Dinamikus akkumulátor SOC becslési módszer?

著者：Iflowpower – Olupese Ibusọ Agbara to ṣee gbe

Az akkumulátortechnológia fejlődése óta sokféle módszert alkalmaztak már az SOC becslésére. Csak hagyományos áram integrált módszerek, akkumulátor belső ellenállás, kisülési vizsgálati módszerek, nyitott áramköri feszültség módszerek, terhelési feszültségek és innovatívabb Kálmán szűrési módszerek léteznek. Fuzzy logikai elmélet és neurális hálózatok stb.

Jelenleg ez az egyik legelterjedtebb SOC becslési módszer az akkumulátor menedzsment rendszerek területén, és a lényege, hogy az akkumulátor SOC értékét akkumulálással vagy kisütéssel becsüljük meg akkumulálással vagy kisütéssel. Ugyanakkor a kisülési sebesség és az akkumulátor hőmérséklete szerint. Egy bizonyos kompenzáció a becsült SOC-ért.

Ha az akkumulátort SOCT0-nak definiáljuk, amikor az akkumulátor kezdeti töltési és kisütési állapotban van, akkor az akkumulátor maradék kapacitása SOC T után: q, Q az akkumulátor névleges kapacitása, és N a töltési és kisütési hatásfok, más néven coulomb-hatékonyság, értéke Az akkumulátor töltési és kisütési sebessége meghatározva, I a T árama. A jelenlegi integrált módszer viszonylag egyszerű és megbízható, mint a többi SOC becslési módszer, és az akkumulátor SOC értéke dinamikusan becsülhető, ezért széles körben használják. Ennek a módszernek azonban két korlátja is van: az egyik, az áramintegrált módszer előzetesen megköveteli az akkumulátor kezdeti SOC értékét, és pontosan összegyűjti az akkumulátorba befolyó vagy onnan kifolyó áramot, hogy a becslési hiba a lehető legkisebb legyen; Másodszor, Ez a módszer csak az akkumulátor külső jellemzőjén alapul, és az akkumulátor önkisülési sebességét, az öregedés mértékét, valamint az akkumulátor SOC töltési és kisütési arányát bizonyos mértékig figyelmen kívül hagyják.

A hosszú távú használat a mérési hiba növekedését is okozhatja, ezért szükséges a Kapcsolódó korrekciós együtthatók bevezetése A halmozási hibák javítása. (2) Kisütési vizsgálati módszer A kisülési vizsgálati módszer az akkumulátor lekapcsolási feszültségéig folyamatos állandó áramkisülést végez, a kisütési folyamat során felhasznált időt megszorozva a kisülési áram méretével, azaz az akkumulátor fennmaradó kapacitásával. A módszer általában ezt a módszert használja az akkumulátor SOC kalibrálási módszereként vagy az akkumulátor késői karbantartása során, és viszonylag egyszerű, megbízható, és az eredmény viszonylag pontos az akkumulátor SOC értékének ismerete nélkül.

Mindezt hatékonyan. A kisülési vizsgálati módszernek azonban van két hiányossága: Először is, ennek a módszernek a vizsgálati folyamata sok időt igényel; Másodszor, ennek a módszernek a használatakor el kell távolítani a célakkumulátort az elektromos járműből, így a módszer nem használható az akkumulátor üzemállapotának kiszámítására. (3) A nyitott áramköri feszültség módszer az akkumulátor nyitófeszültsége és az OCVOTAGE, OCV) és az akkumulátor belső lítiumion-koncentrációja közötti változási összefüggésen alapul, és közvetve illeszkedik az akkumulátor és az akkumulátor SOC közötti megfelelő kapcsolatához.

A tényleges működés során az akkumulátort le kell meríteni, miután az akkumulátort rögzített kisütési aránnyal (általában 1c) töltötték a kisütés leállításáig, és az OCV és az SOC közötti kapcsolatot a kisütési folyamat szerint kapjuk meg. Amikor az akkumulátor tényleges üzemállapotban van, az akkumulátor aktuális SOC értékét az OCV-SoC relációs táblázat megkeresésével kaphatja meg az akkumulátor mindkét végén lévő feszültségérték alapján. Bár a módszer hatékony különféle akkumulátorok esetén, előfordulnak önhibái is: Először is, a célakkumulátort 1 óránál tovább állni kell az OCV mérése előtt, ezáltal egyenletesen elosztva a belső elektrolitot az akkumulátorban, hogy stabil végfeszültséget kapjunk; Másodszor, az akkumulátor különböző hőmérsékletű Vagy eltérő élettartam alatt, bár a megszakadt áramkör ugyanaz, a tényleges SOC eltérhet, és a mérési eredmény nem garantált, hogy ez a módszer hosszú távon teljesen pontos.

Ezért a nyitott áramköri feszültség módszere megegyezik a kisülési vizsgálati módszerrel, nem vonatkozik a futó akkumulátor SOC becslésére. (4) Kálmán-szűrési módszer A KALMAN-szűrési módszer az optimalizált önregressziós adatok új típusa, amelyet az 1960-as években az „Új eredmények a lineáris szűrés és előrejelzés elméletében” szűrtek. algoritmus.

Az algoritmus lényege, hogy a komplex dinamikus rendszer állapota a minimális átlagértékek elve szerint optimalizálható a komplex dinamikus rendszer állapotára. A nemlineáris dinamikus rendszerek a rendszer állapottér modelljébe lineárisak lesznek a Kálmán szűrési módszerrel. A tényleges alkalmazáskor a rendszer frissül az aktuális idő megfigyelt értékével, majd az aktuális idő megfigyelt értékével.

"Előrejelzés - Mérés - Javított" mód, amely kiküszöböli a rendszer véletlenszerű eltérését és interferenciáját. Amikor a hajtáslánc SOC-ját a Kálmán-szűrési módszerrel becsüljük meg, az akkumulátort energiarendszer formájában állapottérmodellvé alakítjuk, és az SOC állapotváltozóvá válik a modellen belül. A kialakított rendszer egy lineáris diszkrét rendszer.

Mivel a Kálmán szűrési módszer nemcsak a rendszer kezdeti hibáját korrigálja, hanem hatékonyan képes elnyomni a rendszerzajt, így az elektromos járművek akkumulátorainak SOC becslésében üzemi körülmények között jelentős alkalmazási érték van. A módszernek azonban vannak kétpontos hibái is: az egyik, a Kálmán-szűrési módszer az SOC pontosságát nagymértékben függ az akkumulátormodell pontosságától, maga a működési jellemzők erősen nemlineáris teljesítményű akkumulátor, a Kalman-szűrési módszernél A linearizálás után elkerülhetetlen, hogy ne legyen hiba, és ha a modell létrejön, a becsült eredmény nem feltétlenül megbízható; a második, az alkalmazott módszer nagyon bonyolult, a számítási mennyiség rendkívül nagy, és a számított számítási időszak hosszabb, és a hardver teljesítményigénye. (5) Neurális hálózati módszer A neurális hálózati módszer egy analóg emberi agy és neuronja, amelyet nemlineáris rendszerek új típusú algoritmusainak kezelésére használnak.

Nem igényli az akkumulátor belső szerkezetének mélyreható kutatását, csak előzetesen nagyszámú működési jellemzőt kell kivonni a cél akkumulátorból. Írja be a SOC értéket a futásba a kimeneti mintából, és vigye be a metódussal létrehozott rendszerbe. A módszer a későbbi feldolgozásban viszonylag egyszerű, azaz hatékonyan kiküszöböli a Kálmán-szűrési módszer hibáját, hogy az akkumulátor modellt linearizálja, és valós időben tudja megkapni az akkumulátor dinamikus paramétereit.

A neurális hálózat módszerének előmunkálatai azonban viszonylag nagyok, és a rendszer betanításához nagyszámú és átfogóbb célmintaadatra van szükség. A betanítási adatok és a betanítás módszere nagymértékben befolyásolja az SOC becslési pontosságát. Ezen túlmenően, az akkumulátor hőmérséklete, az önkisülési arány és az akkumulátor öregedésének összetett hatása alatt a módszert ugyanazon akkumulátorkészlet SOC értékének hosszú távú becslésére használják, és a pontossága is nagy kedvezmény lesz.

Ezért ez a módszer nem túl gyakori az akkumulátor SOC becslési munkájában.