EVの動作条件に基づいてリチウムイオン電池の予測SOEをどのように特定しますか？

中国科学院の研究者である中国科学院のパワーエレクトロニクスおよび送電キー研究所のLiuWeilong、Wang Lifang、Wang Liyeは、2018年に、エネルギー状態（SOE）の電気技術の手続きの第1段階を指摘しました。 ）は、電気自動車のパワーバッテリーの重要なステータスインジケーターであり、電気自動車の動作範囲に直接影響し、電気自動車の動作状態に大きく影響します。

電気自動車の動作条件に基づいて推定するために、SOEからSOEへの推定方法であるモード認識アルゴリズムは、モデルのバッテリー残留エネルギー状態（SOR）推定方法に基づいて、の認識アルゴリズムに基づいて予測アルゴリズムの研究条件を開始します。情報エントロピー理論の実行条件、マルコフ連鎖予測アルゴリズムの理論の適用、運転電気自動車システムモデルの構築、バッテリー予測に対応する電気自動車運転モードのシミュレーション、電気自動車認識の作業条件に基づく実装、およびSOEの予測が推定されます。シミュレーション結果は、提案された方法の有効性を示しています。

現在、電気自動車は注目を集めている自動車産業ですが、洪水の「範囲不安」の問題がその発展を制限しており[1]、充電状態（充電状態、SOC）がパワーバッテリーの残量の指標になっています。パラメータの1つは電気自動車で広く使用されており、タイムリーな充電機能についてユーザーに警告する必要があります。

しかし、放電電圧が低下傾向にある動作状態でのパワーバッテリーの結果として、より広い範囲のエネルギー（W * h）のパワーバッテリーSOCが減少するため、電気自動車の運転中のSOCインデックス加速する下降傾向を示した。充電インジケータパラメータとしてのSOCは、誤判定の充電時間を引き起こしやすく、電気自動車のユーザーに不便をもたらしました。

電気自動車のWxhユニットスケールパラメータとしてのパワーバッテリエネルギー状態（State of Energy、SOE）。残留エネルギーの割合は、電気自動車のユーザー充電インジケータパラメータとしてのバッテリ電源容量の直接的な記述です。

現在、SOC推定アルゴリズムを適用するためのバッテリーSOE推定方法は通常拡張され、バッテリーはSOCとSOE SOEのマッピング関係に基づいて推定され[2、3]、SOEのSOC変換によって得られますが正確ではありません。 、これは実際にはパワーバッテリーによるものであり、車両の交通状況の変化はさまざまな程度のエネルギー損失につながるため、パワーバッテリーを生成するために実際の供給エネルギーを変更します。したがって、将来の車両運転サイクルの予測に基づいて、パワーバッテリーの残りの利用可能なエネルギー状態（SOE）はより実用的な重要性を持っています。

歴史と将来の交通状況予測は交通状況認識の前提であり、本論文は電気自動車認識リチウムイオン電池SOE推定研究の作業条件に基づいて実施された。

電池モデルは電池状態の推定の基礎であり、主な電気化学機構モデル（4、5）、経験モデル[6、7]、[8、9]の3種類の等価回路モデルに分けることができます。その中でも、等価回路モデルは解析が容易なアプリケーションであるため、利点の共通性が高く、幅広いアプリケーションを実現しています。

バッテリー等価回路モデルに基づくSOE推定アルゴリズム、バッテリー残留エネルギー状態のモデルに基づく（State of Residual Energy、SOR）推定アルゴリズム、情報エントロピー理論の実行条件の認識アルゴリズムに基づく、および予測アルゴリズムに基づくマルコフチェーン駆動サイクルの理論;電気自動車のモデルを構築し、バッテリーの予測条件を取得して、SOEの識別と予測の作業条件に基づいて推定します。シミュレーション分析の結果は、アルゴリズムの精度を検証します。


図1リチウムイオン電池の等価回路モデル構造

図2電気自動車システムモデル

図3バッテリーSOE推定アルゴリズム

結論

本論文は、電気自動車認識の動作条件とリチウムイオン電池SOE推定アルゴリズムの予測に基づく一種の提案を行った。

まず、電極インピーダンススペクトルの理論に基づいて、異なる次数のバッテリー等価回路モデルを構築し、GAアルゴリズムを適用してモデルパラメーターの識別を実装します。

第二に、AUKFに基づいて、異なる次数のバッテリーモデルに基づくSOR推定アルゴリズムを提唱し、シミュレーション結果は、アルゴリズムが迅速な収束を達成できることを示しています。

繰り返しますが、FCMIEアルゴリズムは、電気自動車の運転サイクルの識別を実現し、マルコフチェーン理論に基づく予測アルゴリズムの条件、電気自動車の予測走行条件、シミュレーション結果は、条件効果を予測するアルゴリズムが優れていることを示しています。

最後に、電気自動車システムモデルへの異なる次数のバッテリー等価回路モデルの統合、予測の動作条件の状態を予測するための対応するバッテリー電気自動車を取得するためのシミュレーション、計算の場合のバッテリーエネルギー損失のバッテリー、そしてSOEのバッテリーを見積もります。

SOEはパーティエラーを2.45％以内で推定し、提案されたバッテリーSOE推定アルゴリズムは良い効果をもたらします。

このページには、機械翻訳の内容が含まれています。