下载文档原格式
磷酸铁锂电池的参数辨识及SOC估算胡泽军;叶明;李鑫;龙懿涛【摘要】运用Digatron对电池做充放电实验,建立Thevenin等效电池模型,根据混合功率脉冲实验分析电池在充放电停止时的电压回弹特性,用最小二乘法辨识电池参数.本文基于此参数提出运用安时法估算电池的荷电状态,用扩展卡尔曼算法对安时法进行修正,实现安时-扩展卡尔曼联合估算SOC,解决了采用安时法估算SOC 时误差越来越大的问题,降低了传统扩展卡尔曼算法运行的时间复杂度,提高了实时性,便于实际应用.实验和仿真结果显示,该方法具有较高的SOC估算精度.【期刊名称】《黑龙江大学自然科学学报》【年(卷),期】2019(036)003【总页数】9页(P344-352)【关键词】最小二乘法;辨识参数;安时法;扩展卡尔曼;荷电状态【作者】胡泽军;叶明;李鑫;龙懿涛【作者单位】重庆理工大学汽车零部件先进制造技术教育部重点实验室,重庆400054;重庆理工大学汽车零部件先进制造技术教育部重点实验室,重庆400054;重庆理工大学汽车零部件先进制造技术教育部重点实验室,重庆400054;重庆理工大学汽车零部件先进制造技术教育部重点实验室,重庆400054【正文语种】中文【中图分类】Q939.970 引言磷酸铁锂电池是电动汽车最关键部件之一，对整车的动力性、经济性、环保性以及安全性都具有相当重要的影响。
磷酸铁锂电池在实际工作中会受到温度、循环使用次数、放电深度、放电倍率、容量衰减、电池老化等众多因素的影响。
对动力锂电池的各种状态参数准确辨识是电池系统安全、可靠运行的必要条件，而实现这些功能的前提是精确地辨识电池参数并建立高精度的电池模型，这也是电池管理系统(BMS)亟待解决的关键技术[1]。
磷酸铁锂动力电池的端电压、电流、温度等参数可以通过传感器直接测量得到，但是动力电池的开路电压、内阻、荷电状态(SOC)等是时刻在变化着的，不能直接测量，必须通过实验预先测出相关参数或者相关参数与荷电状态(SOC)的关系，这就是动力电池的参数辨识。
基于FFRLS和EKF算法的磷酸铁锂电池SOC估算研究李心成;邱联奎;常亮;王永胜【摘要】准确估计荷电状态是磷酸铁锂电池安全工作和电动汽车正常使用的基础,以混合的简化电化学模型为基础,使用遗忘因子递推最小二乘法(FFRLS)对模型的参数进行辨识;对安时积分法进行参数修正,降低了充放电倍率,温度等因素的影响,并对扩展卡尔曼滤波(EKF)进行改进,使得观测值的修正能力提高;以参数修正过的按时积分法的方程为状态方程,结合开路电压法,利用改进过的EKF进行SOC的估计;与安时积分法相比,SOC的估算效果提高了不少,使估算偏差保持在3％以内.【期刊名称】《计算机测量与控制》【年(卷),期】2019(027)001【总页数】5页(P205-208,258)【关键词】磷酸铁锂电池;荷电状态;最小二乘法;扩展卡尔曼滤波【作者】李心成;邱联奎;常亮;王永胜【作者单位】河南科技大学电气工程学院,河南洛阳471000;河南科技大学电气工程学院,河南洛阳471000;国网平高集团,河南平顶山 467000;河南科技大学电气工程学院,河南洛阳471000【正文语种】中文【中图分类】TM9120 引言随着工业的快速发展和人们生活水平的不断提高，能源使用得越来越多，而且燃油汽车数量也不断增多，能源危机和环境问题随之而来，电动汽车对缓解能源危机，减少环境污染有较大优势。
电池作为电动汽车的动力来源，其荷电状态(state of charge，SOC)是电池管理系统(battery management system，BMS)的重要参数[1]。
SOC的准确估计对保证电动汽车的安全使用有重要的意义[2]。
SOC估算的传统方法有电流积分法，开路电压法，内阻法等[3]。
电流积分法使用方便，不过在电流精度不高时容易造成累计误差[4]。
开路电压法需要充放电结束静置一段时间后才能获得较准确的值，不适用于电动汽车行驶过程中[5]。
内阻法是根据内阻来进行估算，不过内阻受温度，充放电倍率影响较大而使估算效果变差[6]。
10.16638/ki.1671-7988.2019.08.011动力电池荷电状态（SOC）估算方法综述胡耘（长安大学，陕西西安710064）摘要：在动力电池管理系统(BMS)中动力电池SOC评估是最为重要的作用之一。
系统中的大多数功能都依赖于动力电池SOC评估的结果。
所以准确估算动力电池SOC，有利于保护电池，防止电池过充或过放，提高电池的寿命，达到节约能源的目的。
文章通过对SOC评估的当前各种方法的分类综述，并介绍了最新的研究成果，提出了SOC 未来的发展方向。
关键词：动力电池；电池管理系统；SOC估算中图分类号：U469.72 文献标识码：A 文章编号：1671-7988(2019)08-36-03Summary of methods for state of charge estimation of power batteriesHu Yun( Chang'an University, Shaanxi Xi’an 710064 )Abstract: Power battery SOC evaluation is one of the most important roles in the Power Battery Management System (BMS). Most of the functions in the system depend on the results of the power battery SOC evaluation. Therefore, accurate estimation of the power battery SOC is conducive to protecting the battery, preventing overcharging or overdischarging of the battery, improving the life of the battery, and achieving energy conservation. This paper summarizes the current classification of various methods of SOC assessment, and introduces the latest research results, and proposes the future development direction of SOC.Keywords: power battery; battery management system; SOC estimationCLC NO.: U469.72 Document Code: A Article ID: 1671-7988(2019)08-36-031 SOC的定义与分类我们将电池的荷电状态，称为SOC，指电池中剩余电荷的可用状态，用百分数表示。
基于OCV-SOC曲线簇的磷酸铁锂电池SOC估算研究郭宝甫;张鹏;王卫星;王法宁【摘要】通过对3.2 V/72 Ah能量型磷酸铁锂电池进行充放电试验,研究不同充放电倍率下的开路电压(OCV)与荷电状态(SOC)的关系.根据磷酸铁锂电池在静置状态下的电压滞回特性,构建了不同静置时间下的OCV-SOC曲线簇,并利用傅里叶高阶拟合和差值法建立电池OCV-SOC不同静置时间下的校正数据表,该数据表将对提高电池管理系统SOC估算精度具有较强的可行性和实用性.【期刊名称】《电源技术》【年(卷),期】2019(043)007【总页数】5页(P1125-1128,1139)【关键词】磷酸铁锂电池;开路电压;荷电状态;OCV-SOC曲线簇【作者】郭宝甫;张鹏;王卫星;王法宁【作者单位】许继集团有限公司,河南许昌461000;许继集团有限公司,河南许昌461000;许继集团有限公司,河南许昌461000;许继集团有限公司,河南许昌461000【正文语种】中文【中图分类】TM912.9在电化学储能电站中，电池的荷电状态(SOC)是储能电站的一个重要指标，即电池在一定充放电倍率下，剩余容量与相同条件下额定容量的比值。
电化学储能电站中的电池管理系统根据电池的SOC进行指令控制，以便对电池进行管理。
在一定温度下，电池的荷电状态与开路电压(OCV)呈现一一对应的关系。
电池的OCV-SOC 曲线是锂电池一条重要的基础曲线，主要用于开路电压估算电池的荷电状态中，即通过测量开路电压来校正电池的剩余电量，以消除电池的累计误差，提高电池的SOC估算精度。
目前实际应用的实时在线估算SOC的方法大多采用安时计量法，由于安时计量法长时间运行存在累计误差，随着使用时间的增加，累计误差会增大。
文献[2]研究了影响安时计量法估算SOC精度的各种因素，研究结果表明，初始SOC的校正对于提高安时计量法的精度具有重要意义。
文献[3]研究了如何通过卡尔曼滤波法获得准确的电池模型，从而得到电池的实时开路电压，再通过OCV-SOC曲线估算电池的SOC。
锂电池等效电路建模与荷电状态估计1. 引言1.1 概述锂电池是目前应用广泛的一种高能量密度的电池技术，被广泛应用于移动设备、电动汽车和储能系统等领域。
在实际应用中，了解锂电池的荷电状态（State of Charge，SOC）对于实现其可靠控制和管理至关重要。
然而，由于锂电池本身特性的复杂性以及工作环境的影响，精确地估计锂电池的荷电状态仍然是一个具有挑战性的问题。
为了解决这个问题，研究者们提出了多种方法，并且其中基于等效电路模型的荷电状态估计方法成为了主流。
该方法通过建立锂电池的等效电路模型来描述其内部特性，并利用测量得到的电压和电流数据进行参数估计，从而达到荷电状态估计的目的。
1.2 文章结构本文将会介绍锂电池等效电路建模与荷电状态估计这一研究领域的相关内容。
首先，在第2节中我们将详细讨论锂电池等效电路建模方法，包括概述不同类型的等效电路模型以及分析电压和电流之间的关系。
接着，在第3节中我们将介绍荷电状态估计技术的重要性，并详细探讨基于等效电路模型的荷电状态估计方法以及其他一些常用的估计方法。
在第4节中，我们将进行实验设计和数据采集，并对锂电池等效电路建模结果进行验证和优化分析，并比较评估不同荷电状态估计方法的结果。
最后，在第5节中，我们将总结本文的主要研究成果，并对未来的研究方向和拓展进行展望。
1.3 目的本文旨在全面介绍锂电池等效电路建模与荷电状态估计这一领域的相关研究进展，为进一步提高锂电池荷电状态估计精度提供参考。
通过对该领域已有研究成果的总结和归纳，可以帮助读者更好地理解锂电池等效电路建模方法、荷电状态估计技术以及它们在实际应用中的潜力和局限性。
同时，本文也可以为相关研究人员提供一个全面而系统的视角，从而为他们开展新的研究工作提供启示和指导。
2. 锂电池等效电路建模2.1 等效电路模型概述在研究锂电池行为和性能时，建立一个准确的等效电路模型是非常重要的。
等效电路模型可以帮助我们理解锂电池内部的物理过程，并预测其在不同负载条件下的响应。
锂离子电池参数辨识及荷电状态的估算刘志聪;张彦会【期刊名称】《储能科学与技术》【年(卷),期】2022(11)11【摘要】实现对锂电池的荷电状态(state ofcharge,SOC)的准确估算对电动汽车电池管理系统具有重要意义。
采用了二阶RC等效电路模型对电池进行精确建模,并分别利用离线参数辨识和带遗忘因子的递推最小二乘法的在线参数辨识方法对等效电路中的参数进行辨识,在确保模型精度满足要求后,利用扩展卡尔曼滤波(extended Kalman filter,EKF)算法来实现对电池SOC的准确估算。
以美国联邦城市运行工况(federal urbandriving schedule,FUDS)和城市道路循环工况(urban dynamometerdrivingschedule,UDDS)进行仿真实验,并将实验中标准SOC值与离线辨识和在线辨识的SOC估计值进行对比分析。
实验结果表明,在FUDS工况和UDDS工况下利用EKF算法估算SOC的平均误差都在2.5%以下,且在线参数辨识模型比离线参数辨识模型的平均误差分别降低了0.7%和0.9%。
证明了EKF算法能实现对电池SOC的准确估算,且在线参数辨识方法下的电池模型具有更高的估算精度。
【总页数】10页(P3613-3622)【作者】刘志聪;张彦会【作者单位】广西科技大学机械与汽车工程学院【正文语种】中文【中图分类】TM911【相关文献】1.锂离子电池模型参数和荷电状态联合估算算法2.锂离子电池模型参数和荷电状态联合估算算法3.电动汽车锂离子电池模型参数辨识和荷电状态估算4.车用锂离子电池荷电状态参数辨识的建模仿真5.锂离子电池模型参数辨识与荷电状态估算因版权原因，仅展示原文概要，查看原文内容请购买。
磷酸铁锂电池荷电状态估计方法的研究一、本文概述随着全球能源危机和环境污染问题的日益严重，可再生能源和电动汽车的发展受到了广泛关注。
磷酸铁锂电池作为一种重要的储能器件，在电动汽车、储能电站等领域得到了广泛应用。
然而，磷酸铁锂电池的性能和安全性在很大程度上取决于其荷电状态（State of Charge，SOC）的准确估计。
因此，研究磷酸铁锂电池的荷电状态估计方法对于提高电池性能、保障电池安全以及推动电动汽车和可再生能源的持续发展具有重要意义。
本文旨在探讨磷酸铁锂电池荷电状态估计方法的研究现状与发展趋势，分析现有方法的优缺点，并在此基础上提出一种新的荷电状态估计方法。
本文首先介绍了磷酸铁锂电池的基本原理和特性，然后重点综述了目前常用的荷电状态估计方法，包括安时积分法、开路电压法、内阻法等。
随后，本文分析了这些方法在实际应用中的局限性和挑战，并提出了一种基于多信息融合的荷电状态估计方法，以提高估计精度和鲁棒性。
本文对所提出的新方法进行了实验验证，并与现有方法进行了比较和分析。
通过本文的研究，旨在为磷酸铁锂电池荷电状态估计提供一种新的思路和方法，推动相关领域的技术进步和应用发展。
本文也为从事电池管理系统研发、电动汽车和可再生能源领域的研究人员和技术人员提供了一定的参考和借鉴。
二、磷酸铁锂电池特性分析磷酸铁锂电池（LFP，Lithium Iron Phosphate Battery）是一种广泛应用于电动汽车、储能系统等领域的重要电池技术。
其独特的化学性质使得磷酸铁锂电池在安全性、寿命、成本等方面具有显著优势。
以下是对磷酸铁锂电池特性的深入分析。
安全性：磷酸铁锂电池的热稳定性高，即使在高温或过充状态下，也不会产生易燃易爆的气体。
其结构稳定，不易发生形变，从而降低了电池内部短路的风险。
能量密度：虽然磷酸铁锂电池的能量密度相较于一些其他类型的锂电池较低，但其能量密度仍然足够满足大多数应用的需求。
随着技术的进步，磷酸铁锂电池的能量密度也在不断提高。
电动汽车电池SOC的估计王建南;张奎;荀锦锦【摘要】为了解决电动汽车电池荷电状态估算不准确的问题,以最常用的磷酸铁锂电池作为研究对象,以二阶RC等效电路作为电池模型,对模型参数进行在线识别,采用无迹卡尔曼滤波算法估算电池SOC,并与理想状态下AH法计算得到SOC进行比较. MATLA仿真结果表明, UKF算法的估计结果与AH法的结果大致相同,说明UKF算法对SOC的估算具有相当高的精度,高精度工程中具有一定的应用价值.%In order to solve the problem of inaccurate estimation of the state of electric (SOC) for electric vehicle batteries, the most commonly used lithium iron phosphate battery was used as the research object , the second-order RC equivalent circuit was used as the battery model , and the model parameters were identified on -line. Kalman filter (UKF) algorithm was taken to estimate the SOC which was compared with the SOC obtained by the AH method in the ideal state .The results of MATLA simulation show that the results obtained by the UKF algo-rithm were similar to those by the AH method , which shows that the UKF algorithm has a high accuracy and high accuracy in the estimation of SOC .【期刊名称】《安徽理工大学学报（自然科学版）》【年(卷),期】2018(038)002【总页数】6页(P22-27)【关键词】电池SOC;电池模型;参数识别;UKF算法;AH法【作者】王建南;张奎;荀锦锦【作者单位】安徽理工大学电气与信息工程学院,安徽淮南 232001;安徽理工大学电气与信息工程学院,安徽淮南 232001;安徽理工大学电气与信息工程学院,安徽淮南 232001【正文语种】中文【中图分类】TM912电池SOC的估算是电池管理系统(Battery Management System，BMS)的核心，也是当前研究的热点和难点。
矿用储能电池荷电状态精确估计方法佚名【摘要】针对基于安时积分法的矿用储能电池荷电状态估计易产生累计误差的问题,提出一种基于改进安时积分法的矿用储能电池荷电状态精确估计方法.该方法引入温度校正系数、老化程度校正系数和充放电倍率校正系数,通过校正电池容量实现电池荷电状态精确估计;在电池荷电状态为0～15％,90％～100％时,用电池端电压代替开路电压,对改进安时积分法所得结果进行实时校正.实验结果表明,该方法可提高矿用储能电池荷电状态估计精度,估计误差基本控制在±3％以内.【期刊名称】《工矿自动化》【年(卷),期】2019(045)001【总页数】5页(P65-69)【关键词】矿用储能电池;电池管理系统;电池荷电状态;荷电状态估计;安时积分法;电池充放电【正文语种】中文【中图分类】TD600 引言煤矿井下需配备自救器、救生舱、避难硐室等必要的应急救援设备[1-3]。
发生煤矿事故后，通过大容量储能电池为救生舱、避难硐室等进行紧急供电。
高效的电池管理系统是储能电池可靠运行的保障，其主要功能包括防过充、防过放、短路保护、过温保护、荷电状态(State of Charge, SOC)估计和均衡控制等[4-5]。
SOC为电池当前剩余容量与电池实际可用容量的比值[6]，其精确估计是电池管理系统主要功能得以实现的前提。
目前SOC估计方法主要有开路电压(Open Circuit Voltage，OCV)法、卡尔曼滤波估计算法、人工神经网络、安时积分法、滑模观测法等[7]。
文献[7-8]采用卡尔曼滤波估计算法在线估计电池SOC，具有较高的精确度，但该方法对电池模型的精确度要求较高；文献[9]采用神经网络估计电池SOC，在训练数据较少时估计精度较低；文献[10]采用安时积分法估计电池SOC，该方法原理简单、易于实现、对硬件要求低、可靠性较高，得到广泛应用，但其难以确定电池的初始SOC，且在估计过程中易产生累计误差，估计精度会随时间推移而逐渐下降。
(10)申请公布号(43)申请公布日 (21)申请号 201510418388.1(22)申请日 2015.07.16G06F 19/00(2011.01)(71)申请人中国科学院广州能源研究所地址510640 广东省广州市天河区五山能源路2号(72)发明人冯自平 罗玲 林仕立 宋文吉吕杰 韩颖(74)专利代理机构广州科粤专利商标代理有限公司 44001代理人孔德超 莫瑶江(54)发明名称一种磷酸铁锂电池能量状态SOE 的估算方法(57)摘要本发明提供了一种磷酸铁锂电池能量状态(State of Energy,SOE)的估算方法，即根据磷酸铁锂电池内部能量组成形式，建立包含电能和热能的SOE 数学估算模型。
通过在不同放电倍率下对电池放电过程的外部消耗电能以及电池内部欧姆热能、极化热能和熵产热能进行测算，获取各种放电倍率下最大可用能量，并模拟得到最大理论总能和各种放电倍率下的效率函数关系式，对估算模型中的总能进行实时修正，从而有效提高电池能量状态SOE 的估算精度。
本发明引入热能形式完善了电池放电过程中能量消耗的种类，同时以最大理论总能及能量释放效率对估算过程的释放总能进行实时调整，使模型更贴近实际工况，具有物理概念清晰，估算准确度高等优点。
(51)Int.Cl.(19)中华人民共和国国家知识产权局(12)发明专利申请权利要求书1页 说明书3页 附图3页(10)申请公布号CN 104951662 A (43)申请公布日2015.09.30C N 104951662A1.一种磷酸铁锂电池能量状态SOE 的估算方法，其特征在于，其包括以下步骤：步骤1、建立磷酸铁锂电池包含电能和热能两种能量损耗形式的SOE 数学估算模型，所述电能为电池对外提供的能量总和，热能为电池内部产生的欧姆热能、极化热能和熵产热能的总和；所述SOE 数学估算模型为其中，SOE 0为电池初始能量状态，U 为电池端电压，I 为电流，R 为电阻，T 为温度，ΔS 为电池反应熵变，E max 为电池最大理论总能，η(T,I)为电池能量释放效率；步骤2、以电池的截止电压a 1V，安全温度b 1℃作为其放电截止的条件，在不同放电倍率下对电池进行放电，由测算得到的电能和热能计算获取最大可用能量E x ，E x 为在放电倍率为x 时测量得到的电池外部电能和内部热能之和；步骤3、根据不同放电倍率下的最大可用能量E x 拟合得到最大理论总能E max ；步骤4、通过不同放电倍率下最大可用能量E x 与最大理论总能E max 的比值获得电池能量释放效率的函数关系式：其中，c 1-c 6为参量，可通过联立多个放电倍率x 与其对应的最大可用能量E x 以及最大理论总能E max 之间的关系进行求解；步骤5、将求解后的参量c 1-c 6代入式(2)中，并将式(2)获得的关于电池能量释放效率的函数关系式以及步骤3中得到的最大理论总能E max 代入式(1)中，作为修正因子对SOE 数学估算模型在积分段t 0-t 1内电池能量状态进行实时修正：2.根据权利要求1所述的磷酸铁锂电池能量状态SOE 的估算方法，其特征在于，在式(1)中，电阻R ＝R 0+R p ，其中，R 0为欧姆电阻，R p 为极化电阻；在电池不同荷电状态下通过采用若干放电倍率对电池在一定脉冲电流下进行脉冲放电，脉冲放电时刻，电池电压会有一个急速下降和缓慢下降的阶段，其中，急速下降阶段的电压变化值与该脉冲电流的比值为欧姆电阻R 0的值，缓慢下降阶段的电压变化值与该脉冲电流的比值为极化电阻R p 的值。
锂电池在电压平台期荷电状态估算研究作者：张康康郑晓彦高金辉来源：《现代电子技术》2018年第20期摘要：电池的荷电状态（SOC）是指电池剩余电量占总容量的比例。
对荷电状态的测量是通过对电池电压和电流等数据的间接分析，这一过程不可避免地会出现噪声的干扰，进而对估计结果造成严重影响。
在此采用人工神经网络的电池模型来估计电池SOC，再利用无迹卡尔曼滤波算法来减少神经网络估计电池SOC的误差。
通过仿真结果与真实值之间的比较证明了该模型具有准确预测电池荷电状态的性能。
关键词：荷电状态（SOC）；神经网络；无迹卡尔曼滤波；电压平台期；噪声干扰；电池剩余电量中图分类号： TN36⁃34； TM912 文献标识码： A 文章编号： 1004⁃373X（2018）20⁃0150⁃03Abstract： The state of charge （SOC） of the battery is the ratio of the remaining battery capacity to the total capacity. The SOC measurement is conducted by means of indirect analysis for voltage and current data of the battery， but noise interference is inevitable in this process， which has a serious impact on estimation results. The battery model based on artificial neural network is adopted to estimate the SOC of the battery. The unscented Kalman filter （UKF） algorithm is used to reduce battery SOC estimation errors of neural network. The comparison of the simulation results and real values proves that the model can accurately predict the SOC of the battery.Keywords： SOC； neural network； unscented Kalman filter； voltage plateau； noise interference； remaining battery capacity能源危機以及环境恶化对传统的汽车发展的影响越来越大，因此电动汽车得到了大家的广泛关注。
刘倩倩（１９８４—），女，讲师，研究方向为装备故障预测与健康管理。
赵言本（１９９４—），男，硕士研究生，研究方向为锂电子电池建模仿真与状态估计。
吕 超（１９７８—），男，副教授，研究方向为动力／储能电池管理新理论与新技术。
磷酸铁锂电池大倍率充放电模型仿真研究刘倩倩１， 赵言本２， 吕 超２（１．海军工程大学电子工程学院，湖北武汉 ４３００３３；２．哈尔滨工业大学电气工程及自动化学院，黑龙江哈尔滨 １５０００１）摘 要：针对现有磷酸铁锂电池模型在模拟电池大倍率充放电特性时精度较低的问题，基于一种简化电化学模型，对其关键的电化学反应系数进行了关于电流倍率的修正。
修正后的模型校正了由于内部反应加剧导致的端电压平台位置的偏移，实现了大倍率充放电时端电压的准确仿真，并在４５Ａｈ圆柱型磷酸铁锂电池上进行了实验验证。
关键词：锂离子电池；大倍率；参数修正；电化学模型中图分类号：ＴＭ９１０ 文献标志码：Ａ 文章编号：２０９５ ８１８８（２０２０）０５ ００５７ ０５ＤＯＩ：１０．１６６２８／ｊ．ｃｎｋｉ．２０９５ ８１８８．２０２０．０５．００９ＲｅｓｅａｒｃｈｏｎＭｏｄｅｌＳｉｍｕｌａｔｉｏｎｆｏｒＨｉｇｈＣｕｒｒｅｎｔ ＲａｔｅＣｈａｒｇｅ／ＤｉｓｃｈａｒｇｅｏｆＬｉＦｅＰＯ４Ｌｉｔｈｉｕｍ ｉｏｎＢａｔｔｅｒｉｅｓＬＩＵＱｉａｎｑｉａｎ１， ＺＨＡＯＹａｎｂｅｎ２， Ｌ Ｃｈａｏ２（１．ＳｃｈｏｏｌｏｆＥｌｅｃｔｒｏｎｉｃＥｎｇｉｎｅｅｒｉｎｇ，ＮａｖａｌＵｎｉｖｅｒｓｉｔｙｏｆＥｎｇｉｎｅｅｒｉｎｇ，Ｗｕｈａｎ４３００３３，Ｃｈｉｎａ；２．ＳｃｈｏｏｌｏｆＥｌｅｃｔｒｉｃａｌＥｎｇｉｎｅｅｒｉｎｇａｎｄＡｕｔｏｍａｔｉｏｎ，ＨａｒｂｉｎＩｎｓｔｉｔｕｔｅｏｆＴｅｃｈｎｏｌｏｇｙ，Ｈａｒｂｉｎ１５０００１，Ｃｈｉｎａ）Ａｂｓｔｒａｃｔ：ＴｏｓｏｌｖｅｔｈｅｐｒｏｂｌｅｍｔｈａｔｔｈｅｅｘｉｓｔｉｎｇｍｏｄｅｌｓｏｆＬｉＦｅＰＯ４ｌｉｔｈｉｕｍ ｉｏｎｂａｔｔｅｒｉｅｓｈａｖｅｌｏｗａｃｃｕｒａｃｙｗｈｅｎｓｉｍｕｌａｔｉｎｇｔｈｅｈｉｇｈｃｕｒｒｅｎｔｒａｔｅｃｈａｒｇｅ／ｄｉｓｃｈａｒｇｅｐｒｏｐｅｒｔｉｅｓ，ｔｈｉｓｐａｐｅｒｒｅｖｉｓｅｄｔｈｅｋｅｙｅｌｅｃｔｒｏｃｈｅｍｉｃａｌｒｅａｃｔｉｏｎｃｏｅｆｆｉｃｉｅｎｔｏｆａｓｉｍｐｌｉｆｉｅｄｅｌｅｃｔｒｏｃｈｅｍｉｃａｌｍｏｄｅｌａｃｃｏｒｄｉｎｇｔｏｔｈｅｃｕｒｒｅｎｔｒａｔｅ．Ｔｈｅｒｅｖｉｓｅｄｍｏｄｅｌｃｏｒｒｅｃｔｓｔｈｅｔｅｒｍｉｎａｌｖｏｌｔａｇｅｐｌａｔｆｏｒｍｄｅｖｉａｔｉｏｎｓｃａｕｓｅｄｂｙｔｈｅｉｎｔｅｎｓｉｆｉｅｄｉｎｔｅｒｎａｌｅｌｅｃｔｒｏｃｈｅｍｉｃａｌｒｅａｃｔｉｏｎ，ａｎｄｒｅａｌｉｚｅｄａｃｃｕｒａｔｅｓｉｍｕｌａｔｉｏｎｏｆｔｈｅｔｅｒｍｉｎａｌｖｏｌｔａｇｅｄｕｒｉｎｇｈｉｇｈｃｕｒｒｅｎｔｒａｔｅｃｈａｒｇｅ／ｄｉｓｃｈａｒｇｅ．Ｍｏｒｅｏｖｅｒ，ｔｈｅｒｅｖｉｓｅｄｍｏｄｅｌｉｓｅｘｐｅｒｉｍｅｎｔａｌｌｙｖｅｒｉｆｉｅｄｏｎａ４５ＡｈｃｙｌｉｎｄｒｉｃａｌＬｉＦｅＰＯ４ｌｉｔｈｉｕｍ ｉｏｎｂａｔｔｅｒｙ．Ｋｅｙｗｏｒｄｓ：ｌｉｔｈｉｕｍ ｉｏｎｂａｔｔｅｒｙ；ｈｉｇｈｃｕｒｒｅｎｔ ｒａｔｅ；ｐａｒａｍｅｔｅｒｍｏｄｉｆｉｃａｔｉｏｎ；ｅｌｅｃｔｒｏｃｈｅｍｉｃａｌｍｏｄｅｌ０ 引 言磷酸铁锂电池具有能量密度高、电压平台高、放电倍率大、自放电率小、安全性能好等优点，在电动汽车及储能领域被广泛使用［１］。
磷酸铁锂电池模型参数辨识与SOC估算
侯幽明;陈其工;江明
【期刊名称】《安徽工程大学学报》
【年(卷),期】2011(026)002
【摘要】根据磷酸铁锂电池的特性,从电池电化学角度分析,建立电池的等效电路模型.通过实验方法测得电池开路电压与SOC关系和电池模型的参数,利用卡尔曼滤波法来估算电池初始荷电状态(SOC0).实验与仿真表明,该算法可以有效的估算出SOC初始值,并可以将误差控制在10％之内.
【总页数】4页(P55-58)
【作者】侯幽明;陈其工;江明
【作者单位】安徽工程大学安徽省检测技术与节能装置重点实验室，安徽芜湖241000;安徽工程大学安徽省检测技术与节能装置重点实验室，安徽芜湖241000;安徽工程大学安徽省检测技术与节能装置重点实验室，安徽芜湖241000
【正文语种】中文
【中图分类】TM912.9；TP301
【相关文献】
1.基于PNGV模型储能锂电池参数辨识及SOC估算研究 [J], 甘屹;李杨;姚俊
2.磷酸铁锂电池模型参数辨识与SOC估算 [J], 侯幽明;陈其工;江明
3.磷酸铁锂电池的参数辨识及SOC估算 [J], 胡泽军;叶明;李鑫;龙懿涛
4.基于在线参数辨识和改进2RC-PNGV模型的锂离子电池建模与SOC估算研究[J], 刘雨洋;王顺利;谢滟馨;吉伟康;张一兴
5.基于动态优选遗忘因子最小二乘在线辨识的磷酸铁锂电池SOC估算 [J], 王浩;郑燕萍;虞杨
因版权原因，仅展示原文概要，查看原文内容请购买。
