高精度估算+SOC+的锂电池管理系统研制

合集下载

基于深度学习的锂离子电池SOC和SOH联合估算

基于深度学习的锂离子电池SOC和SOH联合估算

基于深度学习的锂离子电池SOC和SOH联合估算一、本文概述随着电动汽车和可再生能源的广泛应用,锂离子电池作为核心能量存储组件,其性能评估和管理变得日益重要。

锂离子电池的状态估计,特别是荷电状态(SOC)和健康状态(SOH)的准确估算,对于电池系统的安全运行、性能优化和寿命延长具有至关重要的作用。

然而,由于锂离子电池内部复杂的电化学过程和外部环境因素,SOC和SOH 的精确估算仍然是一个具有挑战性的问题。

近年来,深度学习作为一种强大的机器学习技术,已经在许多领域取得了显著的成果。

其强大的特征提取和数据处理能力使得它成为解决复杂非线性问题的有力工具。

因此,本文提出了一种基于深度学习的锂离子电池SOC和SOH联合估算方法,旨在通过深度学习模型对电池运行数据的深度挖掘,实现SOC和SOH的精确估算。

本文首先介绍了锂离子电池SOC和SOH估算的重要性和挑战性,然后详细阐述了深度学习在电池管理领域的应用和优势。

接着,本文提出了一种基于深度学习的联合估算模型,该模型能够同时估算电池的SOC和SOH,有效解决了传统方法中估算精度不高、计算复杂度高的问题。

通过实验验证,本文证明了所提方法的有效性和优越性,为锂离子电池的性能评估和管理提供了新的思路和方法。

本文的研究不仅有助于提升锂离子电池的性能评估和管理水平,同时也为深度学习在能源领域的应用提供了新的探索方向。

通过本文的研究,我们期望能够为电动汽车和可再生能源的发展提供更为可靠和高效的电池管理技术。

二、深度学习理论基础深度学习是机器学习的一个子领域,其灵感来源于人脑神经网络的复杂结构和工作机制。

深度学习的核心在于构建深度神经网络(Deep Neural Networks, DNNs),这些网络通常由多个隐藏层组成,可以学习并模拟输入数据到目标输出之间的复杂映射关系。

与传统的机器学习算法相比,深度学习在处理大规模、高维度的数据以及处理复杂的非线性问题时具有显著的优势。

锂电池SOC估算方法设计

锂电池SOC估算方法设计

锂电池SOC估算方法设计作者:林炳来源:《卷宗》2018年第05期摘要:近年来,磷酸铁锂电池以其自身的安全性、无污染性等众多优点而受到广泛的应用,尤其是在电动汽车这一领域。

因此,锂电池管理系统的研究对于工程开发、技术研究有着十分重要的意义。

而电池荷电状态(SOC)估算是电池管理系统中的核心问题,也是技术难点。

本文在比较了目前常用的几种估算方法后,选取了扩展卡尔曼滤波法(EKF)进行估算。

关键词:锂电池;参数辨识;EKF算法;SOC估算1 背景及意义相比于铅酸电池、镍福电池及镍氢电池,锂电池在性能上具有更加突出的优点,是被普遍认为是最适合电动车用的动力电池。

为了合理的利用电池、开发出性能良好的电池管理系统,首要的就是要能准确的估算电池的 SOC。

准确估算电池的 SOC 有非常重要的意义:首先,在电池管理系统中,SOC 是电池均衡的依据,只有根据各电池之间 SOC 的不同进行均衡,使各电池之间的性能达到一致,才能延长电池组的使用寿命;其次,根据电池的 SOC的准确值,电池管理系统才能对其进行能量管理,从而能够提高电池的利用率;第三,在电池进行充放电过程中,电池管理系统根据电池的SOC 对其进行控制,电池充放电过程中准确的 SOC 能够避免对电池的不当使用(如过充电、过放电等),从而延长电池寿命。

2 锂电池等效电路模型的建立2.1 本文建立的锂电池等效电路模型采用EKF算法进行估计,要求所建立的电池模型的状态方程能够写成可导的数学方程形式,并且模型要以电池为输入变量,电压为输出变量。

同时,考虑到既要提高模型的精确性,模型结构又不会过于复杂,易于在微处理器上进行运算等原因,根据算法的特点和电池特性的分析,本文选择二阶Thevenin等效电路模型。

该模型为动态模型,考虑到锂电池在充放电过程中,各元件值随荷电状态和温度的变化而变化。

模型包括充电和放电两种状态。

模型中,U0为电池的端电压;RC 、Rd为电池的欧姆内阻;R1为电化学极化电阻;C1为电化学极化电容;Rs为浓差极化电阻;Cs为浓差极化电容;Uocv为电池的开路电压;I 为电池的放电电流,箭头反向则表明为充电电流。

一种在线高精度车用锂电池SOC估计的方案研究

一种在线高精度车用锂电池SOC估计的方案研究



ìïθ(k) = θ(k -1) + K(k)[z(k) - H(k)θ(k -1)]
ïP(k) = [I - K(k)H(k)]P(k -1)
í

ïK(k) = P(k -1)[H(k)] {I + H(k)P(k -1)
ï
î[H(k)] T } -1
所提出的算法步骤为:
(4)
第一步:使用指数窗的 RLS 算法( 遗忘因子值
数ꎻH m 代表测量值的相关矩阵ꎻm 表示方程的个数ꎻ
电路的动态性能ꎮ 二阶 Thevenin 等效电路有两个 RC
递推最小二乘( RLS) 算法是为了提高计算效
Thevenin 等效电路上添加 RC 环节ꎬ可以提高电池等效
环节[9] ꎬ电路图如图 1 所示ꎬ其中:E(θꎬSOC)为电池开
路电压ꎬ数值随 SOC 和 θ 变化ꎻR0 为电池内部电解液
second ̄order Thevenin equivalent circuit is selected as the equivalent circuit model of lithium battery in this pa ̄
per In this paperꎬthe LS algorithm of moving exponential window is proposed to identify the equivalent circuit mod ̄
主要步骤为:
第一步:从高斯分布中产生粒子集ꎬ粒子数量为
N:{ X i (0) } i = 1:N ꎬ粒子的权重均设设置为 1 / Nꎮ
第二步:重要性采样阶段ꎬ根据 X i ( k) ~ q ( X i
( k) | X i ( k - 1 ) ꎬ Z ( k ) ) 采 样 得 到 粒 子 集:

锂电池SOC估算方法及系统[发明专利]

锂电池SOC估算方法及系统[发明专利]

(10)申请公布号 (43)申请公布日 (21)申请号 201610038375.6(22)申请日 2016.01.20G01R 31/36(2006.01)(71)申请人上海交通大学地址200240 上海市闵行区东川路800号申请人上海中聚佳华电池科技有限公司(72)发明人沈佳妮 贺益君 马紫峰(74)专利代理机构上海弼兴律师事务所 31283代理人薛琦 吕琳琳(54)发明名称锂电池SOC 估算方法及系统(57)摘要本发明公开了一种锂电池SOC 估算方法及系统,该方法包括:确定锂电池等效电路中各电路参数与SOC 的函数关系;基于该函数关系建立离线模型;基于该离线模型建立用于SOC 在线估计的非线性状态空间模型;利用非线性滚动时域估计法对该非线性状态空间模型中的SOC 进行在线估计以获得SOC 估计值。

本发明通过采用非线性滚动时域估计法估算锂电池的SOC,能够迅速减小SOC 初始误差对SOC 估计的影响及减小电流测量累计误差对SOC 估计的影响,并对SOC 估计范围进行显式约束,从而保证了锂电池SOC 在线估计的准确性和可行性,很大程度上提高了电池管理系统的有效性和可靠性。

(51)Int.Cl.(19)中华人民共和国国家知识产权局(12)发明专利申请权利要求书4页 说明书9页 附图3页CN 105572596 A 2016.05.11C N 105572596A1.一种锂电池SOC估算方法,其特征在于,其包括以下步骤:S1、确定锂电池等效电路中各电路参数与SOC的函数关系;S2、基于该函数关系建立离线模型;S3、基于该离线模型建立用于SOC在线估计的非线性状态空间模型;S4、利用非线性滚动时域估计法对该非线性状态空间模型中的SOC进行在线估计以获得SOC估计值。

2.如权利要求1所述的锂电池SOC估算方法,其特征在于,该些电路参数包括:开路电压V OC、欧姆内阻R0、极化电阻R1和等效电容C1。

3.如权利要求2所述的锂电池SOC估算方法,其特征在于,该离线模型为:V b=V oc-IR0-V1对于一个采样周期Δt内,上述关系式的离散化形式表示为:V b,k=V oc,k-I k R0,k-V1,k其中,时间常数τk=R k C k,RC网络由极化电阻R1和等效电容C1组成,V b为锂电池电压,I为负载电流。

基于EKF的锂离子电池SOC估算的建模与仿真

基于EKF的锂离子电池SOC估算的建模与仿真

基于EKF的锂离子电池SOC估算的建模与仿真一、本文概述随着电动车辆的普及和可再生能源的发展,锂离子电池作为其核心能量存储元件,其性能与安全性受到了广泛关注。

电池的状态估计,特别是荷电状态(SOC)的估算,对于电池管理系统(BMS)来说是至关重要的。

精确的SOC估算能够提供电池的健康状态、剩余可用能量以及预测电池性能等信息,从而指导电池的安全使用和有效管理。

扩展卡尔曼滤波(EKF)作为一种高效的非线性状态估计算法,已经被广泛应用于各种动态系统的状态估计中。

在锂离子电池SOC估算领域,EKF算法能够通过考虑电池的非线性特性和不确定性,提供更为准确的SOC估计值。

因此,研究基于EKF的锂离子电池SOC估算建模与仿真对于提高电池管理系统的性能和电池的安全性具有重要意义。

本文旨在研究基于EKF的锂离子电池SOC估算的建模与仿真。

我们将介绍锂离子电池的工作原理和特性,以及SOC估算的重要性和挑战。

然后,我们将详细阐述EKF算法的原理及其在锂离子电池SOC估算中的应用。

接着,我们将建立基于EKF的锂离子电池SOC估算模型,并通过仿真实验验证模型的有效性和准确性。

我们将对研究结果进行讨论,并展望未来的研究方向。

通过本文的研究,我们期望能够为锂离子电池SOC估算提供一种更为准确和可靠的方法,为电动车辆和可再生能源领域的发展做出贡献。

二、锂离子电池模型锂离子电池模型是锂离子电池状态估算的基础,它描述了电池内部电化学反应的动力学特性和能量状态。

在众多电池模型中,等效电路模型(Equivalent Circuit Model, ECM)因其简单性和实用性被广泛应用于电池管理系统中。

等效电路模型通过电阻、电容等元件来模拟电池的内部特性,其中最常见的模型是二阶RC网络模型。

二阶RC网络模型由一个欧姆内阻(R0)、两个并联的RC环节(R1-C1和R2-C2)以及一个开路电压源(OCV)组成。

欧姆内阻R0代表了电池内部电解质的电阻,它影响电流的瞬态响应。

电动汽车电池管理系统软件设计与SOC估算策略研究

电动汽车电池管理系统软件设计与SOC估算策略研究

电动汽车电池管理系统软件设计与SOC估算策略研究一、摘要随着环保意识的不断提高和技术的日益发展,电动汽车在全球范围内得到了广泛关注与积极推广。

作为电动汽车的核心部件,电池管理系统(Battery Management System, BTS)在提高电池性能、延长使用寿命、确保安全和稳定运行方面发挥着至关重要的作用。

本文主要研究了电动汽车电池管理系统软件设计与SOC估算策略,目的在于提高电池管理系统的整体性能,并精确地估算电池剩余电量。

本文首先介绍了电动汽车电池管理系统的研究背景与意义,然后阐述了BTS的主要功能及组成部分。

重点研究了电池管理系统的软件设计,包括硬件抽象层、数据采集与处理、电池模型建立以及控制策略实施等方面。

深入探讨了电池荷电状态(State of Charge, SOC)的估算方法,提出了一种基于改进型指数法的SOC估算策略,并通过对实际数据的实验验证,证明了该算法的有效性和可行性。

1. 介绍和研究背景随着环境保护和可持续发展的日益重要,电动汽车(EV)已经成为汽车工业的未来趋势。

作为电动汽车的核心组件之一,电池管理系统(BMS)在保证电池性能、寿命和安全方面发挥着至关重要的作用。

电池管理系统的优化和能力评估仍面临着诸多挑战。

本文将重点研究电动汽车电池管理系统软件设计和SOC估算策略研究。

随着化石燃料日益枯竭和环境污染日益严重,新能源汽车受到了越来越多的关注。

在新能源汽车领域,尤其是电动汽车的发展已成为各国政府和企业战略布局的重要方向。

电池管理系统(BMS)是电动汽车的核心组件,它直接影响电池的安全运行、性能表现和使用寿命,进而决定了整车性能。

电动汽车电池管理系统软件设计的目标任务是为电池组提供安全和高效的管理,进行电量计算、状态监控和故障诊断等。

而SOC估算(State of Charge Estimation),即荷电状态估算,则是电池管理系统的一项核心任务,它直接关系到整个电池系统的运行效能。

电池管理系统SOC估算方法研究进展

电池管理系统SOC估算方法研究进展

电池管理系统SOC估算方法研究进展王通;于洁;马文会;向富维;吕国强【摘要】随着电动汽车的快速发展,动力电池荷电状态估算越来越重要,其主要作用与传统的燃油汽车油量表一样,能够给驾驶员传递电池剩余电量的信息,并告知驾驶员汽车接下来的续航里程,从而能够有效提高电动汽车的整体性能.介绍了电池荷电状态一般定义、主要影响因素以及动力电池的等效模型;详细介绍了目前国内外用于估算SOC的主流方法以及各方法取得的结果,并总结了电池SOC估算方法.%With the rapid development of electric vehicles,state of charge estimation of power battery becomes more and more important,its main function is the same as the traditional oil meter,and it can deliver battery state of charge information to the driver and inform the driver the car's next range,which can effectively improve the overall performance of the electric car.The battery state of charge general definition,main influencing factors and equivalent model of power battery were introduced.The domestic and foreign mainstream methods used to estimate the SOC and the obtained results of each method were introduced,and SOC estimation methods of the battery were summarized.【期刊名称】《电源技术》【年(卷),期】2018(042)002【总页数】4页(P312-315)【关键词】电动汽车;电池;荷电状态(SOC);SOC估算【作者】王通;于洁;马文会;向富维;吕国强【作者单位】昆明理工大学冶金与能源工程学院,云南昆明650093;昆明理工大学冶金与能源工程学院,云南昆明650093;昆明理工大学冶金与能源工程学院,云南昆明650093;云南大学物理科学技术学院,云南昆明650091;昆明理工大学冶金与能源工程学院,云南昆明650093【正文语种】中文【中图分类】TM912为解决全球环境问题,各大院校、科研单位的学者都展开了对电动汽车的研究[1]。

锂离子动力电池SOC_估算技术进展综述

锂离子动力电池SOC_估算技术进展综述

NEW ENERGY AUTOMOBILE | 新能源汽车1 电池SOC估计技术SOC表示的是锂离子动力电池所剩余电量占总电量的百分比,类似于燃油车的油表。

SOC是指在特定放电倍率下,电池剩余电量与额定电量之比[7]。

计算公式如下:SOC=Q C×Q i100 (1)其中:Q C表示电池剩余电量;Q i表示电池额定电量。

图1展示了电池管理系统的整体架构。

而SOC估计则在电池管理系统中占据核心地位。

因此,对电池组SOC的精确计算对于整车的安全性能和车辆性能具有至关重要的作用。

1.1 SOC的测量方法1.1.1 基于模型法基于模型法是一种将电池模型与其他技术相结合的模式,其中基于滤波器和观测器的方法是当前研究和应用最广泛的[9]。

滤波器算法的发展主要包括卡尔曼滤波器、粒子滤波器等[10]。

通过使用这些算法对电池模型进行状态估计,我们可以在线估计电池的SOC。

1) 扩展卡尔曼滤波器扩展卡尔曼滤波器(Extended KalmanFilter,EKF)是一种非线性滤波算法,它是卡尔曼滤波器的扩展。

卡尔曼滤波器是一种线性滤波算法,适用于线性系统的状态估计。

然而,在许多实际应用中,系统往往是非线性的[10]。

在这种情况下,扩展卡尔曼滤波器可以提供一种有效的非线性系统状态估计方法。

2) Sigma 点卡尔曼滤波器Sigma点卡尔曼滤波器(Sigma-PointKalman Filter,SPKF)是一类用于非线性系统状态估计的滤波器算法。

它通过使用Sigma点来近似非线性系统的状态和观测锂离子动力电池SOC估算技术进展综述王恒德 许永红 张红光 杨富斌北京工业大学 北京市 100124摘 要:本文回顾了电池管理系统(Battery Management System,BMS)在电动汽车和可再生能源领域的关键发展阶段,本文重点讨论了电池剩余能量监测技术,即荷电状态(State of Charge, SOC)估计方法。

  1. 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
  2. 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
  3. 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。

状态。
实际上电池往往是串联使用,其容量一般由组内品质最差的电池
决定。这样,在实际使用中,我们认为串联电池组的容量就由放电容量
最小的那只电池决定。
目前,制约电动车实用化、商品化的因素之一就是精确判定蓄电
池在不同工作状态下的荷电状态,因此国内外对荷电状态的研究也一直
是个热点,对 SOC 的估算方法比较常见有开路电压测量法、安时积分
2 数据采集电路设计 车载动力电池组一般是由数十或数百锂电池单体串联组成,总电 压 36V 至 800V。电源管理系统需要测量所有单体电池电压、分组温度 和总电压电流等信号,这些信号动态范围大、共模电压高、数量多,很 容易被干扰。 另外,这些信号还是 SOC 估算、充放电均衡、过充过放保护判断 等功能的基础,其精度直接影响 SOC 估算精度。所以数据采集是本系 统设计的一项关键,必须要保证数据的准确性、可靠性、干扰性。
通讯模块采用内外三条子网,高速 CAN1 总线用于整车控制器及 电机控制器的通讯,高速 CAN2 总线用于充电机的通信,内部通讯总 线可以选用 I2C、CAN、RS232、RS485 等。
均衡模块负责接收数据采集板传送过来的控制信号,在适当的时 候开启分流装置,调节充电电流,使电池组内电池更加均匀和一致。车 载显示器包括显示控制板和显示屏。
际使用时可以将端电压变化率小于一定值时的端电压当成稳定的端电 压,此时的容量 SOC 可由电池供应商的电池参数来确定。
4 试验结果 经过调试和校准后,对系统进行了全面的测试,特别对本系统所测
试的某型磷酸铁锂动力电池进行了 SOC 估算的测试验证,结果能够满
足要求。以 SE100AH 磷酸铁锂动力电池为例,其 SOC 开路电压曲线
表 1 2.5Gbit/s 衰减受限系统的最长传输距离计算
光纤,发送端采用短距光卡 + 波长转换卡支持 FEC,采用 19dB 的外 置高功率光放大器,接收端采用外置后向 RAMAN 放大器及 -47dB 的 高灵敏度预放大器 (两者等效接收灵敏度为 -61dB),最长的传输距离 可达 314km,基本满足传输要求。
SOC,但是在电池静止后,端电压会逐渐稳定,与容量的关系也是明确
的。
于是,我们将将电池的停放时间 t 作为参数,在电池停放前的容量
SOC0 与电池稳定后其端电压所表征的容量 SOC1 做如下加权:
SOC=
T-t T
×SOC0+
t T
×SOC1
式中:T—— —电池端电压趋于稳定所需的时间;t— ——电池在两次使 用中间隔的停放时间;SOC0—— —电池停放前的剩余容量;SOC1———电 池端电压稳定后的剩余容量。虽然理论上 T 是一个无穷长的时间。但实
算工作状态中的锂电池剩余容量;然后利用上电时的开路电压进行补
பைடு நூலகம்
偿。
采用安时积分法,计算的工作状态中的锂电池等效放电电量公式
如下:
乙t
Qi (t) =
λ·idt
0
式中:t ———放电时间;
λ— ——不同状态的系数;
i — ——放电电流。
44 2012 年 9 月( 上 )
SOC=
QO-Qi (t) QO
图 1 电池管理系统框图
集中控制器作为电池管理系统的核心部件,主要实现和数据采集 板、整车控制器、充电机、车载显示器、电机控制器等部件的通讯交互 工作。数据采集板主要完成单体电池电压和温度的测量,将数据传到内 部通讯总线上,并直接负责对均衡单元发出接通和关闭分流电路的信 号,同时接收集中控制器发来的组均衡控制信号。
根据某设备厂家提供的相关资料以及理论计算,本工程墨竹工卡 220kV 变电站~林芝 220kV 变电站光缆长度约为 300km,选用 G.652
[参考文献]
[1] 李长春.超长距离光传输技术基础及其应用[M].北京:人民邮电出版社, 2008. [2] 顾畹仪.WDM 超长距离光传输技术[M].北京邮电大学出版社,2010. [3] 谷坊祝,张斌.超长距离无中继光传输技术的应用[J].电力系统通信,2007.
状态 SOC 作为电池容量状态描述参数,其数值定义为电池的剩余容量
占电池容量的比值:
SOC=QC/Q0 式中:QC—— —电池剩余容量; Q0— ——电池标称容量,电池标称容量定义为在理想状态下电池在 规定电流和温度时的所能放出的容量。
通常,我们将荷电状态 100%定义为电池在一定温度下充电到不
能再吸收能量的状态,荷电状态 0%则定义为电池完全不能释放能量的
如图 4 所示,规定 0.3C 恒流放电至 2.5V 时 SOC 为 0。
对 1 只 SE100AH 锂电池进行试验,验证本节提出的 SOC 估算方
案。为加快放电速度,首先将充满电的锂电池以 1C 的恒定电流放电至
3.0V,再以 0.3C 的恒定电流放电至 3.0V,之后使锂电池处于开路状态 1 小时,该锂电池的端电压、放电电流及放电电量随时间变化曲线如图 5 所示。
电池管理系统 (battery managementsystem,BMS) 是电动汽 车的核心部件之一,主要作用是对蓄电池组进行安全监控及有效管理, 以提高电池使用效率,延长电池使用寿命,降低运行成本,进一步提高 电池组的可靠性。
电池管理系统的主要功能包括:电池状态参数采集、电池安全状 态监控、电池荷电状态 (State ofCharge,SOC) 估算与管理、电池故 障诊断等,其中准确的 SOC 估算是电池管理系统的关键技术之一。
介绍了一种能够较为准确估算 SOC 的电池管理系统,该系统主要 应用于大容量磷酸铁锂动力电池驱动的电动汽车上,重点介绍了该系统 的数据采集电路和 SOC 估算方法。
1 系统总体设计 由于本系统主要用于电动汽车上,采用车载平台方式,并要求系 统结构先进、合理、可扩展,参数测量精度高、EMC 合格,功能完备、 可靠性高,系统设计采用分布式结构和分散控制、集中管理的模式,按 积木化设计各个功能模块,主要由六个部分组成:集中控制器、数据采 集板、通讯模块、均衡模块、车载显示器、系统软件模块等。系统结构 框图见图 1。
法、测量内阻法、数学建模法、模糊推理和神经网络的方法等。其中,
模糊推理和神经网络的方法是未来的发展方向,但是太复杂。
3.2 系统采用的 SOC 估算方法
本系统综合试验数据和总体指标要求,采用了安时积分法和开路
电压测量法相结合的 SOC 估算方案。基本的思路就是,先将不同状态
下不同电流的放电电量等效成特定电流下的放电量,用安时积分法来计
不均衡,导致电池寿命明显降低。本系统采用由美国 DALLAS 半导体
公司生产的 DS18B20 型数字温度传感器进行温度检测。该传感器是单
片型结构,可以输出 9~12 位的数字量,却不需要外加 A/D;测量精度
可以达到±0.5℃。
通信采用单总线防议,对 DS18B20 的各种操作通过一条数据线
即可完成,同时该数据线还可兼做电源线,具有连线简单,设计灵活的
式中:Q0— ——以规定电流恒流放电时电池具有的容量。
然后进行补偿计算。对电池的补偿计算需要我们事先对电池有较深
的先验性认识。
通过前期对电池的大量试验和数据分析,能够得出一些经验模型,
这样的话,可以在系统每次上电时根据断电的时间和上电开路电压对
SOC 进行适当修正。
锂离子电池在充放电过程中的端电压变化大,难以测量和用来估算
图 2 电压采集电路
2.2 电流采集电路设计 电流是电池容量估计的关键参数,因此对其电流的采样精度,抗 干扰能力,零飘、温飘和线性度误差的要求都很高。本系统选用森社电 子 CHB-500SG 的电流传感器,测量范围 0~750A,精度达到 0.5%, 工作温度 0~+70℃。 电流测量电路如图 3 所示,R1 是采样电阻,充电时电流传感器在 R1 上电压为“+”,经过运算放大器后,AD0 为“-”,AD1 为“+”;放 电时 R1 上的电压为“-”,AD0 为“+”,AD1 为“-”。通过判断 AD0 和 AD1 的值,就可分辨电池的充电状态或放电状态。
特点,特别适合与单片机合用构成的温度检测与控制系统。
3 SOC 估算方法
3.1 SOC 概述
蓄电池的充电、放电过程是个复杂的电化学变化过程,蓄电池的
电池容量会受到电池温度、放电率、自放电率、充放电循环次数等多种
因素的影响,所以,通过可以测量的电池参数对电池的容量状态进行准
确估计非常困难,在国内外都是一个难题。目前,一般采用电池的荷电
SOC=
8-1 8
×10.04%+
1 8
×10.65%=10.12%
即该电池剩余电量为 10.12%。由于该电池为刚 (下转第 51 页)
科技前沿
-采用光功率放大器发送功率取值:17dBm; -采用光功率放大器 + 发送端 RAMAN 放大器的发送功率取值: 23dBm ; Pr -采用接收端 RAMAN 放大器+预放大器+FEC 技术的接收功率 取值:-51dBm ; Pp-光通道功率代价,取值为:2dB; Ac-活动连接头的损耗,取值为:1dB ; Mc-光缆富裕度,取值为:5dB (>100km); Af-光纤熔接接头衰减系数,取值为:0.2dB/km ; As-光缆固定接头平均接续损耗设定在 0.01dB/km。 以上的参数均留有一定余量,并非使用极限条件下的取值。鉴于 各个厂家采用的放大技术、器件参数不尽相同,Ps、Pr 的取值也不一 样,在综合考虑采用了 EDFA 放大技术、喇曼放大技术、FEC 技术、 编码调制技术、色散补偿等技术的前提下,根据允许的单段最大跨越损 耗 (已考虑光缆线路储备+活动连接头的损耗) 来计算允许的传输距 离,计算结果见表 1。
4 结语 根据流域集控中心运行管理模式,集控中心与流域各电站间有大 量的信息交换,要实现流域水库和电站的优化调度、安全经济运行,需 要一个高质量和高可靠的通信传输平台作支撑。在流域集控中心和各电 站之间建设一个高可靠性、宽带宽的综合业务通信系统是非常必要的。 随着 500KV 直流输电技术和直流输电技术的大量应用,电力长距 离光纤传输将越来越普遍。超长距离光传输技术为实现这一特定应用提 供了一种技术手段。合理应用各种技术可以减少中继站的设置,在地形 复杂、交通条件差的情况下减轻维护压力,有利于提高系统稳定性。但 同时也要看到,系统结构越复杂,成本也会增加,具体应用中应考虑各 方面的综合因素。 作者简介:徐牧,1985 年生,江苏盐城人,助理工程师,主要从 事水电站通信设计。
相关文档
最新文档