电动汽车电池电量估测模型的研究
动力电池的容量衰减机制与预测模型
动力电池的容量衰减机制与预测模型近年来，随着电动汽车的快速发展，动力电池的性能与寿命问题备受关注。
其中，容量衰减是影响动力电池性能的关键因素之一。
本文将探讨动力电池的容量衰减机制，并提出一种预测模型，以帮助提高电动汽车的续航里程和性能。
一、动力电池的容量衰减机制动力电池的容量衰减是指其储存和释放电能的能力随着时间推移而逐渐降低的现象。
容量衰减机制受多种因素的影响，包括化学反应、温度、电流充放电速率以及电池本身的结构等。
1. 化学反应动力电池中的电化学反应是导致容量衰减的主要原因之一。
在充放电过程中，电极材料中的活性物质与电解液发生化学反应，导致电极表面出现固态产物或者电极材料的溶解，从而降低电池容量。
2. 温度温度对动力电池的容量衰减具有显著影响。
在高温环境下，电池内部反应速度加快，电极的活性物质更容易溶解，因此容量衰减更加显著。
此外，温度变化也会导致电池中的应力变化，进一步影响电池的容量。
3. 充放电速率电池的充放电速率也会影响容量衰减。
当电池在高功率条件下充放电时，电极表面的化学反应速率更快，导致容量衰减更加明显。
因此，在设计电动汽车的充电系统时，应考虑控制充电速率，以减缓容量衰减的速度。
4. 电池结构电池的结构也对容量衰减有一定影响。
不同的电池结构、电极材料和电解液都会影响电池的容量衰减速度。
因此，在电池设计和制造过程中，应选择合适的材料和结构，以降低容量衰减的风险。
二、动力电池容量衰减的预测模型为了提前了解动力电池容量衰减的情况，预测模型的建立变得尤为重要。
通过建立预测模型，可以根据电池的使用情况和环境条件，预测电池在未来的性能变化。
1. 数据采集建立预测模型的首要任务是数据采集。
需要收集电池循环充放电过程中的电流-电压数据、温度数据以及容量衰减数据。
这些数据将用于模型的训练和验证。
2. 特征提取在数据采集后，需要对数据进行特征提取。
常用的特征包括电流、电压、温度和容量衰减率等。
通过提取这些特征，可以有效地描述电池的性能和状态。
电动汽车动力电池容量预测模型研究
电动汽车动力电池容量预测模型研究随着社会发展的日益加速，环保已然成为人们共同关注的问题之一。
而能源机动车在全球温室气体排放中所占比例也越来越高，这也促使着能源机动车制造商以及相关科技研究人员致力于提高电动车的续航能力，推出更加环保的电动车。
而要实现这一目标，电动车动力电池的容量预测成为了非常重要的一环。
电动汽车动力电池容量预测模型研究已经在国内外得到了广泛的关注，国内外各高校、科研机构和企业也相继开展了相关研究。
随着电动汽车工业的不断发展，如何准确地预测动力电池容量具有极其重要的现实意义。
以下将对电动汽车动力电池容量预测模型研究进行具体分析。
一、电动车动力电池的容量电动车动力电池是指一种可以储存大量电子能量并供给电动车运行的电池，是电动车中最重要的部件之一。
动力电池的性能决定着电动车续航里程、加速性和行驶稳定性等方面的表现。
而电动车动力电池的容量指的是电池可以存储的总能量，通常是以“千瓦时”（kWh）来表示。
在电动车制造过程中，一般都会配备预测模型，以预测电池的寿命和容量。
通过电动车动力电池容量预测模型，可以及早发现电池寿命的衰退趋势，并在需要时进行必要的维护和更换。
二、电动汽车动力电池容量预测模型研究现状在电动汽车领域，电池容量预测模型研究不断取得了进展。
目前电动车动力电池容量预测模型主要分为数学统计模型、神经网络模型和基于电池物理特性的模型。
数学统计模型的基本思想是通过对大量历史数据进行统计分析，把容量衰退的趋势用拟合公式表达出来，从而利用拟合公式来预测电池的剩余容量。
而神经网络模型则是通过训练神经网络，得到一个复杂的显式或隐式的函数来描述电池容量与其它变量之间的关系。
与上述两类模型不同的是，基于电池物理特性的模型试图建立电池定量描述与物理特性之间的模型，从而实现电池容量预测。
具体而言，该类模型通过建立电池中的有效物理模型，描述电池内部输运、反应、衰减等过程，确定与电池容量相关的若干特性变量，包括电池内部电场、汞含量、温度、电荷等，以此来预测电池容量。
电动汽车锂电池寿命预测模型
电动汽车锂电池寿命预测模型电动汽车锂电池寿命预测模型电动汽车锂电池寿命预测模型是一种可以帮助预测电动汽车锂电池寿命的工具。
通过该模型，我们可以评估电动汽车锂电池在使用一定时间后的性能衰减情况，从而提前进行维护、更换电池或优化使用策略，延长电动汽车的使用寿命。
下面将介绍电动汽车锂电池寿命预测模型的步骤和关键要素，以帮助读者了解该模型的原理和应用方法。
第一步：数据收集要构建一个准确的预测模型，首先需要收集大量的电动汽车锂电池性能数据。
这些数据可以包括电池的充电和放电过程中的电流、电压、温度等信息，以及电池的容量衰减情况。
同时，还需要记录电动汽车的使用方式、充电频率和充放电深度等信息。
第二步：数据清洗和特征提取在获得足够的数据后，需要对数据进行清洗和处理，去除异常值和缺失数据。
然后，根据实际情况进行特征提取，选择与电池寿命相关的特征变量，如充放电深度、温度变化、循环次数等。
第三步：模型选择选择适当的预测模型是关键的一步。
常用的模型包括线性回归、逻辑回归、支持向量机、决策树等。
根据数据集的特征和应用需求，选择最合适的模型进行建模。
第四步：模型训练和验证将数据集分为训练集和验证集。
使用训练集对选择的模型进行训练，得到模型的参数和权重。
然后使用验证集对模型进行评估和优化，通过比较预测值和实际值的差异来衡量模型的准确性。
第五步：模型应用和预测在模型经过训练和验证后，可以将其应用于实际情况中。
通过输入新的电池特征数据，模型可以预测电动汽车锂电池的寿命。
这样，用户可以根据预测结果进行相应的维护、更换或调整使用策略。
第六步：模型更新和优化随着时间的推移，电动汽车锂电池的性能衰减和使用环境可能会发生变化。
为了保持预测模型的准确性，需要定期更新模型，重新训练和验证。
根据新的数据和经验，对模型进行优化，提高其预测能力和适应性。
电动汽车锂电池寿命预测模型的应用可以帮助电动汽车制造商和用户更好地管理和维护电池系统，延长电池的使用寿命，并提高电动汽车的性能和可靠性。
电动汽车动力蓄电池健康状态评价指标及估算误差试验方法
电动汽车动力蓄电池健康状态评价指标及估算误差试验方法电动汽车动力蓄电池是作为电动汽车的核心部分，在车辆使用过程中，其健康状态会对整个车辆的性能和安全性产生重大影响。
因此，对电动车电池的健康状态评价指标的准确度和误差极其重要。
一、电动车动力蓄电池健康状态评价的指标1.电池容量动力蓄电池的容量是电池存储能量的重要指标，用于估算电池使用时间和电动车的续航里程。
电池容量的正确评估对车辆的使用寿命有着重大的影响。
2.内阻动力蓄电池的内阻大小会影响电池的输出功率和充电速度。
通过对动力蓄电池内阻的测试可以评估电池的综合性能和状态。
3.剩余能量比例动力蓄电池的剩余能量比例指电池当前剩余的电量占总容量的比例。
评估电池的剩余能量比例能够更好地了解电池的使用寿命和电量状态。
4.电池温度动力蓄电池的温度直接影响电池的工作寿命和性能。
电池温度过高或过低都会导致电池容量的下降和电池的寿命缩短。
5.充电时间动力蓄电池充电的时间会影响电池的充电效率和使用寿命。
针对不同类型的电池，需要有不同的充电时间。
二、电动车动力蓄电池评价误差的来源1.实验测试设备误差测试设备的精度、分辨率和有效范围等因素都会对测试结果产生误差。
要确保测试设备的精度符合标准才能避免误差的发生。
2.实验测试环境误差实验环境的温湿度、氧气含量等因素会对测试结果产生误差。
为了避免误差的出现，在测试前需要对测试环境进行充分的控制和调整。
3.恶劣使用环境误差电动车在复杂的道路环境下可能会引发充电和放电过程中电池温度过高或过低等问题。
这些因素都会对电池的健康状况产生影响。
三、电动车动力蓄电池健康状态评价误差试验方法1.实验室试验通过实验室测试设备对动力蓄电池进行定量评估和测试，可以评价电池的容量、内阻、电池温度等因素，但需要完全控制测试条件，依赖性较高。
2.实车行驶试验将测试设备安装到电动车上，模拟车辆在路上使用的状态，可以对复杂的行车环境进行测试，可以评估电池的剩余能量比例、充电时间等因素。
电动汽车电池实验报告
电动汽车电池实验报告一、引言随着环境保护意识的提升，电动汽车作为一种清洁能源交通工具受到越来越多人的关注。
电动汽车的核心部件之一是电池，其性能对汽车的续航里程和性能表现有着重要影响。
为了评估电动汽车电池的性能和稳定性，本实验通过一系列实验测试了电池的循环寿命、能量密度和充电效率。
二、实验目的1. 评估电动汽车电池的循环寿命。
2. 测量电动汽车电池的能量密度。
3. 测试电动汽车电池的充电效率。
三、实验步骤1. 循环寿命测试:a. 设置实验装置，将电池与负载连接，设定负载电流为常数。
b. 记录电池的工作时间和放电电压，并进行多次循环测试。
c. 统计电池的寿命和放电电压变化情况。
2. 能量密度测量:a. 使用恒流放电法，将电池与负载连接到恒流源。
b. 测量电池的放电电流、放电时间和放电终止电压。
c. 计算电池的能量密度。
3. 充电效率测试:a. 将电池与充电设备连接，按设定充电时间进行充电。
b. 记录电池的充电电流和充电电压。
c. 通过计算比较充电前后的能量损失，计算充电效率。
四、实验结果与分析1. 循环寿命:根据实验数据，电动汽车电池在经过多次循环测试后，发现其循环寿命有限，随着使用次数的增加，电池的放电电压逐渐降低。
因此，在实际使用中，需要定期更换电池以确保汽车的性能。
2. 能量密度:经过能量密度的测量，我们发现电动汽车电池具有较高的能量密度，可以为汽车提供较长的续航里程。
这说明电动汽车已经具备了与传统燃油汽车相媲美的性能。
3. 充电效率:实验结果表明，电动汽车电池的充电效率较高，可以在短时间内充满电。
这为电动汽车的充电速度提供了有力支持，提升了用户的使用便利性。
五、结论通过本实验的测试和分析，我们得出以下结论：1. 电动汽车电池具有一定的循环寿命，需要定期更换以保证汽车性能。
2. 电动汽车电池具有较高的能量密度，能够提供较长的续航里程。
3. 电动汽车电池具有较高的充电效率，可以在短时间内充满电。
电动汽车动力蓄电池健康状态评价指标及估算误差试验方法
电动汽车动力蓄电池健康状态评价指标及估算误差试验方法电动汽车动力蓄电池健康状态评价是电动汽车管理和维护的重要内容。
本文将讨论动力蓄电池健康状态评价的指标及估算误差试验方法。
一、动力蓄电池健康状态评价指标1.容量衰减：容量衰减是评价动力蓄电池健康状态的重要指标之一。
它反映了蓄电池在使用过程中的容量损失程度。
通常采用剩余容量比例（SOC）或可用容量比例（SOH）来表示。
SOC代表蓄电池当前的充电状态，而SOH则是蓄电池与新电池相比的容量衰减比例。
2.内阻增加：内阻是动力蓄电池电化学反应和电池内部结构特性的综合体现。
随着蓄电池使用时间的增加，蓄电池内部材料的老化以及结构腐蚀等因素，都会导致蓄电池内阻增加。
内阻增加会降低蓄电池的输出电压，使得充放电效率下降。
3.温度效应：温度对蓄电池的性能和寿命有显著影响。
在高温环境下，蓄电池的容量衰减速度会加快，内阻增加也会加剧。
因此，温度对动力蓄电池的健康状态评价具有重要意义。
4.充放电效率：充放电效率是指蓄电池在充电和放电过程中能量的损失程度。
充放电效率的下降会导致蓄电池能量利用率降低。
二、动力蓄电池健康状态估算误差试验方法1.容量衰减估算：测量蓄电池在不同SOC或SOH下的放电时间和电压曲线，利用容量衰减模型估算容量衰减的情况。
同时，可以采用交流阻抗技术测量蓄电池的内阻变化情况，并结合电压变化来进一步估算容量衰减。
2.内阻增加估算：采用交流阻抗技术对蓄电池进行频率扫描测量，在不同频率下测量蓄电池的内阻。
通过分析内阻与频率的关系，可以获得蓄电池的内阻增加情况。
3.温度效应评价：将蓄电池放置在不同温度环境下进行充放电实验，测量蓄电池的容量衰减、内阻增加以及充放电效率等指标。
然后根据得到的数据，分析温度对蓄电池健康状态的影响。
4.充放电效率评价：进行一系列充放电实验，根据蓄电池的容量损失以及能量损失情况，计算充放电效率。
同时，关注蓄电池的自放电情况和电化学效率，综合评价充放电效率的变化。
基于dmaic模型的电动汽车电池质量管理研究
基于dmaic模型的电动汽车电池质量管理研
究
随着现代化交通工具的发展，电动汽车（EV）已经成为人们生活中不可或缺的一部分。
由于电动汽车电池在车辆性能和使用寿命中的关键作用，其质量问题已引起广泛关注。
为此，本文将基于DMAIC模型对电动汽车电池质量管理进行研究。
DMAIC模型由5个阶段组成：定义、测量、分析、改进和控制。
在定义阶段，我们将明确电动汽车电池质量管理的目标，确定关键绩效指标（KPI），并找出可能的障碍因素。
在测量阶段，我们将收集和分析数据，评估电池质量的实际水平，并了解不良趋势和原因分布。
在分析阶段，我们将确定根本原因，开展问题分析，并为问题的解决方案提供支持。
在改进阶段，我们将实施改进计划和验证结果。
在控制阶段，我们将确保改进方案的可持续性和可复制性，以维持电池质量的高水平。
此外，为了保证电池质量，我们还需要开展质量意识和技能培训，建立质量管理团队，制定可行的标准和流程，建立一套完整的质量管理体系，从源头把控产品质量。
总之，本文研究了基于DMAIC模型的电动汽车电池质量管理策略，通过5个阶段的实施，实现了电池质量的全面提升和管理的系统化，对于保护消费者权益、提升企业竞争力具有重要意义。
电动汽车用镍氢电池剩余电量估计方法研究
电动汽车用镍氢电池剩余电量估计方法研究王丽君;李萌【期刊名称】《现代电子技术》【年(卷),期】2015(000)013【摘要】电池剩余容量预测在电动汽车电池管理系统中占有重要的位置。
为准确实时地预测电动汽车动力电池组荷电状态（SOC），以镍氢电池组为研究对象，采用安时累积法与开路电压法相结合对电池组SOC进行预测，通过FPGA对模型及算法的有效性进行验证。
实验结果表明该研究方法结构简单，成本相对较低，且预测精度相对较高，有助于提高科研效率并缩短产品研发周期。
%The state of charge(SOC)prediction has important effect on battery management system of electric vehicle. To predict the SOC accurately and inreal⁃time,the management system takes Ni⁃MH battery pack as research object. The com⁃bined method of ampere hour(Ah)accumulation and open circuit voltage(OCV)is used to predict battery pack SOC. The model validity and algorithm are verified by FPGA. The experimental results show that the proposed method has simply structure,lower cost and high prediction accuracy. It is helpful to improve scientific research efficiency and reduce development cycle.【总页数】4页(P149-151,155)【作者】王丽君;李萌【作者单位】南华大学电气工程学院，湖南衡阳 421001;南华大学计算机科学与技术学院，湖南衡阳 421001【正文语种】中文【中图分类】TN948.502-34【相关文献】1.基于GA-SVM双网络的纯电动汽车用锂电池剩余电量估算研究 [J], 高哲;董文;龙泽2.电动汽车用动力镍氢电池SOC建模与仿真 [J], 吴友宇;肖婷;雷冬波3.电动汽车用镍氢电池的SOC预测方法 [J], 王菲4.电动汽车用镍氢电池的水冷却设计方案 [J], 石运才;吕彩琴;张鹏程;李博5.混合动力汽车用内置永磁同步电动机参数估计方法研究 [J], 马建伟;梁晓琳;张鹏飞因版权原因，仅展示原文概要，查看原文内容请购买。
基于大数据分析的电动汽车充电需求预测模型研究
基于大数据分析的电动汽车充电需求预测模型研究随着环保意识的加强和能源消耗问题的日益突出，电动汽车作为一种清洁能源交通工具受到了越来越多人的关注和青睐。
然而，电动汽车的续航里程和充电设施的不足成为了人们购买电动汽车的担忧之一。
因此，为了提高电动汽车的使用便利性，制定合理的充电策略和规划充电设施至关重要。
基于大数据分析的电动汽车充电需求预测模型的研究，旨在通过挖掘大规模的数据，建立预测模型，精确预测电动汽车用户的充电需求量和充电时间，以便合理安排充电设施和优化充电策略。
一、研究背景和意义随着电动汽车的普及，大量的充电数据积累起来，包含了用户的充电行为、充电时长、充电位置等重要信息。
这些数据蕴含着宝贵的信息，通过大数据分析，可以为我们提供深入了解用户充电行为的契机。
基于这些数据所构建的预测模型，可以帮助我们准确预测用户需求，规划充电设施，提高服务质量和用户满意度。
二、数据收集和预处理建立充电需求预测模型的首要任务是收集和处理大量的充电数据。
首先，我们需要收集用户的充电数据，包括充电时长、充电位置、充电设施类型等信息。
同时，还需要收集相关的环境因素数据，如温度、天气等。
在收集数据的同时，我们还需要对数据进行预处理，包括数据清洗、去噪、缺失值处理等。
这样可以保证后续模型的准确性和可靠性。
三、特征选择和模型构建在特征选择阶段，我们需要从海量的数据中选择出对充电需求有影响的关键特征。
这需要借助特征工程和特征选择算法，最大限度地提取和利用数据中的有用信息。
常用的特征选择方法包括相关系数分析、主成分分析等。
选择好的特征后，我们可以构建多种充电需求预测模型，如回归模型、支持向量机模型、深度学习模型等。
根据实际情况，我们可以选择最合适的模型进行预测。
四、模型评估和优化为了确保模型的准确性和稳定性，我们需要对模型进行评估和优化。
评估模型的常用指标包括均方根误差（RMSE）、平均绝对百分比误差（MAPE）等。
通过分析评估结果，我们可以得出模型的优劣并进行相应的优化。
电动汽车电量预测技术研究
电动汽车电量预测技术研究随着环保意识的日益增强，人们对环境污染和能源的消耗越来越关注。
为应对这一现状，电动汽车作为一种新型的交通工具，逐渐被广泛推广和普及。
与传统燃油汽车相比，电动汽车具有零排放、低能耗、低噪音等优点，但是在使用中也存在一些困扰人们的问题，其中之一就是电量不足的问题。
因为电动汽车获得动力主要依靠电池，而电池容量是有限的，故安排好路途和掌握准确的电量预测技术是电动汽车行驶过程中必须要解决的问题之一。
电动汽车的电池容量是有限的，而不同的驾驶方式、路况以及天气条件，都会对电池耗电量产生影响，若电量精度不够会对电动汽车驾驶带来一定的困扰和不便。
而电量预测技术能够准确合理地预测电动汽车的电量消耗，是保证行车安全和方便使用的重要技术之一。
目前，电动汽车电量预测主要分为两种方法：基于模型的预测和基于数据的预测。
基于模型的预测主要是通过建立电动汽车行驶模型及其数学方程，结合导航、气象等因素，预测电动汽车在一定路线上的电量消耗情况。
在基于模型的预测模型中，参数估计、仿真评估和拟合程度是预测精度的主要因素。
对于驾驶员来说，这种预测方法需要对电动汽车的行驶状态进行监测，如行驶速度、减速度、加速度等。
通过这些数据，建立电动汽车运动学模型，然后利用该模型来预测电量消耗情况。
但是由于电动汽车的电量消耗具有一定的不确定性，并且行驶状态往往会因为驾驶的随意变化而发生较大的波动，因此，基于模型的预测方法需要考虑的因素很多，同时也需要对模型本身的精度进行不断的修正和改进。
而基于数据的预测方法则是直接监测电动汽车的实际电量消耗情况，获取驾驶员的行车数据，进行数值统计和分析，然后计算出电池余量，并做出电压、电流、温度等情况分析，进而预测实际驾驶中的电量消耗。
这种方法的难点在于如何获取电动汽车的行车数据。
常见的数据来源有汽车的 onboard 系统数据、GPS 数据、气象数据等。
通过数据分析，预测出电动汽车在一定路线上的电量消耗情况。
- 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、"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、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)。
应用时，根据采样得到的放电电流值从拟和的曲线上计算出
当前放电的有效容量，由式(8)就可以算出 SOC 的值来[3]。
(2) 温度补偿
温度对电池容量的影响很大，大体上温度高时电池可用
容量高，温度低时可用容量低。在不同的温度下放电，由于电
池内部的化学反应，呈现出不同的外在特性。
系统中采用温度影响的补偿计算模型为：
放电端电压将会下降等。当新电池开始使用时，它内部的化学
物质并没有得到充分的反映，经过多次充放电后，内部的化学
物质反应将愈来愈充分，表现出电池总容量在相同条件下将
迅速增加，随后电池总容量进入缓慢增长期，达到最大值后，
开始逐渐降低。我们定义衰老因子 AF：
(10) 式中：Qref 是参考电池容量，它一般为电池在整个使用过程中 的最大容量；Qcyc 为在某一衰老点的电池容量，它由衰老过程 中电池端电压和电池容量关系曲线确定。
而言，这种自放电量是较大的，是不能忽略的。影响自放电的
因素主要为温度和电池的 SOC。温度愈高，SOC 愈大，自放电
量愈多，反之则相反。MH-Ni 蓄电池贮氢合金容量的损失来自
两方面：一是可逆的自放电，可通过在贮氢合金电极表面涂一
层半透膜，使其得到有效抑制。二是不可逆的自放电，可以通
过采用改变合金的内部结构和对合金进行表面改性来减轻电
收稿日期：2009- 02- 02 基金项目：湖南省教育厅科学研究项目(07 D 052) 作者简介：刘芳芳 (1 9 7 3 —)，女，湖 南 省 人 ，硕 士 ，讲 师 ，主 要 研 究 方向为数字电子技术。 Biogra phy: LIU Fa ng- fa ng(1973—), fe ma le , ma s te r.
2 电池电量估测综合算法
目前，一般认为电池的电流、电压、内阻以及温度等几个
601
2009.7 Vol.33 No.7
研究与设计
外部参数在一定条件下、一定范围内能够反映出电池的 SOC。相应地，国内外提出过不少计量方法，如开路电压法、恒 流电压法、内阻法、安时积分法、神经网络法、卡尔曼滤波法 等。这些方法各有各的优点，但都不够理想，有的方法实现起 来太过复杂或者成本太高(如神经网络法、卡尔曼滤波法、密 度法等)，有的误差偏大难以实用化(如开路电压法、电压负载 法等)，没有一种方法能够同时有效解决精度与实际应用的问 题。
个经验公式，但只有经典的 Peukert 方程式得到了广泛的认
同，如式(1)所示：
In ×t = k
(1)
式中：I 为恒流放电电流值，A；t 为以 I 值恒流持续放电至放
电终止的时间，h；n 为与电池类型有关的常数；k 为与活性物
质有关的常数。为求常数 n，k，用两种放电率进行放电，得：
I1n×t1= k
3 结束语
我们提出了一种新型的电池剩余容量的修正算法，分别 对充放电效率、温度和自放电、老化进行了修正。实验证明，本 方案可以对电池的剩余电量做出较为精确的估计，克服了以 往计算剩余容量的一些缺点。
参考文献：
[1] 麻友良，陈全世，齐占宁. 电动汽车用电池 SOC 定义与检测方法 [J ]. 清华大学学报, 2001, 41(11): 27-35.
Research of electric quantity estimation model of electric vehicle battery
LIU Fang-fang, YUAN Li-hui (Hunan Vocational College of Commerce, Changsha Hunan 410205, China)
Ct = C20×[1－v ×(20－t)]
(9)
式中：Ct 是电池在温度 t 时的容量；C20 为电池在 20 ℃时的容
量；t 为当前电池的温度；v 为温度系数，在不同的温度区间 v
不同，由电池厂家的长期实验获得。
(3) 自放电补偿
这种情况就是 MH-Ni 蓄电池的自放电现象。MH-Ni 蓄电
池的自放电现象是比较严重的，特别是对于容量较大的电池
目前，一般认为电池的电流、电压、内阻以及温度等几个外 部参数在一定条件下、一定范围内能够反映出电池的 SOC。相 应地，国内外提出过不少计量方法，如开路电压法、恒流电压 法、内阻法、安时积分法、神经网络法，卡尔曼滤波法等[2]。这些 方法各有各的优点，但都不够理想，有的方法实现起来太过复 杂或者成本太高(如神经网络法、卡尔曼滤波法、密度法等)，有 的误差偏大难以实用化(如开路电压法、电压负载法等)，没有 一种方法能够同时有效解决精度与实际应用的问题。
Abs tract:Electric quantity es timation s ys tem of electric vehicle battery was s tudied. Combined with battery charge- dis charge characteris tic, battery electric quantity es timation s ynthes is algorithm model was s et up. Corres ponding mathematics expres s ion of s urplus quantity of electric vehicle battery was given. New S OC es timation method was put forward and adopted. Corres ponding compens ation on various influencing factor was carried out. Key words : battery; s urplus electric quantity; es timation algorithm
(2)
I2n×t2= k
(3)
取对数得：
nlgI1+lgtl=lgk
(4)
nlgI2+lgt2=lgk
(5)
由(4)和(5)得：
(6)
将 n 代入(2)或(3)即可求得 k 值，有了 n 和 k 值就可求得任意
放电率下的容量 Qe，如式(7)所示：
Qe=kI1－n
(7)
对于电动车实际工况中变电流的放电，其电流 - 时间曲
又如溶液中从正极板溶解的杂质，若其标准电极电位介于正 极与负极标准电极电位之间，则会被正极氧化，又会被负极还 原。所以有害杂质的存在，使正极和负极的活性物质被逐渐消 耗，从而造成电池容量损失，这种现象称为自放电。(4)寿命。 电池经历一次充电和放电称为一次循环或一个周期。在一定 放电条件下电池工作至某一规定容量值之前，电池所能承受 的循环次数，称为循环寿命。对于 MH-Ni 蓄电池，随电池寿命 的变化，电池容量也会发生变化。当电池容量达到额定容量的 80%时，可以认为电池寿命结束。(5)内阻。电池内阻由欧姆内 阻和极化内阻两部分组成。欧姆内阻是由电极材料、隔膜、电 解液、接线柱等产生，并与电池大小、结构和装配因素有关。极 化内阻由电化学极化和浓差极化引起，电池充放电时两电极 进行化学反应时的极化产生内阻。因此，在 MH-Ni 蓄电池中， 电池内阻与电解液的电导率、极板结构及其面积有关，而电解 液的导电率又与密度和温度有关。电池内阻的变化使电池容 量的估计变得比较困难。
研究与设计
电动汽车电池电量估测模型的研究
刘芳芳， 袁力辉 (湖南商务职业技术学院，湖南 长沙 410205)
摘要：研究了电动汽车电池的电量估测系统，结合电池的充放电特性，建立电池电量估测综合算法模型，给出了电动汽 车电池剩余电量相应的数学表达式，提出并采用了新的 S OC 估测方法，再对各种影响因素分别进行相应的补偿。 关键词：电池；剩余电量；估测算法 中图分类号：TM 911 文献标识码：A 文章编号：1002- 087 X(2009)07- 0601- 03
电动汽车电池本身是个复杂的封闭电化学系统，对于电 动汽车电池荷电状态的估测具有相当的难度，无法直接获取， 而只能通过研究电池工作过程中的一些外部特征，建立相应 的电池估测模型，来得到电池荷电状态的近似值。而实验结果 和参考文献表明蓄电池的荷电状态受放电电流、自放电、老 化、温度等因素影响较大。
1 影响电池剩余容量的因素
极的容量损失。这些是从工艺结构上对 MH-Ni 蓄电池的自放
电现象所做的改善，实际上不可能把 MHቤተ መጻሕፍቲ ባይዱNi 蓄电池的自放电
损耗降至零，所以在实际应用中有必要进行自放电补偿。
(4) 老化补偿
电池老化是指电池在使用过程中，电池内部的化学物质
发生变化，从而改变电池的某些特性，例如随着电池使用循环
次数的增加，电池的有效容量将会先增后减，内阻将会增大，
实际应用中，由于混和电动车工况复杂，充放电过程经常 是交替进行的，无法获得电池循环次数的实际数据。这里我们 采用近似的方法，用电池所有流进流出的安时数累加总和折 算成电池循环次数，参考电池厂商给出的参数曲线进行 SOC 的老化补偿。
2009.7 Vol.33 No.7
602
研究与设计
(5) 自调整 对电池 SOC 的估计，一般很难达到 2%～3%的精确，而 只是尽可能地趋近于真值。在本系统中采用加各种补偿的安 时积分的估测方法，同样存在积分及补偿不够精确因素，另外 对补偿模型的一些参数的获取需要长期的实验加以验证，但 由于电池具有条件不可重复性，所以在运行过程中，会有一些 误差，而长时间积累误差可能会产生错误结果。 查阅相关资料，发现国内很多文献都指出可以采用开路 电压的办法来进行自调整。事实上开路电压法对 MH-Ni 蓄电 池只有在充放电的末期才具有相当的精度，对于混合动力车 来说，电池的 SOC 基本是维持在 35%～70%状态之间，开路 电压法达不到应有的精度。 研究表明，电池的伏安特性可以由电池的增量内阻 (ΔR=ΔU/ΔI)很好地描述。但ΔR 和 SOC 的对应函数关系不是 个单调函数，而是个 U 型曲线，随着电池电量的减少，内阻先 逐渐变小，然后又逐渐增大，到放电末期电池的内阻急剧增 大。这样当前实测的ΔR 有可能对应两个不同的 SOC 值，为 此在系统中采用增量内阻 - 负载电压法来进行自调整。负载 电压法与电池的 SOC 存在一定的线性关系，判断 SOC 比较 简单，所以由增量内阻和负载电压这对数据可较准确地相对 确定当前的 SOC[4]。在运行中如果多次出现增量内阻 - 负载电 压法计算出来的 SOC 值与安时积分模型计算出来的值单调 偏差，且偏差值超过允许范围，就进行 SOC 自调整。图 2 为电 量估测单元的流程图。