘要：在各种储能技术中,电池储能技术更加成熟可靠,且系统安装灵活、建设周期短,非常适用于当前的各种工程应用中。在电池储能技术中电池管理系统BMS(Battery Management System)是不可或缺的,而BMS中最重要的两项技术就是本文所要讨论的soc(State of Charge)估算和能量均衡管理。本文对BMS中的两项核心技术:soc估算与能量均衡管理进行了详细的讨论,提出了两种简单易行且较为准确的方法来进行soc估算与能量均衡管理。

摘要：采用一种分布式控制方案,实现了对120节动力锂电池的电压、电流、温度等数据实时采集;为准确估计蓄电池的荷电状态(soc)提供了一种可靠的硬件设计方案.结合安时积分法、开路电压法以及卡尔曼滤波器的复合方法,实现该蓄电池组在放电状态下soc的估计.利用MATLAB工具建立数学模型,结果表明,该算法对锂电池组的soc估计具有较高精度.

摘要：以提高锂电池的荷电状态估算精准度为目的,提出基于扩展卡尔曼滤波算法的锂电池soc估算方法。忽略放电率的状态,仅针对电池组的欧姆极化、浓差极化、电化学极化及工作温度等影响因素建立锂离子电池组等效电路模型,采用电量放电倍率下的soc与温度的关系拟合数据,获取电池温度对参数辨识的影响,将表征温度效应的等效电阻增加在二阶RC电池等效模型中,采用扩展卡尔曼滤波算法,将非线性系统转化为线性系统后,利用卡尔曼滤波实现锂电池soc的最优估算。实验结果表明,该方法的估算均方根误差仅为0.025,估算单次平均消耗仅为5.81×10^(-4)s;具有良好的估算跟踪性及适用性。

摘要：电动汽车处于不同行驶工况时,固定采样率的无迹卡尔曼滤波(Fixed Sampling Rate Unscented Kalman Filter,FSR-UKF)算法不能精确估算荷电状态(State of Charge,soc)。为克服这一缺点,以传统的UKF算法为基础,针对电动汽车不同行驶状态下电池电流的变化特点,将变采样率采集方法与UKF算法融合,根据受控电压源电池等效电路模型及其参数辨识结果,将变采样率UKF(Variable Sampling Rate UKF,VSR-UKF)算法应用于电池soc的估算中,并设计估算流程图。最后,通过仿真实验,获得最大相对误差不超过1%的电池端电压仿真结果以及最大相对误差不超过5%的soc估算结果,验证了本研究的正确性和准确性。

摘要：本文研究锂离子电池参数估计和荷电状态的估算方法。基于电池模型的优缺点及对电池动静态特性的反应,使用MATLAB/Simulink建立电池的二阶等效电路模型,并使用Parameter工具箱对电池参数进行辨识,建立动态准确的电池模型。接着,针对所建立的电池模型方程,选择扩展卡尔曼滤波对电池荷电状态进行估算。经过优化后,实验结果表明,本文提出的估算方法最大绝对误差为1.8%,均方根误差为0.74%。该方法能够在2%误差之内准确地估算电池的荷电状态,具有很好的实用性,可以有效地用于电池系统的设计和运行控制。

摘要：为提高锂离子电池soc估算精度,综合充放电效率、温度和循环次数等因素改进传统安时积分法。使用开路电压法估计初始荷电状态,当进入恒流放电末期,利用负载电压法在线实时修正安时积分法soc的累计误差。搭建锂离子电池充放电实验平台测试电池特性参数,建立soc估算的Simulink模型进行仿真。结果表明:设计的方法能够获得更加精确的soc估算值。

摘要：针对车载锂离子电池的soc(State of Charge)估算,面临两个主要问题:电池充放电过程中的极化效应,soc与OCV(Open Circuit Voltage)关系曲线受电池内阻等因素影响,精度较低。从自主设计的锂电池等效电路模型入手,改进现有的Thevenin模型,用一个新的极化模型来代替传统的RC模块克服锂离子电池的极化效应,增加模型的精度。利用改进后的模型,基于DualEKF(dual-Extended Kalman Filter)估计方法,克服传统方法中无法消除电池内阻误差的缺点。对照实验结果表明,在保证较低计算复杂度的情况下,使估算误差保证在6%以内。

摘要：锂离子电池管理系统设计及荷电状态(soc)估算依赖于电池等效电路模型的建立,在几种常见的动力锂离子电池等效电路模型分析与比较的基础上,通过对动力锂离子电池进行多种特性实验,分析了锂离子电池的动态特性,提出了二阶RC等效电路模型,并验证了模型的准确性。在电路模型基础上运用扩展卡尔曼滤波算法搭建了MATLAB/Siumlink平台上的仿真模型,通过仿真和实验结果的对比,验证该模型具有较高的估算精度,可用于锂离子电池soc的实时估算。

摘要：以由7个单体串联的钴酸锂电池组为检测对象,搭建BMS系统(Battery Management System,BMS),实现对锂电池组各单体电压、电流、温度的实时监测和电池的荷电状态(State of Charge,soc)估算;以STM32F103ZET6为控制器,设计电池的电压检测电路、电流检测电路及温度检测电路等,探索并实现了基于扩展卡尔曼(EKF)算法的荷电状态估算法。实验结果表明:该电池管理系统能够实现对电池组的电压、电流及温度等参数的监测,其中电压测量误差低于0.40%,还能完成对钴酸锂电池组中各单体电池的soc估算,其误差低于5.00%。

摘要：港口集装箱装卸工作主要依靠起重机完成,但传统起重机由柴油提供动力源,效率低且排放有害气体,锂电池组作为起重机的动力源可以减少环境污染。为提高电池组使用寿命,设计起重机大功率锂电池组管理系统(BMS),以STM32F103单片机为核心,采用电压被动均衡技术,实时监测锂电池的电压、电流和温度的状态信息,根据监测信息进行锂电池组的剩余电量(soc)估算以及故障诊断和报警,相应的数据通过网络传送和现场实时显示。在某港口起重机上通过现场试验,证明了电池管理系统的有效性。