Dynaaminen akun SOC-arviointimenetelmä?

ଲେଖକ: ଆଇଫ୍ଲୋପାୱାର - Onye na-ebubata ọdụ ọkụ nwere ike ibugharị

Akkuteknologian kehityksen jälkeen SOC:n arvioinnissa on jo esiintynyt monenlaisia ​​menetelmiä. On olemassa vain perinteisiä virtaintegroituja menetelmiä, akun sisäistä vastusta, purkaustestimenetelmiä, avoimen piirin jännitemenetelmiä, kuormitusjännitteitä ja innovatiivisempia Kalman-suodatusmenetelmiä. Sumea looginen teoria ja hermoverkko jne.

Se on tällä hetkellä yksi yleisimmistä SOC-estimointimenetelmistä akunhallintajärjestelmän alalla, ja sen ydin on arvioida akun SOC keräämällä tai purkamalla sähköä keräämällä tai purkamalla varaamalla tai purkamalla. Samaan aikaan purkausnopeuden ja akun lämpötilan mukaan. Tietty korvaus arvioidusta SOC:sta.

Jos akku määritellään SOCT0:ksi, kun akku on latauksen ja purkautumisen alkutilassa, niin akun jäljellä oleva kapasiteetti SOC T:n jälkeen on: q, Q on akun nimelliskapasiteetti ja N lataus- ja purkausteho, jota kutsutaan myös kulonitehokkuudelle, sen arvo Akun lataus- ja purkausnopeus määritetään, I on T:n virta. Nykyinen integroitu menetelmä on suhteellisen yksinkertainen ja luotettava kuin muut SOC-estimointimenetelmät, ja akun SOC-arvo voidaan arvioida dynaamisesti, joten sitä käytetään laajasti. Tällä menetelmällä on kuitenkin myös kaksi rajoitusta: yksi, nykyinen integraalinen menetelmä vaatii akun SOC-alkuarvon etukäteen ja kerää tarkasti akkuun tulevan tai sieltä poistuvan virran, jotta estimointivirhe olisi mahdollisimman pieni; toiseksi, tämä menetelmä perustuu vain akun ulkoiseen ominaisuuteen, ja akun itsepurkautumisnopeus, ikääntymisaste ja akun SOC:n lataus- ja purkaussuhde jätetään jossain määrin huomiotta.

Pitkäaikainen käyttö voi myös aiheuttaa mittausvirheen laajenemista, joten on tarpeen ottaa käyttöön liittyvät korjauskertoimet Korjaa kumulaatiovirheet. (2) Purkaustestimenetelmä Purkaustestimenetelmä on jatkuva tasavirtapurkaus akun katkaisujännitteeseen asti, kerrotaan tämän purkausprosessin käyttämä aika purkausvirran kokoarvolla, eli akun jäljellä olevalla kapasiteetilla. Menetelmässä käytetään yleensä tätä menetelmää akun SOC:n kalibrointimenetelmänä tai akun myöhäisessä huollossa, ja se on suhteellisen yksinkertainen, luotettava ja tulos on suhteellisen tarkka akun SOC-arvoa tuntematta.

Kaikki tehokkaasti. Purkaustestimenetelmässä on kuitenkin kaksi puutetta: Ensinnäkin tämän menetelmän testausprosessi vaatii paljon aikaa; Toiseksi tätä menetelmää käytettäessä sähköajoneuvosta on irrotettava kohdeakku, joten menetelmällä ei voida laskea tehoakkua käyttötilassa. (3) Avopiirin jännitemenetelmä perustuu akun avautumisjännitteen ja OCVOTAGE, OCV) ja akun sisäisen litiumionipitoisuuden väliseen muutossuhteeseen ja sopii epäsuorasti vastaavaan suhteeseen sen ja akun SOC:n välillä.

Varsinaista toimintaa suoritettaessa on välttämätöntä purkaa akku sen jälkeen, kun akku on täytetty kiinteällä purkaussuhteella (yleensä 1c), kunnes purkautuminen lopetetaan, ja OCV:n ja SOC:n välinen suhde saadaan purkausprosessin mukaan. Kun akku on todellisessa toimintatilassa, akun nykyinen SOC voidaan saada etsimällä OCV-SoC relaatiotaulukko akun molemmissa päissä olevan jännitearvon mukaan. Vaikka menetelmä on tehokas useille akuille, siinä on myös itsevirheitä: Ensinnäkin kohdeakun on annettava seistä yli 1 h ennen OCV:n mittaamista, jolloin akun sisäinen elektrolyytti jakautuu tasaisesti vakaan loppujännitteen saamiseksi; toiseksi, akku on eri lämpötiloissa Tai eri käyttöiän aikana, vaikka avoin piiri on sama, todellinen SOC voi vaihdella, eikä mittaustuloksen ole taattu olevan täysin tarkkaa tämän menetelmän pitkäaikaiskäytössä.

Siksi avoimen piirin jännitemenetelmä on sama kuin purkaustestimenetelmä, ei koske käynnissä olevan akun SOC-arviointia. (4) Kalmanin suodatusmenetelmä KALMAN-suodatusmenetelmä on uudenlainen optimoitu itseregressiodata, joka suodatettiin 1960-luvun "Uusia Lineaarisuodatuksen ja Ennusteorian saavutuksia" -julkaisussa. algoritmi.

Algoritmin ydin on, että kompleksisen dynaamisen järjestelmän tila voidaan optimoida kompleksisen dynaamisen järjestelmän tilalle minimikeskiarvojen periaatteen mukaisesti. Epälineaariset dynaamiset järjestelmät tulevat olemaan lineaarisia järjestelmän tila-avaruusmalliin Kalman-suodatusmenetelmässä. Varsinaisessa sovelluksessa järjestelmään päivitetään nykyisen ajan havaittu arvo, jota seuraa nykyisen ajan havaittu arvo.

"Ennuste - Mittaus - Korjattu" -tila, joka eliminoi järjestelmän poikkeamat ja häiriöt satunnaisesti. Kun voimansiirron SOC arvioidaan Kalman-suodatusmenetelmällä, akku muunnetaan tila-avaruusmalliksi tehojärjestelmän muodossa ja SOC:sta tulee tilamuuttuja mallin sisällä. Vakiintunut järjestelmä on lineaarinen diskreetti järjestelmä.

Koska Kalman-suodatusmenetelmä ei vain korjaa järjestelmän alkuvirhettä, se voi tehokkaasti vaimentaa järjestelmän melua, joten sähköajoneuvojen tehoakkujen SOC-estimaatissa käyttöolosuhteissa on merkittävä sovellusarvo. Menetelmässä on kuitenkin myös kaksipistevirheitä: yksi, Kalman-suodatusmenetelmä arvioi SOC:n tarkkuus riippuu pitkälti akkumallin tarkkuudesta, itse toimintaominaisuudet on erittäin epälineaarinen tehoakku, Kalman-suodatusmenetelmässä Linearisoinnin jälkeen on väistämätöntä, että virhettä ei ole, ja jos malli on perustettu, arvioitu tulos ei välttämättä ole luotettava; Toiseksi käytetty menetelmä on erittäin monimutkainen, laskennan määrä on erittäin suuri ja laskettu laskentajakso on pidempi ja laitteiston suorituskykyvaatimukset. (5) Neuroverkkomenetelmä Neuraaliverkkomenetelmä on analoginen ihmisen aivot ja sen neuroni, jota käytetään käsittelemään uudentyyppistä algoritmia epälineaarisille järjestelmille.

Se ei vaadi syvällistä tutkimusta akun sisäisestä rakenteesta, vain suuren määrän toimintaominaisuuksia poimimalla kohdeakusta etukäteen. Syötä SOC-arvo ajoon lähtönäytteestä ja syötä se menetelmällä muodostettuun järjestelmään. Menetelmä on suhteellisen yksinkertainen myöhemmässä prosessoinnissa, eli sillä voidaan tehokkaasti välttää Kalman-suodatusmenetelmän virhe tehdä akkumalli linearisoinniksi ja saada akun dynaamiset parametrit reaaliajassa.

Neuroverkkomenetelmän esityöstövolyymi on kuitenkin suhteellisen suuri, ja järjestelmän kouluttamiseen tarvitaan paljon enemmän ja kattavampaa kohdenäytedataa. Harjoitustietojen ja harjoittelun menetelmä vaikuttaa suurelta osin SOC:n estimointitarkkuuteen. Lisäksi akun lämpötilan, itsepurkautumissuhteen ja akun ikääntymisen monimutkaisen vaikutuksen alaisena menetelmää käytetään arvioimaan saman akkusarjan SOC-arvoa pitkään, ja sen tarkkuus on myös suuri alennus.

Siksi tämä menetelmä ei ole kovin yleinen tehoakun SOC-estimointityössä.