|
 
- UID
- 864567
|
1.3 充电或放电状态
1.3.1 安时计量法的改进。
此状态下在SOC估算时一般采用安时计量法，即Q=∫IDT，但这种方法由于没有考虑库仑效率，使得计算结果随着时间的积累误差会越来越大。为此，本文 对安时计量法进行了改进，在充放电过程SOC估算中增加了库仑效率因子以及以其为基础计算出的动态恢复电量部分，从而提高了安时计量法的准确性。
改进后的SOC计算公式如下所示：
（a）充电时。
若η2>η1：
 等式右边第二项表示实际充入电池的电量部分，第三项表示电池充电过程中动态恢复的电量部分。
若η1≥η2：
（b）放电时。
若η2>η1：
等式右边第二项表示实际放出的电池电量部分，第三项表示电池放电过程中动态恢复的电量部分。
若η1≥η2：
1.3.2 库仑效率η的计算
放电库仑效率定义为电池以特定电流和温度（可以为任意的）进行恒流恒温放电，放完为止，用放出的电量与电池未放电前的电量相比。
充电库仑效率定义为电池在空电量状态下以特定的电流（一般为定义好的）和温度进行充电，充到放电前电量为止，用充入的电量与电池放电前电量相比。
由于内阻及极化现象的存在，电池的充放电过程会有电量的损失，从而造成安时法计算的电量不能完全反映电池充放电真实电量的情况，库仑效率则反映了两者间差别。
传统定义下的库仑效率没有考虑充放电差异、电流大小、运行温度等因素的影响。为了克服传统库仑效率的缺点，本文用神经网络对库仑效率进行估算，因为神经网络具有表示任意非线性关系和学习能力的优点，这样可以得到较为准确的结果。
本文采用自适应模式的神经网络，如图3所示，其结构为输入层两个节点，电流和温度；中间层节点数根据实际情况而定（本文采用19个节点）；一个输出层节点η。采用电流和温度作为输入节点的原因是库仑效率η主要是受其影响，特别是受电流的影响较大。
 图3 自适应神经网络模型
用神经网络估算库仑效率η的过程是：（1）通过实验获得经验数据；（2）用获得的经验数据对神经网络进行训练；（3）将训练好的神经网络应用于SOC估算中实时估算η。
图4，图5是充放电库仑效率与电流、温度的关系曲线图。图4、5 中连线表示从充放电实验中得出的曲线，“+”表示神经网络估算的结果。
 图4 放电库仑效率与电流、温度的关系曲线图
 图5 充电库仑效率与电流、温度的关系图
从两图可以看出充放电库仑效率的仿真结果与实验值相符，说明可以用神经网络估算库仑效率η。
最后，锂电池随着充放电次数的增加会逐渐老化，其表现是电池的实际容量会减少，对此可以用公式 ：Q=100×Qch/（SOCsf-SOCsi）对电池的实际容量进行修正。式中：Q表示修正后的实际容量；SOCsf表示充电前在静止状态时的SOC 值，SOCsi表示充电后在静止状态时的SOC值；Qch表示在充电状态下充入电池的电量。经过对电池的实际容量的修正将会进一步减少SOC的计算误差， 使其更加接近实际值。 |
|
