高精度锂离子电池组电压采集及SOC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,本文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.     

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。     

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。     

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。     

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%.     

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。     

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。     

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.     

基于开路电压法与卡尔曼滤波法相结合的锂离子电池SOC估算

鉴于卡尔曼滤波法中电池荷电状态(state of charge,SOC)的初始值一般根据开路电压法确定,传统开路电压法是通过测量电池开路电压,由电池开路电压与电池荷电状态之间的关系曲线得到电池SOC,耗时较长.本文在此基础上提出一种新的办法,通过对电池放电曲线及恢复曲线分析,结合电池等效模型,拟合出开路电压的计算公式.用放电停止后的某时刻电压估计电池的开路电压.不但解决了SOC估算中开路电压法用时长的问题,而且提高了开路电压值的准确性,进而提高了SOC估算精度.再以戴维宁模型为基础,通过电池测试平台辨识电池模型参数,并验证其可靠性,采用扩展卡尔曼滤波算法实现了对电池荷电状态的估算,状态参数SOC估算初始值由改进后的开路电压法估算出的SOC值确定.结果表明该方法解决了初始值的偏差导致的估算初期误差较大问题,提高了整体的估算精度.     

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.     

一种基于DSP的锂离子电池管理系统的设计与应用

设计了一种基于DSP的锂离子电池管理系统,以DSP为核心处理器,设计了采样电路、通讯接口、控制接口等。能够实现单体电池电压、总电压、电流、温度的检测,具有SOC估算、通讯、计算机监测等功能,该电池管理系统结构简单,使用方便,能够很好的满足实际使用的需要。     

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。     

基于AFFDRLS-AHIF对动力锂离子电池单体SOC估计

针对动力锂离子电池的SOC估计,提出一种带自适应遗忘因子的阻尼递推最小二乘法(AFFDRLS)联合改进的自适应H∞滤波(AHIF)的方法对动力锂离子电池的荷电状态(SOC)估计.建立了磷酸铁锂动力电池单体的戴维南(Thevenin)等效电路模型,以AFFDRLS在线辨识模型参数,以AHIF实时在线估计电池单体的SOC,实现了电池单体的模型参数和SOC的实时联合估计.在Matlab/Simulink中建立了AFFDRLS-AHIF的仿真模型,以估计磷酸铁锂动力电池单体的SOC.根据某电动乘用车分别在NEDC和UDDS工况下的功率需求进行单体实验,测得动力电池单体的电流、电压,并以此作为输入,采用所建立的仿真模型进行动力电池单体的SOC估计;并且与传统扩展卡尔曼滤波法(EKF)和HIF的SOC估计结果比较,结果表明:AFFDRLS-AHIF的估计精度高且鲁棒性好,可以为车辆使用的动力电池SOC估计提供参考.     

基于RBF-BSA的锂离子电池SOC混合估算算法

为提高锂离子电池荷电状态(SOC)预测精度,提出利用回溯搜索算法(BSA)优化径向基函数(RBF)神经网络的输出权值与阈值的混合算法.通过对锂电池模型中的目标函数进行优化求解,并寻找最佳的目标权值和阈值降低预测误差,提高了RBF网络模型的预测精度.为验证算法的有效性,搭建锂离子电池的充放电实验平台获取数据并对网络进行验证,实验结果表明:混合算法相比标准RBF网络算法具有更好的SOC预测精度,并将网络输出预测误差降低到2%以内,符合锂电池荷电状态估算要求.     

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.     

分布式电池电源模块储能系统的荷电状态均衡控制

针对储能系统中锂电池充放电程度不一致而造成的电池过放/过充,从而导致电池使用寿命缩短的问题,提出了一种分布式储能系统的荷电状态(SOC)均衡控制方案。首先,采用单体电池电源模块串联的分布式储能结构,以单体锂电池估算SOC为控制对象;然后,设计基于SOC均衡的加权因子分配公式,通过对电源模块分配不同的加权因子来调整各电源模块的占空比,从而动态调节各单体锂电池的充放电速率,实现分布式储能系统的SOC均衡控制,改变了传统电池组组内、组间两级均衡控制形式,消除了组内单体锂电池间能量传递造成的功率损失;最后,采用负载电压调节与SOC均衡的双闭环控制结构,保证均衡过程中系统运行的稳定性。仿真结果表明:所提出的均衡控制方法能够有效实现储能系统的动态均衡控制,与SOC比例均衡控制方法相比均衡时间缩短了47%。     

基于LS-SVM的混合动力镍氢电池组SOC预测

在电池管理系统中为了使荷电状态量SOC(state of charge)估计精确,提出以遗传算法优化最小二乘支持向量机(LS-SVM)的方法对电池的SOC进行预测的模型.在电池变流情况下对SOC进行研究,以标准工况下的实验数据作为样本,以电池的电流、电压及温度作为训练模型的输入,SOC作为输出建立模型,使之能很好地适用于混合动力汽车用电池在变电流状态下的实时SOC估计.研究结果表明:该预测模型预测精度高,其最大相对误差小于3％,平均相对误差小于2％,且与神经网络预测结果相比具有更强的实用性.     

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(state-of-charge, SOC)估算和电池均衡作为电池管理系统(battery management system, 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,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(extended Kalman filter, EKF)算法进行了改进,再使用该算法进行SOC估算。并分别在城市道路循环工况(urban dynamometer driving schedule, UDDS)、动态应力测试(dynamic stress test, DST)、混合脉冲功率特性(hybrid pulse power characterization, HPPC)工况下验证了改进算法对提高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,提出一种主被动均衡电路并合理设计了均衡策略。最后,在仿...