电动汽车用电池荷电状态估算方法综述

详细信息    查看全文 | 推荐本文 |

	作者：郭继爽 关键词：电池荷电状态 ; 开路电压法 ; 安时积分法 ; 卡尔曼滤波法 ; 神经网络法 ; 深度学习法 中文刊名：NRPJ 英文刊名：Internal Combustion Engine & Parts 机构：沈阳职业技术学院; 出版日期：2019-07-15 出版单位：内燃机与配件 年：2019 期：No.289 语种：中文; 页：NRPJ201913108 页数：2 CN：13 ISSN：13-1397/TH 分类号：232-233

摘要

电池荷电状态作为电池管理的关键参数,无法通过测量直接获得,只能通过测量电池电压、电流、温度等参数进行估算。本文分别阐释了目前常用的电池荷电状态估算方法,包含开路电压法、安时积分法、卡尔曼滤波法、神经网络法和深度学习法等,并对各种方法进行评价,指出各种方法的优缺点。
        

引文

[1]姚芳,张楠,黄凯.锂离子电池状态估算与寿命预测综述[J].电源学报,2019:1-12.
    [2]袁学庆,汤宪宇,刘利,等.无人直升机发动机再启动电源系统设计[J].电源技术,2018,42(10):1546-1549.
    [3]胡耘.动力电池荷电状态(SOC)估算方法综述[J].汽车实用技术,2019(08):36-38.
    [4]朱梦杰.电动汽车锂电池SOC估算方法综述[J].计算机产品与流通,2018(08):277.
    [5]钱潇潇,张菁,杨勇.基于改进卡尔曼滤波的锂电池SOC估算研究[J].智能计算机与应用,2019,9(3):194-198.
    [6]夏克刚,钱祥忠,余懿衡,等.基于BP神经网络的锂电池SOC在线精确估算[J].电子设计工程,2019,27(05):61-65.
    [7]侯朋飞,王金全,徐晔,等.基于深度学习和量子遗传算法的电池SoC估算方法研究[J].微型机与应用,2017,36(08):51-55.
    [8]Cheng A Y, Wang Y, Cheng Z L. State of charge estimation for batteries using recurrent neural networks[Z]. 2018.