리튬 배터리 충전 상태(SOC) 예측 방법 비교를 위한 충전 예측 방법 비교

著者：Iflowpower – Olupese Ibusọ Agbara to ṣee gbe

먼저, 충전 상태(SOC)는 SOC(stateofcharge)로 배터리의 충전 상태를 말합니다. SOC는 전기, 에너지 등 다양한 측면에서 다양한 의미를 갖습니다.

미국 선진 배터리 연맹(USABC)의 SOC는 일정 방전율에서 남은 전력과 동일 조건에서의 정격 용량의 비율로 널리 사용되고 있습니다. 해당 계산식은 다음과 같습니다. qm은 배터리가 일정 전류 I에 따라 방전될 때의 최대 방전 용량입니다. Q(in)은 T 시간 동안 배터리가 배터리 아래의 셀을 방전할 때의 용량입니다. 둘째, 리튬이온 배터리 충전 상태 예측 방법 리튬이온 배터리의 충전 상태는 배터리 관리 시스템의 중요한 매개변수 중 하나일 뿐만 아니라 전체 자동차의 충전 및 방전 제어 전략과 배터리 평형 작업의 기초이기도 합니다.

그러나 리튬 이온 배터리 자체의 복잡성으로 인해 배터리의 찢어진 상태를 직접 측정하여 얻을 수 없고 배터리의 내부 저항, 개방 회로 전압, 온도, 전류 등과 같은 배터리의 특정 외부 특성에 따라서만 얻을 수 있습니다. 관련 매개변수, 관련 매개변수 사용. 충전 상태에 대한 예측 작업을 완료하기 위한 특성 곡선 또는 계산 공식입니다.

리튬-이온 배터리의 충전 상태 추정은 비선형적입니다. 현재 널리 쓰이는 방법으로는 방전 실험, 개방 회로 전압법, 안전점, 칼만 필터링법, 신경망법 등이 있다. 1. 방전 실험 방전 시험 방법의 원리는 배터리를 일정한 전류로 연속 방전 상태로 만들고 방전이 차단 전압에 도달했을 때 방전량을 계산하는 것입니다.

방전 전력값을 방전할 때 적용되는 정전류값과 방전시간의 전처리값입니다. 방전 실험 방법은 종종 실험실 조건에서 배터리의 충전 상태를 추정하며, 많은 배터리 제조업체에서도 방전 방법을 사용하여 배터리를 테스트합니다. 이 방법의 가장 큰 장점은 방법이 간단하고 추정 정확도가 비교적 높다는 것입니다.

단점은 다음과 같습니다. 로드할 수 없고, 측정 시간을 많이 차지하며, 방전 측정 시 배터리를 중단해야 하므로 배터리가 오프라인 상태가 되어 온라인으로 측정할 수 없습니다. 주행중인 전기자동차 배터리는 정상적으로 작동하고 있으며, 방전 전류가 일정하지 않으므로 이 방법은 적용할 수 없습니다. 그러나 방전 실험 방법은 배터리 정비 및 매개변수 모델을 결정하는 데 사용될 수 있습니다.

2 개방 회로 전압 방식 배터리는 장시간이 지나도 비교적 안정적이며, 개방 회로 전압과 배터리 충전 상태 간의 함수 관계도 비교적 안정적입니다. 배터리의 충전 상태 값을 알고 싶다면, 배터리 양쪽 끝의 개방 회로 전압만 측정하고, OCV-SOC 곡선을 통해 해당 정보를 얻으면 됩니다. 개방 회로 전압법의 장점은 작동이 간단하고 개방 전압 값의 제어 특성 곡선도를 측정하여 충전 상태 값을 얻는다는 것입니다.

하지만 이 방법에는 많은 단점이 있다. 첫째, 정확한 값을 얻기 위해서는 배터리 전압을 비교적 안정된 상태로 만들어야 하는데, 배터리를 장시간 방치해 두면 실시간 모니터링 요구 사항을 충족시킬 수 없다. 전기자동차 장시간 주차. 배터리의 충전율이 다를 경우 전류의 변동으로 인해 배터리 개방 전압이 변하기 때문에 배터리 팩의 개방 전압이 일정하지 않아 예상 잔량과 배터리 실제 잔량 사이에 큰 편차가 발생합니다.

3 아마테포인트 프랑스 적분 법칙은 배터리 내부의 사용을 고려하지 않고 전류, 시간, 온도 보상 등과 같은 시스템의 특정 외부 특성에 따라 시간과 전류를 적분하고 때로는 일부 보상을 추가하는 계수를 계산하여 배터리에서 흐르는 총 전력량을 계산하여 배터리의 충전 상태를 추정합니다. 현재, 배터리 관리 시스템에서는 작동 시간이 널리 사용됩니다.

안전점법의 계산식은 다음과 같다. 수식에서 SOC0는 배터리 충전 상태의 초기 전기 값이다. CE는 배터리의 정격 용량이다. i(t)는 T 시간에서의 배터리의 충전 및 방전 전류이다. T는 충전 및 방전 시간이다. η는 충전 및 방전 속도 계수로서 컬렌 효율 계수라고 하며, 충전 및 방전 과정에서 배터리 내부에서 소모되는 전력을 나타내며, 일반적으로 충전 및 방전의 확대 및 온도 보정 계수를 기반으로 한다. 안전적분법의 장점은 배터리 자체의 한계가 비교적 작고, 계산 방법이 간단하고, 신뢰할 수 있으며, 배터리 충전 상태에 대한 실시간 추정이 가능하다는 것입니다. 단점은 안전 계측 방법이 제어에서 감지되기 ​​때문에 전류 수집 정확도가 높지 않으면 주어진 초기 충전 상태에 일정한 오류가 발생하고 시스템 실행 시간이 길어짐에 따라 오류가 점차 누적되어 충전 상태 예측 결과에 영향을 미친다는 것입니다.

그리고 안전점 방식은 외형적 특성으로만 분석하기 때문에 다중링크에 일정한 오차가 존재합니다. 안전점법의 계산 공식을 통해 알 수 있듯이, 배터리의 초기 전력은 계산 결과의 정확도에 큰 영향을 미칩니다. 전류 측정의 정확도를 높이기 위해 일반적으로 고성능 전류 센서를 사용하여 측정하지만, 이는 증가되었습니다.

이를 위해 많은 학자들은 개방 회로 전압 방식을 적용했으며, 두 방식을 결합한 응용 안전 적분 방식도 적용했습니다. 배터리의 초기 충전 상태를 추정하기 위해 개방 전압법을 사용하고, 실시간으로 적분 보정법을 적용하여 보정 계수를 추가하여 계산 정확도를 높였습니다. 4 칼만 필터링 방법 칼만 필터링 알고리즘은 통계적 추정의 범주에 속하는 시간 영역 상태 공간 이론의 최소 등가 추정치이며, 거시적인 목적은 관측 신호에 미치는 노이즈의 영향을 줄이고 제거하는 것입니다.

핵심은 최고다. 시스템의 입력은 전제 조건의 상태 변수에 대해 유효하다고 추정됩니다. 이 알고리즘의 기본 원리는 잡음과 신호의 상태 공간 모델을 알고리즘 모델로 사용하고, 측정 시 현재 시간의 관측값과 이전 시간의 추정값을 이용하여 상태 변수의 추정값을 업데이트하는 것입니다.

카르만 필터링 알고리즘은 리튬 이온 배터리 충전 상태의 실질을 예측하고, 측정된 전압 값을 사용하여 예비 예측 값을 교정합니다. 칼만 필터링 방법의 장점은 컴퓨터가 데이터의 실시간 연산 처리에 적합하고, 응용 범위가 넓고, 비선형 시스템에 사용할 수 있으며, 주행 중 전기 자동차의 충전 상태 예측에 좋은 영향을 미친다는 것입니다. 칼만 필터링 방법의 단점은 배터리 모델의 정확도가 배터리 모델에 따라 달라진다는 점입니다. 알고리즘 예측 결과의 정확도와 정확성을 높이기 위해서는 신뢰할 수 있는 배터리 모델을 확립해야 합니다.

또한, 칼만 필터링 방법의 알고리즘은 더 복잡하기 때문에 계산량이 상대적으로 많고, 연산자의 성능이 높은 편입니다. 5. 신경망의 신경망의 목적은 인간의 지능 행동을 모방하여 병렬 구조와 강력한 학습 능력을 통해 데이터 표현을 얻고 외부에서 자극을 받으면 해당 출력 반응을 나타내고 양호한 비선형 사상을 만드는 것입니다. 신경망 방법의 원리는 리튬 이온 배터리의 상태에 적용됩니다. 즉, 대량의 전압, 전류 및 배터리의 충전 상태 데이터와 같은 외부 데이터를 학습 샘플로 사용하고, 신경망 자체의 정보를 전방으로 전달합니다.

전파와 오차 전달의 역전파는 예측된 충전 상태가 설계 요구 사항의 오차 범위에 도달하면 새로운 데이터를 입력하여 배터리의 충전 상태 예측 값을 얻는 방식으로 훈련과 수정을 반복합니다. 신경망 방식의 장점은 다양한 배터리의 긍정적 상태를 추정하는 데에 활용될 수 있다. 폭넓게 적용 가능합니다.

특정한 수학적 모델을 수립하지 마십시오. 배터리 내부의 복잡한 화학 변화를 고려하지 말고, 적절한 샘플을 선택하고 더 나은 신경망 모델을 구축하면 됩니다. 샘플 데이터가 많을수록 추정 정확도가 높아지며, 언제든지 배터리의 충전 상태를 파악할 수 있습니다. 신경망 방식의 단점은 데이터 샘플의 정확도, 샘플 용량 및 샘플 분포, 샘플 용량, 샘플 분포 및 학습 방법 등이 배터리의 배터리에 큰 영향을 받는다는 것이다.

셋째, 본 논문을 요약하여 현재 사용되고 있는 몇 가지 중요한 리튬이온 배터리 충전량 예측 방법을 간단히 소개하고, 각각의 장단점을 자세히 분석한다. 현재, 적분법은 여전히 ​​가장 많이 적용되는 긍정적 상태 예측 방법입니다. 그러나 안전점의 안전점 한계로 인해, 개방 회로 전압 등의 다른 방법을 통해 리튬 이온 배터리의 초기 충전을 테스트하는 경우가 많습니다.

개발 추세의 관점에서 볼 때, 리튬 이온 배터리의 충전 상태를 예측하는 요소는 점점 더 포괄적이고, 사용되는 예측 방법은 종종 여러 방법을 종합적으로 적용하여 예측 결과의 정확성을 높이고 있습니다. 또한 현재 실제에 더욱 가까운 리튬이온 배터리의 등가회로 모델을 개발하고 있으며, 이를 통해 충전 전기의 예측 정확도가 더욱 향상되고 있습니다.