동적 배터리 SOC 추정 방법?

ଲେଖକ: ଆଇଫ୍ଲୋପାୱାର - Soláthraí Stáisiún Cumhachta Inaistrithe

배터리 기술이 개발된 이래로 SOC를 추정하는 데 사용되는 다양한 방법이 이미 등장했습니다. 기존의 전류 적분 방법, 배터리 내부 저항, 방전 시험 방법, 개방 회로 전압 방법, 부하 전압 방법, 그리고 더욱 혁신적인 칼만 필터링 방법 등이 있습니다. 퍼지 논리 이론과 신경망 등

현재 배터리 관리 시스템 분야에서 가장 널리 쓰이는 SOC 추정 방법 중 하나이며, 본질은 전기를 축적하거나 방전함으로써 배터리의 SOC를 추정하는 것입니다. 동시에 방전율과 배터리 온도에 따라서도 다릅니다. 추정된 SOC에 대한 특정 보상.

배터리가 충전 및 방전 초기 상태에서 SOCT0로 정의되면 T 이후 배터리 남은 용량 SOC는 q입니다. Q는 배터리 정격 용량이고, N은 충전 및 방전 효율(쿨롱 효율이라고도 함)입니다. 그 값은 배터리 충전 및 방전 속도가 결정되고, I는 T의 전류입니다. 현재의 통합방법은 다른 SOC 추정방법에 비해 상대적으로 간단하고 신뢰성이 높으며, 배터리의 SOC 값을 동적으로 추정할 수 있어 널리 사용되고 있다. 그러나 이 방법에도 두 가지 한계가 있습니다. 첫째, 전류 적분법은 배터리의 초기 SOC 값을 미리 알아야 하며, 배터리로 유입되거나 유출되는 전류를 정확하게 수집하여 추정 오류를 최소화해야 합니다. 둘째, 이 방법은 배터리의 외부 특성에만 의존하며 배터리의 자가방전율, 노화 정도, 배터리 SOC의 충방전 비율은 어느 정도 무시됩니다.

장기간 사용하면 측정오차가 확대될 수 있으므로 관련 보정계수를 도입하여 누적오차를 보정할 필요가 있다. (2) 방전 시험 방법 방전 시험 방법은 전지의 차단 전압까지 연속적인 정전류 방전을 실시하고, 이 방전 과정에 걸리는 시간에 방전 전류의 크기 값, 즉 전지의 남은 용량을 곱하는 것이다. 이 방법은 일반적으로 배터리 SOC의 교정 방법이나 배터리의 후기 유지관리에 사용되는 방법으로, 배터리 SOC 값을 모르더라도 비교적 간단하고 신뢰성이 높으며, 결과가 비교적 정확합니다.

모두 효과적으로요. 하지만 방전 시험 방법에는 두 가지 단점이 있습니다. 첫째, 이 방법의 시험 과정에는 많은 시간이 필요합니다. 둘째, 이 방법을 사용할 경우 대상 배터리를 전기 자동차에서 제거해야 하므로 작동 상태의 배터리 전력을 계산하는 데 사용할 수 없습니다. (3) 개방전압법은 배터리의 개방전압과 OCVOTAGE(OCV) 및 배터리 내부 리튬이온 농도의 변화관계에 기초하고 있으며, 이와 배터리 SOC의 대응관계를 간접적으로 일치시킨다.

실제 동작을 수행할 때는 고정된 방전 비율(일반적으로 1c)로 배터리에 충전한 후 방전이 멈출 때까지 방전을 반복해야 하며, 방전 과정에 따라 OCV와 SOC의 관계를 구하게 됩니다. 배터리가 실제 작동 상태에 있을 때, 배터리 양단 전압 값에 따른 OCV-SoC 관계표를 찾으면 현재 배터리 SOC를 구할 수 있습니다. 이 방법은 다양한 배터리에 효과적이지만 자체 결함도 존재합니다. 첫째, OCV를 측정하기 전에 대상 배터리를 1시간 이상 방치하여 배터리 내부 전해액을 균일하게 분배하여 안정적인 최종 전압을 얻어야 합니다. 둘째, 배터리가 서로 다른 온도에 있거나 수명이 다르면 개방 회로가 동일하더라도 실제 SOC가 다를 수 있으며 이 방법을 장기간 사용할 경우 측정 결과가 완전히 정확하다는 보장이 없습니다.

따라서 개방 회로 전압 방법은 방전 시험 방법과 동일하며, 작동 중인 배터리의 SOC 추정에는 적용되지 않습니다. (4) 칼만 필터링 방법 칼만 필터링 방법은 1960년대 "선형 필터링과 예측 이론의 새로운 성과"에서 필터링된 새로운 유형의 최적화된 자기회귀 데이터입니다. 연산.

알고리즘의 본질은 최소 평균의 원칙에 따라 복잡한 동적 시스템의 상태에 맞게 복잡한 동적 시스템의 상태를 최적화할 수 있다는 것입니다. 비선형 동적 시스템은 칼만 필터링 방법을 통해 시스템의 상태 공간 모델로 선형화됩니다. 실제 응용 프로그램에서는 시스템이 현재 시간의 관측 값으로 업데이트되고, 그 다음에 현재 시간의 관측 값이 업데이트됩니다.

"예측-측정-보정" 모드를 통해 시스템의 무작위적 편차와 간섭을 제거합니다. 칼만 필터링 방법을 사용하여 파워트레인의 SOC를 추정하면 배터리는 전력 시스템의 형태로 상태 공간 모델로 변환되고, SOC는 모델 내부의 상태 변수가 됩니다. 확립된 시스템은 선형 이산 시스템입니다.

칼만 필터링 방법은 시스템의 초기 오차를 보정할 뿐만 아니라 시스템 노이즈를 효과적으로 억제할 수 있으므로, 운행 조건에서 전기 자동차 전원 배터리의 SOC 추정에 상당한 응용 가치가 있다. 그러나 이 방법에는 두 가지 결함이 있습니다. 첫째, 칼만 필터링 방법은 SOC의 정확도를 추정하는 것이 배터리 모델의 정확도에 크게 좌우되고, 작동 특성 자체가 배터리의 전력을 매우 비선형적으로 생산하기 때문에 칼만 필터링 방법을 사용하면 선형화 후 오류가 발생하지 않으며, 모델이 확립되더라도 추정된 결과가 반드시 신뢰할 수 있는 것은 아닙니다. 둘째, 이 방법은 매우 복잡하고 계산량이 매우 많으며 계산 기간이 길고 하드웨어 성능이 요구됩니다. (5) 신경망 방법 신경망 방법은 비선형 시스템에 대한 새로운 유형의 알고리즘을 처리하는 데 사용되는 아날로그 인간의 두뇌와 그 뉴런입니다.

배터리 내부 구조를 심층적으로 조사할 필요는 없으며, 대상 배터리에서 사전에 대량의 작동 특성을 추출하기만 하면 됩니다. 출력 샘플에서 SOC 값을 실행에 입력하고 해당 방법을 사용하여 구축한 시스템에 입력합니다. 이 방법은 이후 처리가 비교적 간단합니다. 즉, 칼만 필터링 방법이 배터리 모델을 선형화하는 오류를 효과적으로 피할 수 있으며 배터리의 동적 매개 변수를 실시간으로 얻을 수 있습니다.

하지만 신경망 방식의 사전 작업 볼륨은 상대적으로 크고, 시스템을 학습시키기 위해서는 더 많고 포괄적인 타겟 샘플 데이터가 필요합니다. SOC 추정의 정확도는 데이터와 학습 방법을 통해 결정되는데, 이는 학습 방법에 따라 크게 달라진다. 또한 배터리 온도, 자가방전율, 배터리 노화 등의 복잡한 작용을 고려하여 이 방법을 사용하면 장시간에 걸친 동일한 배터리 세트의 SOC 값을 추정할 수 있으며 정확도도 크게 향상됩니다.

따라서 이 방법은 전원 배터리의 SOC 추정 작업에서는 그다지 일반적이지 않습니다.