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。     

基于PF-RLS的电池组SOC估算

针对电池组的安时积分法由于传感器的精度、电池老化、积分误差和初值,会导致SOC(state of charge)的估算不准确等问题,对传统安时积分法的SOC初值、标称容量、积分周期等参数进行了改进.在探索SOC与开路电压U_o内在联系的基础上,建立了一阶RC等效电路模型,通过带遗忘因子的递推无参数最小二乘法(PF-RLS)实时在线提取更新U_o,引入对U_o影响较大的电池温度θ变量,建立SOC-U_o-θ三维模型,为改进的安时积分法提供准确的初值,在考虑电池组不一致性的基础上,提出基于电池组的最大电压、最小电压融合算法,进行了FUDS(federal urban driving schedule)工况检测和实车工况验证.结果表明:PF-RLS在线提取U_o的精度为2.55%,单体电池SOC的精度为3.20%,电池组SOC算法的精度为4.00%,满足QC/T 897—2011 《电动汽车用电池管理系统技术条件》的要求.     

基于树莓派的房车电池管理系统研制

为解决目前房车使用中存在的电池、 用电器的管理问题, 设计了一种以 Raspberry Pi 3B+为主控制器的房车电源管理系统, 该系统包括车载蓄电池监测模块和用电器监测模块。 电池监测模块利用电池专用监测芯片DS2438, 对电池组温度、 电压等车载蓄电池信息进行检测并统一管理, 完成单体蓄电池状态显示和故障报警提示; 用电器监测模块利用 RN8209 芯片检测房车用电器的电功率并及时通过主控制器对电器进行智能化管理。通过测试表明, 系统能准确测定电池和用电器的相关信息, 具有一定的实用性。 同时针对传统的充放电状态(SOC: State Of Charge)预测困难的问题, 提出了一种修正安时积分法,充分考虑了电池在实际使用中存在容量差的问题, 经 Matlab 仿真结果表明该方法有较高的估算精度, 可用于 SOC 估算策略。     

集成方式对磷酸铁锂电池组SOC间偏差的影响

基于Matlab/Simscape平台建立了单体电池模型,模拟分析了单体电池间连接片阻值及电池管理系统(Battery Management System,BMS)中单节电池电压采样输入阻抗对电池荷电状态(State of charge,SOC)间差异的影响.结果表明,放电过程中与单节电池极柱相连的单体电池SOC最低,易出现过放现象,以设定的单体电池间SOC最大偏差为约束,讨论了单节电池内部不同并联电池数目下连接片阻值的匹配范围;外载漏电流的存在导致单节电池SOC间存在偏差,分析了外载漏电流随电压采样输入阻抗、模组间串联电池数的变化规律,据此提出了建立不同循环次数下的电池组SOC估算偏差修正系数,从而对电池组SOC估算值予以修正的电池管理系统安全控制建议.     

基于元素注意门控复用的锂离子电池荷电状态估计

为了提高荷电状态(state-of-charge,SOC)估计精度,提出一种基于元素注意门的电池荷电状态递归神经网络,为输入向量的每个特征元素分配不同的重要程度,验证并分析不同神经元数量和隐藏层层数下的测试结果,利用确定的最优参数设置进行不同温度下的电池SOC估算,在不同电池特征参数下对SOC估计任务的重要性进行可视化分析。相同数据集的SOC估计精度表明,提出的网络模型在SOC估计任务中精度有明显提升。     

电动汽车锂电池组的新型双向均衡法

由于电池制造工艺的制约导致生产出的电池间存在一定的离散性,多次充放电后不一致性更加严重,因此有必要对电动汽车电池组进行均衡.在分析了锂电池间不一致性的基础上建立了双向均衡结构,采用粒子滤波PF(Particle Filter)法估算电池初始剩余电量SOC(State Of Charge),提出了先让高SOC电池放电和先给低SOC电池充电的均衡法.该方法相比传统基于充电电压的均衡法能更精确的反映电池能量状态.实验结果表明,对于要求低能耗的系统采用先让高SOC电池放电均衡至±2%平均SOC界限范围;对于要求均衡结果一致性较高的系统采用先给低SOC电池充电均衡至±1%平均SOC界限范围.该均衡方法有效改善了电池组间的不一致性,对于提高电动汽车锂离子电池的使用寿命和续航里程具有实际意义.     

基于IUPF算法与可变参数电池模型的SOC估计方法

针对常用电池模型参数固定和适用范围有限的问题,建立受温度和SOC影响的可变参数的Thevenin模型,并利用实验设计(DOE)方法和最小二乘法对模型参数进行辨识.针对系统噪声较大时影响算法估计精度的问题,提出了一种改进的无迹卡尔曼粒子滤波(IUPF)算法.将系统状态噪声和量测噪声两者同时引入到采样点中,对其进行对称采样处理,同时将其引入到算法计算过程中以保证算法的精度.在可变参数Thevenin模型基础上采用的IUPF算法,在保证模型适用范围的同时减小了噪声对系统估计精度的影响.实验及仿真结果表明,基于IUPF算法与可变参数电池模型的SOC估计方法在解决现有电池模型适用范围有限、保证模型精度的同时,在多个温度下对SOC有较高的估算精度.尤其在系统状态噪声、量测噪声影响较大时,算法估算精度有了明显提高,且对由模型参数所带来的扰动具有良好的鲁棒性.     

电动汽车锂离子电池组参数辨识与SOC估计

针对电动汽车用锂离子电池组,提出了一种能修正初始误差的荷电状态估算方法,即采用扩展卡尔曼滤波与安时积分的组合算法.在分析电池各种等效电路模型优缺点的基础上,选用具有双阻容并联网络的PNGV改进型电池模型,并以某锂电池为实验对象,对其进行模型参数识别.然后依据电池模型建立电池的非线性状态空间方程,并对电池开路电压与SOC的关系进行多项式拟合.恒流脉冲放电和ECE15工况下的两种实验均表明,文中算法可有效修正SOC的初始误差,并能保证估算精度.     

基于一致性估计的车用动力蓄电池组SOC修正法

目前车用动力蓄电池组荷电状态(SOC)的估计方法在应用时都将电池组看作一个整体,而忽略了组中单体电池之间的差异对整组SOC估计的影响.提出一种基于单体电池一致性估计的车用动力蓄电池组SOC修正方法.此方法采用了自适应神经模糊推理系统的基本原理,通过对模糊逻辑规则库的离线自适应训练,构建了可用于车载电池管理系统(BMS)的SOC一致性模糊推理系统.通过仿真或者试验验证表明,该方法能够在电池组SOC一致性发生变化的情况下,作出较为准确的判断并结合传统的整组SOC估计结果进行修正.说明通过该方法建立的模糊模型经过神经网络自适应学习后具有较好的泛化能力.     

融合阻抗模型与扩展卡尔曼滤波的锂离子电池荷电状态估算

随着电动汽车(electric vehicles, EV)的发展,电池荷电状态(state of charge, SOC)估计受到越来越多关注。荷电状态的精确估计对于电动汽车的能量管理至关重要,然而,估算精度成为限制其发展的瓶颈。本文在阻抗谱分析基础上,利用恒相元件(constant phase element, CPE)导出简化的电池阻抗模型,从而建立模型的状态方程和观测方程;针对锂电池的非线性特性,引入扩展卡尔曼滤波(extended Kalman filtering, EKF),通过在阻抗模型上与EKF算法的融合对锂离子电池进行SOC准确估算;建立电池测试台,通过仿真和电池动态工况试验验证。结果表明,与其他模型和EKF算法相比,所提出的SOC估算方法能有效提高SOC估算精度,并将误差控制在±1%以内,具有较好的收敛性和鲁棒性。