リチウム電池の充電状態（SOC）予測方法の比較

Tác giả ：Iflowpower – Добављач преносних електрана

まず、充電状態 (SOC) は stateofcharge の略で、バッテリーの充電状態を指します。 SOCは、電気、エネルギーなどさまざまな角度から、さまざまな意味を持ちます。

米国先進電池連盟（USABC）のSOC、つまり一定の放電率で残存電力と同じ条件下での定格容量の比率が広く使用されています。 対応する計算式は次のとおりです。qm は、バッテリーが定電流 I に従って放電するときの最大放電容量です。Q (in) は、T 時間内にバッテリーがバッテリーの下のバッテリーから放電する時間です。 2、リチウムイオン電池の充電状態予測方法 リチウムイオン電池の充電状態は、電池管理システムの重要なパラメータの1つであるだけでなく、車全体の充放電制御戦略と電池平衡作業の基礎でもあります。

しかし、リチウムイオン電池自体の複雑さのため、その破裂状態は直接測定では得られず、電池の内部抵抗、開回路電圧、温度、電流など、電池の特定の外部特性に基づいてのみ得られます。 関連パラメータ、関連パラメータの使用。 充電状態の予測作業を完了するための特性曲線または計算式。

リチウムイオン電池の充電状態の推定は非線形です。 現在、一般的な方法としては、放電実験、開回路電圧法、安全点法、カルマンフィルタリング法、ニューラルネットワーク法などが重要です。 1 放電実験放電試験方法の原理は、一定の電流で電池を連続放電状態にし、放電がカットオフ電圧に達したときの放電量を計算することです。

放電電力値を放電する際に採用される定電流値と放電時間の前処理値。 放電実験法は、実験室条件下でのバッテリーの充電状態を推定することが多く、多くのバッテリーメーカーも放電法を使用してバッテリーをテストしています。 その大きな利点は、方法が単純であり、推定精度が比較的高いことです。

欠点も強調されています。ロードできず、測定時間が長くなり、放電測定時にバッテリーを中断する必要があるため、バッテリーがオフラインになり、オンラインで測定できません。 走行中の電気自動車のバッテリーは作動状態で作動しており、放電電流は一定ではないため、この方法は適用できません。 ただし、放電実験法は、バッテリーのオーバーホールやパラメータ モデルの決定に使用できます。

2 開放電圧法 電池は長時間使用しても比較的安定しており、開放電圧と電池の充電状態との間の機能関係も比較的安定しています。 バッテリーの充電状態の値を取得したい場合は、バッテリーの両端の開回路電圧を測定し、OCV-SOC 曲線に対して対応する情報を取得するだけです。 開放電圧法の利点は操作が簡単で、開放電圧値制御特性曲線マップを測定するだけで充電状態値を取得できることです。

しかし、多くの欠点があります。まず、正確な値を得るためには、バッテリー電圧を比較的安定した状態にする必要がありますが、バッテリーは長時間放置されることが多く、リアルタイムの監視要件を満たすことができません。 電気自動車の長時間駐車。 バッテリーの充電率が異なると、電流の変動によってバッテリーの開放電圧が変化するため、バッテリーパックの開放電圧が一致せず、予測残量とバッテリーの実際の残量に大きな偏差が生じます。

3 AmateThe Points France 積分法は、バッテリー内部の使用を考慮せず、システムの特定の外部特性、たとえば電流、時間、温度補償などに基づいて、時間と電流を積分し、場合によっては何らかの補償係数を追加して、バッテリーから流出する総電力量を計算し、バッテリーの充電状態を推定します。 現在、動作時間はバッテリー管理システムで広く使用されています。

安全点法の計算式は次のとおりです。式、SOC0 はバッテリー充電状態の初期電気値、CE はバッテリーの定格容量、i (t) は T 時刻におけるバッテリーの充放電電流、T は充放電時間、η は充放電速度係数で、カレン効率係数と呼ばれ、充放電プロセス中のバッテリー内部の電力消費を表し、一般的には充放電の倍率と温度補正係数に基づいています。 安全積分法の利点は、バッテリー自体の制限が比較的小さく、計算方法がシンプルで信頼性が高く、バッテリーの充電状態をリアルタイムで推定できることです。 欠点は、制御において安全計測方法を検出するため、電流の収集精度が高くない場合、与えられた初期充電状態に一定の誤差が生じ、システム実行時間が長くなるにつれて、誤差が徐々に蓄積され、充電状態の予測結果に影響を与えることです。

また、安全ポイント方式は外部特性からのみ解析するため、マルチリンクには一定の誤差が生じます。 安全点法の計算式からもわかるように、バッテリーの初期電力は計算結果の精度に大きな影響を与えます。 電流測定の精度を向上させるために、通常は高性能な電流センサーを測定しますが、これが増加します。

この目的のために、多くの学者は開回路電圧法と応用安全積分法の両方を適用しました。 開放電圧法を使用してバッテリーの初期充電状態を推定し、統合補正法をリアルタイムで使用して補正係数を追加することで計算精度を向上させます。 4 カルマンフィルタリング法 カルマンフィルタリングアルゴリズムは、時間領域状態空間理論の最小等価推定であり、統計的推定のカテゴリに属し、マクロは観測信号へのノイズの影響を低減および除去します。

コアは最高です。 システムの入力は前提として状態変数に対して有効であると推定されます。 このアルゴリズムの基本原理は、ノイズと信号の状態空間モデルをアルゴリズムモデルとして使用し、測定時に現在の時刻の観測値と前回の時刻の推定値を使用して、状態変数の推定値を更新することです。

カルマンフィルタリングアルゴリズムは、リチウムイオン電池の充電状態を予測し、測定された電圧値を使用して予備予測の値を修正します。 カルマンフィルタリング法の利点は、コンピュータがデータのリアルタイム演算処理に適しており、適用範囲が広く、非線形システムに使用でき、運転中の電気自動車の充電状態予測に良い効果をもたらすことです。 カルマンフィルタリング法の欠点は、バッテリーモデルの精度が依存していることです。アルゴリズムの予測結果の精度と正確性を向上させるには、信頼性の高いバッテリーモデルを確立する必要があります。

また、カルマンフィルタリング法はアルゴリズムがより複雑なため、計算量が比較的大きく、演算子の性能も高くなります。 5 ニューラルネットワークの神経回路網の目的は、人間の知能行動を模倣し、並列構造と強力な学習能力を通じてデータ表現を獲得し、外部から励起されたときに対応する出力応答を与え、良好な非線形マッピングを行うことです。 ニューラルネットワーク方式をリチウムイオン電池の状態に適用する原理は、電池の対応する多数の電圧、電流、充電状態データなどの外部データをトレーニングサンプルとして使用し、ニューラルネットワーク自体で情報を順方向に処理することです。

逆伝播と誤差転送を繰り返してトレーニングと修正を行い、予測された充電状態が設計要件の誤差範囲に達したときに、新しいデータを入力してバッテリーの充電状態予測値を取得します。 ニューラルネットワーク方式の利点は、さまざまなバッテリーの正の状態を推定できることです。 幅広く応用可能です。

特定の数学モデルを確立しないでください。 バッテリー内の複雑な化学変化を考慮せず、適切なサンプルを選択して、より優れたニューラル ネットワーク モデルを確立するだけで、サンプル データが多いほど、推定の精度が高まり、いつでもバッテリーの充電状態を判断できます。 ニューラル ネットワーク方式の欠点は、データ サンプルの精度、サンプル容量、サンプル分布、サンプル容量、サンプル分布、トレーニング方法が、バッテリーの性能に大きく影響されることです。

第三に、本論文では、いくつかの重要なリチウムイオン電池の充電電流予測方法を簡単に紹介し、それぞれの利点と欠点を詳細に分析します。 現在でも、積分法は最も多く適用されているポジティブ状態予測法です。 しかし、安全ポイントの安全ポイントの制限により、リチウムイオン電池の初期充電をテストするには、開回路電圧などの他の方法によって完了することがよくあります。

開発動向の観点から見ると、リチウムイオン電池の充電状態を予測するための要素はますます包括的になっており、使用される予測方法は多くの場合、複数の方法を総合的に応用したもので、予測結果の精度が向上しています。 さらに、より実際に近いリチウムイオン電池の等価回路モデルも現在開発中で、充電電気量の予測精度がさらに向上します。