高精度锂离子电池组电压采集及荷电状态预测

为了进一步提高锂离子电池组单体电池电压采集精度和荷电状态(SOC)预测精度,设计了优化型串联母线电压采集系统和改进型灰色非等间隔灰色模型SOC预测。电压采集系统通过光耦电路把电池动态加载到母线上,利用74HC595移位控制寄存器实现单体电池电压采集;再经过信号转换、隔离电路处理后由STM32F103ZET6 AD模块处理。SOC预测通过MATLAB建立模型,模型中的参数辨识采用粒子群优化算法。仿真和实验表明,设计电压采集系统硬件电路和软件操作更为简化,采集精度更高,易于拓展,SOC预测方法准确性高,有很强的工程适用价值。     

基于LTC6802的电动汽车电池管理系统均衡控制及硬件设计

设计了一种基于MC56F8367和LTC6802芯片为核心的电池管理系统,给出了系统的硬件设计,其中包括:电压采集,电流采集以及通信电路等,提高了电池电压电流检测精度,缩短检测时间,并设计双向分流均衡电路和过充过放保护电路,提高了电池管理系统数据采集的精度以及系统运行的稳定性.     

考虑温度的电池荷电状态估算和主被动均衡

电池的荷电状态(SOC)估算和电池均衡作为电池管理系统BMS的核心功能,对电池的一致性和使用寿命、安全等至关重要。在电池的工作期间,温度直接影响了电池的可用容量和放电特性,从而加剧了SOC的估算误差。因此,本文考虑了温度对电池的影响,对SOC估算方法进行了改进,并利用主被动均衡改善了单体一致性问题。首先,通过建立电池的热特性模型对电池的内部温度进行估计,将温度估计结果对扩展卡尔曼滤波(EKF)算法进行了改进,再使用该算法进行SOC估算。并分别在UDDS、DST、HPPC工况下验证了本文改进的算法对提高SOC估算精度的有效性。其次,以更高精度的SOC估算结果作为变量,本文提出了一种主被动均衡电路并合理设计了均衡策略。最后,在仿真验证下,本文改进的EKF算法显著提高了SOC的估算精度,并通过主被动均衡实现了DST工况下一组SOC极差为13%的六节单体电池之间的快速均衡。研究结果表明,本文改进的方法能有效降低温度带来的SOC估算误差,改善了电池单体间的不一致性问题。     

主被动均衡电池管理系统设计

为了克服新能源汽车电池组在使用过程中内部单体电池充放电速率不一致问题,提出了一种基于现场可编程门阵列(field-programmable gate array,FPGA)的主被动均衡相结合的电池管理系统。该设计通过LTC6811电池采集芯片,将电压、电流、温度等数据传到FPGA进行容量估算。主控微控制单元(microcontroller unit,MCU)通过设置单体间荷电状态(state of charge,SOC)差值阈值,控制均衡电路中的回路开关的通断,使单体电池在不同容量差值时,进行不同的均衡策略。同时运用MATLAB/Simulink仿真软件搭建出核心主被动均衡电路模型,对电路的均衡方案进行仿真分析。仿真结果表明:通过采用主被动相结合的均衡策略,电池在充放电过程中均衡速度较单一均衡方式有明显的提升。可见通过主被动均衡结合的方式,能有效地提升电池均衡速度,改善电池使用效率。     

基于随机森林的锂离子电池荷电状态估算

荷电状态(state-of-charge,SOC)是锂离子电池预测和健康管理非常重要的一部分。锂离子电池的SOC无法直接测量,因此本文提出了基于随机森林回归算法的锂离子电池SOC估计的方法。首先构建随机森林回归模型,使用电池电流、电池电压、电池温度作为模型的训练输入,相对应的SOC作为模型的训练输出;然后使用随机森林算法进行模型训练;最后将训练模型应用于电池SOC估计。实验结果表明,随机森林回归算法对锂离子电池荷电状态的预测最大估算误差为0.02,均方根误差为0.003 204,该方法能有效地估算锂离子电池SOC并且有很高的估计精度。该模型研究为未来电池荷电状态估算系统的模型构建提供了参考。     

一种基于IMM-ABSE算法的锂离子电池组SOC估算

信号噪声干扰、电池模型对温度与老化的适应性及单体不一致性等因素直接影响电池组电荷状态(State of Charge,SOC)估算精度.为实现锂离子电池组SOC的准确估计,提出了一种使用交互多模型(Interacting Multiple Model,IMM)和自适应电池状态估计器(Adaptive Battery State Estimator,ABSE)相结合的估算方法.首先,基于电池组综合特性建立电池交互模型,通过ABSE对单体SOC进行估算并嵌入IMM模型中.然后,计算各模型的信息分配因子,并根据信息分配因子对各模型的SOC进行概率融合,得到精度较高的电池组SOC.最后,在不同温度的组合工况下,评估该算法的鲁棒性和普适性.实验结果表明,该方法适用于系统输入信号存在噪声、全气候工况和单体间存在不一致性的环境,在有效充放电期间平均误差小于2%.     

混合动力轿车用集中式锂离子动力电池管理系统设计

混合动力轿车锂离子电池组的管理中需要检测大量的电池单体电压.为降低对电池组单体电压的采样循环时间,增强管理系统数据采集的实时性,该文设计了一种基于分时并联采样方式的电池管理系统,它能够可靠地实现对动力电池运行时状态参数的监测,提高电池 SOC 的估算精度.     

纯电动汽车电池管理系统的设计及应用

针对目前唯一可以产业化的纯电动汽车使用的主要能源动力电池,设计开发了电池管理系统。系统以单片机为核心,采用分布式网络控制系统结构,可以实时检测动力电池的各种运行参数:电池SOC、总电压、总电流、单体模块电压、电池包内特征温度;可以根据电池状态进行故障诊断和报警,同时具有热管理功能等;系统参数通过PC进行标定,通过CAN总线与整车其他系统进行通信实现信息共享。系统已经在BK 6121EV纯电动公交客车上安装。实验室和实车试验结果表明:系统电池电压测量精度为1%满足要求,系统各个功能运行稳定、可靠。     

锂离子动力电池荷电状态联合估计应用

为了进一步提高锂离子动力电池荷电状态(SOC)的估计精度问题,在分析了电池电压、温度、电流和放电电量对电池SOC值的影响后,提出了一种新颖的混沌萤火虫算法(chaos firefly algorithm,CAF)和小波神经网络(WNN)相结合的锂离子动力电池SOC联合估计方法,该方法首次利用于电池SOC值估计中,通过新颖的混沌萤火虫算法优化小波神经网络,加入动量项优化网络的权值和调整修正参数,提高了网络的学习效率和SOC估计精度。克服神经网络进化缓慢并且容易陷入局部最小的缺陷,通过仿真和电池实际工况下实验,结果表明与WNN算法相比,所提出的方法具有更高的预测精度,均方根误差小于2%,验证了这一算法的可行性和有效性。     

锂离子动力电池荷电状态联合估计

为了进一步提高锂离子动力电池荷电状态(SOC)的估计精度问题,在分析了电池电压、温度、电流和放电电量对电池SOC值的影响后,提出了一种新颖的混沌萤火虫算法(chaos firefly algorithm,CAF)和小波神经网络(WNN)相结合的锂离子动力电池SOC联合估计方法,该方法首次利用于电池SOC值估计中,通过新颖的混沌萤火虫算法优化小波神经网络,加入动量项优化网络的权值和调整修正参数,提高了网络的学习效率和SOC估计精度。克服神经网络进化缓慢并且容易陷入局部最小的缺陷,通过仿真和电池实际工况下实验,结果表明与WNN算法相比,所提出的方法具有更高的预测精度,均方根误差小于2%,验证了这一算法的可行性和有效性。     

基于充电电压片段的锂离子电池状态联合估计方法

锂离子电池的荷电状态(SOC)、健康状态(SOH)和剩余使用使命(RUL)是锂离子电池安全稳定运行的重要状态参数,本文提出一种基于充电电压上升片段的锂离子电池状态联合估计方法,实现对电池预测起点(SP)到寿命终点(EOL)的较长运行周期内SOC、SOH和RUL的联合估计.该框架在充电阶段进行SOH和RUL估计,在放电阶段进行SOC估计.首先提取电池恒流充电电压曲线片段的上升时间作为健康特征(HF),以HF作为输入,循环容量作为输出,建立最小二乘支持向量机(LSSVM)电池老化模型,对当前健康状态进行估计;采用等效电路模型对该电压区段进行非线性拟合,用拟合参数建立状态空间模型,结合无迹卡尔曼滤波算法进行SOC估计;用高斯过程回归时间序列模型对电池的健康特征序列进行建模,通过循环次数外推预测健康特征的变化趋势,并结合LSSVM老化模型,对RUL进行预测并给出置信区间.实验结果表明,所提方法具有较高的估计精度和较好的稳定性.     

关于锂离子电池Thevenin模型的仿真研究

针对动力电池组运行时,内部的系统参数会随着环境因素和荷电状态(state-of-charge,SOC)发生动态改变,提出一种参数变化的Thevenin等效电路模型;从荷电状态是影响锂电池各参数特性的主要因素出发,将传统Thevenin模型中模拟各模块使用的不变参数用随着SOC变化的动态变量来表示; HPPC获取模型参数,电池仿真端电压基本上跟实际端电压波形吻合,且趋势大致相同;实验结果表明:在正常工作状态下,建立的模型可以有效地反应电池内部的工作特性,有着良好的精度。     

磷酸铁锂电池充电后静置的电压预测方法

混合动力电动汽车在行驶过程中的动态充电后静置开路电压不稳定。特别是再生制动充电时开路电压的变化,而导致常用的开路电压法存在SOC估计误差大和混合动力电动汽车动力控制策略难以实施。以磷酸铁锂电池为对象,依据电化学理论分析了其充电后静置过程中正负极表面锂离子扩散对开路电压的影响机理以及开路电压随时间的变化关系。再通过充电后静置实验和参数辨识方法,建立了充电后磷酸铁锂电池静置开路电压预测模型。以此对其充电后静置的开路电压进行了预测实验。结果表明,在实验工况下,该模型的最大预测误差为0.017V。     

磷酸铁锂动力电池阻抗谱参数分析

以电动汽车用动力锂离子电池为测试对象,通过等效电路拟合实际测量的电化学阻抗曲线来分析电池电极系统的动力学过程,并选取等效电路模型在不同荷电状态下的参数分析不同交流阻抗组份及阻抗特性对电池充放电特性的影响。 结果表明:基于阻抗谱测试得到的等效电路模型参数有利于得出更高精度的电池电荷转移阻抗以及扩散阻抗,并且较好地区分电化学极化和浓差极化,可以用于分析不同温度和不同荷电状态的电池充放电性能。      

基于FFRLS-AEKF的6轮足机器人电池SOC估计

针对6轮足机器人动力电池的荷电状态(state of charge, SOC)估计精度低、电池模型准确度不高等问题,提出一种基于带遗忘因子的递推最小二乘(recursive least squares with forgetting factor,FFRLS)与自适应扩展卡尔曼滤波(adaptive extended Kalman filtering,AEKF)相结合的估计算法。首先通过FFRLS算法辨识建立动力电池等效模型参数;然后利用AEKF对SOC在线估计,并为参数辨识提供准确的开路电压;最后以机器人锂电池包为对象,在动态应力测试工况(dynamic stress test , DST)下实验验证了该算法可以准确地估算动力电池SOC,SOC估计相对误差在2.5%以内。      

基于最小二乘法的锂离子电池参数辨识方法研究

目的 针对使用戴维南等效电路模型对锂电池进行参数辨识不够精确的问题,提出一种二阶 RC 等效电路模 型并对锂电池进行参数辨识。 方法 通过脉冲放电实验得到锂电池的相关数据,在 MATLAB 上使用最小二乘算法 对所建立的二阶 RC 等效电路进行参数辨识,并对不同 SOC(State of Charge)下锂电池各个参数的变化情况进行分 析,通过计算锂电池的端电压来判断参数辨识的精确度,最后将辨识结果与戴维南等效电路模型所辨识的结果进 行对比并分析。 结果 随着锂电池 SOC 下降,锂电池的各个参数会有轻微的波动,在锂电池的 SOC 处在较低的水平 时,锂电池的各个参数变化比较剧烈,这是由于锂电池的化学浓差极化所导致的,当将辨识的参数用来求解锂电池 的端电压时,随着时间的推移,发现锂电池的端电压的误差波动比较稳定,且最大误差不超过 0. 05 V,反观使用戴 维南等效电路模型求得锂电池的端电压误差波动比较大,且最大误差超过了 0. 08 V。 结论 在锂电池参数辨识上 二阶 RC 等效电路比戴维南等效电路更加准确,能够更好地描述锂电池的动静态特性,为后续对锂电池的荷电状 态估计提供了有力的基础。     

基于交互式多模型无迹卡尔曼滤波的锂电池荷电状态估计

为了提高传统卡尔曼滤波法估计锂电池荷电状态(SOC)的精度,在锂电池二阶RC等效电路模型基础上,根据隐马尔科夫模型(HMM)理论并采用遗传算法优化构造出了不同参数状态的电池模型。结合交互式多模型(IMM)算法与无迹卡尔曼滤波(UKF)算法进行SOC估计,提出了一种基于HMM的IMM-UKF算法估计锂电池SOC的方法。锂电池在线SOC估计实验表明,该方法比较其他估计方法有着更高的估计精度,平均绝对误差仅为1%。     

电动车用镍氢电池模块的充放电模型研究

在电动汽车镍氢电池改进等效电路模型的基础上，基于模糊化电池的荷电状态（SOC），利用模糊推理的方法来估计电路模型的时变参数，并以SOC为模糊输入量，电池模型参数为模糊输出量．由于模糊推理所确定的模型参数根据模糊SOC是动态变化的，因此不仅提高了电池模型的精度，而且降低了对SOC估计精度的要求．仿真试验表明，在不考虑温度影响的情况下，利用该方法所得到的电池模块端电压仿真数值与实测值的最大绝对误差为0．04V，相对误差为0．28％，说明这种变参数不变结构的自适应模型具有很高的可靠性和精确性．     

基于RC等效电路的动力电池SOC估计算法

精确的动力电池剩余电量(SOC)是混合动力系统进行动力分配的重要依据,也是整车控制和降低使用成本的关键.因而,采用简化的RC电池等效电路,建立了电池的动态充、放电模型,把该模型转化为状态空间表达式.基于不同温度下的镍氢动力电池开路电压,通过混合脉冲功率性能(HPPC)测试方法测量,得到动力电池的动态工作内阻.根据电池的动态工作电流,在线实时估算动力电池的SOC.仿真及实验室测试结果表明,该方法的估算误差小于8%,验证了该SOC估算方法的有效性.