导读:本文包含了荷电状态论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:状态,卡尔,锂离子电池,模型,开路,电池,电压。
荷电状态论文文献综述
孙艳艳,周雪松,游祥龙,吴小岭[1]（2019）在《基于开路电压法的电池荷电状态估算修正》一文中研究指出电池荷电状态(SOC)的精准估算对于新能源车辆的使用非常重要,多种SOC算法中以开路电压法(OCV)最为常用且有效。该文通过研究不同使用工况下电池SOC与OCV的之间的关系及电池静置过程中电池端电压的变化,提出了电池应用过程中SOC的修正策略,给动力电池应用提供理论与数据支撑。(本文来源于《内燃机与配件》期刊2019年19期）
马婷婷,张铁岩[2]（2019）在《风光储联合发电并网系统中储能系统荷电状态的优化控制策略研究》一文中研究指出风电场和光伏电站受环境的影响,导致并网功率不稳定,影响电网电能质量。为了弥补这一缺陷,本文提出了风光储联合发电并网系统中储能系统荷电状态的优化控制策略,研究最新的变滤波时间常数控制方法调整储能荷电状态,保证储能系统在最优荷电状态范围内充放电,同时还能够平抑并网功率波动,保证并网功率稳定。储能系统荷电状态优化控制策略要求能够实时控制储能系统的荷电状态,保证并网功率稳定的同时储能系统荷电状态在最优荷电状态范围之内。最后,利用仿真软件MATLAB对储能荷电状态的优化控制方法与传统储能系统功率平抑控制策略进行两组仿真实验,对比验证本方法的可行性。(本文来源于《第十六届沈阳科学学术年会论文集（理工农医）》期刊2019-10-10）
张悦,刘少贤,樊娟,张延妮,岳宣峰[3]（2019）在《质谱条件对蛋白质ESI-MS图谱荷电状态分布的影响》一文中研究指出以脱辅基肌红蛋白质和还原性溶菌酶为研究对象,考察了射频透镜1电压等质谱条件对蛋白质ESI-MS图谱荷电状态分布(CSD)的影响。研究发现:在"较软"ESI条件下射频透镜1电压能在一定程度上显着改变ESI-MS图谱右左两侧两个分布的相对强度,而右左两侧两个电荷中心的相对位置基本保持不变,这种影响与溶液相中蛋白质分子的构象类型密切有关,本文对这一现象的机理做了探讨。(本文来源于《分析试验室》期刊2019年12期）
张佳倩,刘志虎[4]（2019）在《基于模型参数辨识和扩展卡尔曼滤波的锂电池荷电状态估计》一文中研究指出锂电池的荷电状态(SOC)估计作为电池管理系统的关键技术之一,直接影响到整个电池管理系统(BMS)的功能和效率。针对一般的简单多项式拟合SOC-OCV曲线提出了改进,采用了分段拟合的方式,能够降低拟合公式的阶数,提高拟合精度。结合戴维南(Thevenin)等效电路,以及充放电实验和混合脉冲功率特性(HPPC)实验进行参数辨识,得到状态方程和观测方程,采用扩展卡尔曼滤波算法(EKF)对锂电池的不同工况进行SOC估计。仿真结果表明,分段拟合SOC-OCV曲线能有效提高SOC估计精度,减少计算量。(本文来源于《工业控制计算机》期刊2019年09期）
任帅,赵兴勇,赵龙,高鹏彦,李越[5]（2019）在《复合储能中蓄电池荷电状态的自适应控制策略》一文中研究指出为解决独立直流微电网复合储能中蓄电池组间的荷电状态不均衡问题,提出了一种蓄电池荷电状态自适应的复合储能控制策略。直流母线电压采用改进下垂控制,对超级电容和蓄电池采用低通滤波器进行平抑功率分频,维持直流母线电压稳定,并且实现蓄电池组的荷电状态均衡;通过在MatLab/Simulink建立含光伏单元、超级电容、蓄电池的直流微电网复合储能模型,验证了所提控制策略的有效性和可行性。(本文来源于《自动化与仪表》期刊2019年09期）
高昂,郭梦蕾,徐珂雅,谢慧浚,韩泽雷[6]（2019）在《卡尔曼滤波算法在锂电池荷电状态估计中的应用》一文中研究指出基于研究卡尔曼滤波算法在锂电池荷电状态估计和监测中应用效果的目的,本文通过建立Thevenin电池模型,结合锂电池恒定电流充放电实验数据,有效模拟出电池实际工作特性,并分别采用传统卡尔曼滤波(KF)和扩展卡尔曼滤波(EKF)算法对锂电池荷电状态(SOC)进行估测。得出如下结论:采用基于Thevenin电池模型的KF与EKF算法均可以快速精准地估测锂电池荷电状态。EKF对于初值的敏感度相较KF明显低,当初值为80%时参数适应性较好。此外,在利用卡尔曼滤波算法对电池端电压估测时发现其收敛值总会与真实值产生一个约为0.05 V的恒定偏差值。(本文来源于《电子设计工程》期刊2019年18期）
Gregory,L.Plett[7]（2019）在《锂离子电池荷电状态不同估算方法的综述及讨论（英文）》一文中研究指出综述了锂离子电池荷电状态(SOC)的不同估算方法,希望能够结合作者在该领域的经验为读者提供一些见解和研究视角。电池管理系统(BMS)需要不断更新电池SOC的估计值,用于计算和修正电池健康状态、能量状态以及功率状态(功能状态),并防止电池出现过充或者过放情况。已有许多方法用于估计电池的SOC,其中有些方法更具优势。该文解说了电池SOC的物理含义,有助于区分真实SOC以及工程SOC的估算方法;对于不同的估计方法进行了较为详细的讨论;并介绍了电池包SOC指标的定义问题以及电池包中每个单体电池的SOC计算方法;最后,评述了目前该领域的研究前沿,并展望了未来需要开展的工作。(本文来源于《汽车安全与节能学报》期刊2019年03期）
张茁,刘建宇,王璐平,金鹏[8]（2019）在《影响锂离子电池荷电状态估算精度的因素分析》一文中研究指出为了考察引起荷电状态(SOC)估算误差各因素的不同作用,以3块磷酸铁锂电池组成的电池组为对象进行混合脉冲功率特性(HPPC)实验,二阶Thevenin电池模型为基础构建状态方程,利用无迹Kalman滤波(UKF)算法估算SOC,分析模型参数及输入电流、端电压、开路电压(OCV)误差对SOC估算的影响。结果表明:当在OCV、端电压及输入电流中各加入1%的噪声,或在电池的参数(欧姆内阻,极化电阻,极化电容)固定时,SOC估计的误差分别为19.1%、20.6%和小于3%;可见OCV和端电压对SOC估算精度影响较大,提高端电压的测量精度和OCV曲线拟合的准确性,可大幅减小锂电池SOC的估算误差。(本文来源于《汽车安全与节能学报》期刊2019年03期）
李晓帆,于少娟[9]（2019）在《基于改进的AUKF锂离子电池荷电状态估计》一文中研究指出准确估计锂离子电池荷电状态(SOC)对于其安全运行和高效管理至关重要。针对电动汽车实际运行时电池环境复杂而SOC估算精度不高的问题,首先建立了考虑温度效应、参数变化的电池动态模型,使用自适应无迹卡尔曼滤波(AUKF)估计电池SOC,使其在实际工况下获得比传统无迹卡尔曼滤波(UKF)更精确的结果。同时采用卡尔曼滤波器在线更新充放电过程中衰减的电池容量,用于改进AUKF估计SOC,使SOC的在线估计更加准确,在复杂工况下估计误差在1.79%范围内。(本文来源于《计算机仿真》期刊2019年09期）
周航,孙绍国,谷明[10]（2019）在《EPS电源蓄电池在线荷电状态估计》一文中研究指出为了提高应急电源(Emergency Power Supply, EPS)蓄电池的荷电状态(state of charge,SOC)估计精度,提出一种EPS电源蓄电池在线荷电状态估计方法。采用一种参数优化的多核相关向量机(relevance vector machine, RVM)建立EPS蓄电池SOC估计模型,可以实现对EPS荷电状态的实时监测,为蓄电池的充放电管理提供重要依据,保证EPS电源系统的安全稳定运行。(本文来源于《建筑电气》期刊2019年08期）
荷电状态论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
风电场和光伏电站受环境的影响,导致并网功率不稳定,影响电网电能质量。为了弥补这一缺陷,本文提出了风光储联合发电并网系统中储能系统荷电状态的优化控制策略,研究最新的变滤波时间常数控制方法调整储能荷电状态,保证储能系统在最优荷电状态范围内充放电,同时还能够平抑并网功率波动,保证并网功率稳定。储能系统荷电状态优化控制策略要求能够实时控制储能系统的荷电状态,保证并网功率稳定的同时储能系统荷电状态在最优荷电状态范围之内。最后,利用仿真软件MATLAB对储能荷电状态的优化控制方法与传统储能系统功率平抑控制策略进行两组仿真实验,对比验证本方法的可行性。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
荷电状态论文参考文献
[1].孙艳艳,周雪松,游祥龙,吴小岭.基于开路电压法的电池荷电状态估算修正[J].内燃机与配件.2019
[2].马婷婷,张铁岩.风光储联合发电并网系统中储能系统荷电状态的优化控制策略研究[C].第十六届沈阳科学学术年会论文集（理工农医）.2019
[3].张悦,刘少贤,樊娟,张延妮,岳宣峰.质谱条件对蛋白质ESI-MS图谱荷电状态分布的影响[J].分析试验室.2019
[4].张佳倩,刘志虎.基于模型参数辨识和扩展卡尔曼滤波的锂电池荷电状态估计[J].工业控制计算机.2019
[5].任帅,赵兴勇,赵龙,高鹏彦,李越.复合储能中蓄电池荷电状态的自适应控制策略[J].自动化与仪表.2019
[6].高昂,郭梦蕾,徐珂雅,谢慧浚,韩泽雷.卡尔曼滤波算法在锂电池荷电状态估计中的应用[J].电子设计工程.2019
[7].Gregory,L.Plett.锂离子电池荷电状态不同估算方法的综述及讨论（英文）[J].汽车安全与节能学报.2019
[8].张茁,刘建宇,王璐平,金鹏.影响锂离子电池荷电状态估算精度的因素分析[J].汽车安全与节能学报.2019
[9].李晓帆,于少娟.基于改进的AUKF锂离子电池荷电状态估计[J].计算机仿真.2019
[10].周航,孙绍国,谷明.EPS电源蓄电池在线荷电状态估计[J].建筑电气.2019
论文知识图
