【锂离子电池SOC研究现状文献综述2800字】

1电池荷电状态是其剩余容量与总容量之比，其估算方法主要分为安时积分法、开路电压法、基于电池阻抗、基于模型、基于数据驱动的方法，后两种方法因其自身的(1)安时积分法安时积分法对电池充放电电流进行积分，将积分电量与电池初始电量相加减得到电池剩余电量。该方法对电流传感器的精度和采样频率要求较高，同时受初始容量偏保证较高的测量精度、较高的采样频率和准确估算电池SOC,可用该数值检验其他SOC估算模型的有效性。(2)开路电压法开路电压法通过建立开路电压与荷电状态的对应函数，在电池静置一段时间后测置时间，该方法不适合在线测量[45,其次处于不同的温度或寿命时期的电池，相同的开路电压对应的SOC数值差别较大，长期使用该方法难以保证预测结果的准确性(3)基于电池阻抗的预测方法(4)基于模型的预测方法基于等效电路模型(ECM)的电池SOC估算方法需要对电池进行建模。由于电池SOC不能直接测量，只能测量电流和电池端电压，电模型内部SOC变化，该数学模型进一步产生程度。各种类型的反馈机制利用电压预测误差对模型状态进行调整，进而得到最终的的方法从最初的卡尔曼滤波、发展到扩展卡尔曼滤波、无迹卡尔曼滤波，再发展到改曼滤波应用到电池管理系统，提高了SOC预测精度，验证了算法的有效性。文献[59]2度要求较高，虽然高阶等效电路模型可以保证模型精度，但计算代价高昂。同时电池等效电路模型参数受电流充放电速率、环境温度和电池老化等因素的影响，参数辨识(5)基于数据驱动的方法基于数据驱动的方法利用大量训练数据对电池特性进行电流、温度)和输出(SOC)之间的映射。基于数据驱动的优点是无需建立复杂的电 斯过程，增强了数据描述的可靠性，提高了估计精度，但该方法的计算复杂度随着数个数),当m数目很大时该矩阵的存储和计算将耗费大量的机列特征，并将提取到的特征作为循环神经网路输入，实验结果表明，所用方法提高了提出了一种基于门控循环单元的循环神经网络，该方法利用测量的电流、电压和温度信号对电池SOC进行估计，与传统循环神经网络相比，该方法对以长短时记忆循环神经网络(Long-ShortTermMemoryRecurrentNeuralNetwork,LSTMRNN)是一种基于时间序列的神经网络，用来解决RNN存在的梯度消失和梯度爆炸问题。文献[65]将长短时记忆循环神经网络作为锂离子电池荷电状态估计方法，该方法将电池的电流、电压和电池表面温度作为神经网络的输入，进一步提高了循环3神经的预测精度。文献[66]提出了一种将自编码器神经网络与长短时记忆神经网络相明该方法能够在不同环境温度条件下对不同类型的电池实现较好的SOC估计精度。4参考文献basedonconvexoptimization[J[4]JiYJ,QiuSL,LiG.Simulationofsecond-orderRCequivalentcircuitmodeloflithiumbatterybasedonvariableresistanceandcapacitance[J].JournalofCentralSouthUnivers2020,48(2):1712-1730.[6]XuW,XuJL,YanXF.Lithium-ionbatterystateofcharge[7]TaoCF,LiGY,ZhaoJB.Theinvestigationofthermalrunawaypropagationoflithium-ionbatteriesunderdifferentverticaldistances[J].JournalofThermalAnalysisJournalofPowerElectronics,2020,2[11]ZhangZL,DuZM,HanZY,etal.Tempera5connectedlithium-ionbatterypacks[J].MultimediaToolsandApplications,2020,79(23[14]TanYQ,LuoMJ,SheLY,etal.Jointestimationofternarylithium-ionbatterys2020,15(2):1128-1147.poweravailableinli