电动汽车SOC估计算法与电池管理系统的研究

在安时计量方法的基础上,采用基于折算库仑效率的卡尔曼滤波算法估计蓄电池荷电状态(SOC),并将此方法应用于HEV6580混合动力电动汽车镍氢电池管理系统。系统实现的功能包括:数据监测、数据显示、CAN通信、SOC估计、热管理和安全报警。经电池试验台模拟工况试验验证,电池管理系统各子系统达到设计要求且工作稳定。改进SOC估计方法解决了传统安时计量法不能估计初始SOC、难于准确测量库仑效率的问题,为电池管理系统稳定工作提供保证。     

镍氢动力电池SOC估算方法

SOC（State of Charge,电池充电状态）估算是电动汽车电池管理系统的重要功能,准确有效的SOC估算对推动电动汽车核心技术的发展具有重要意义。文章介绍了镍氢电池工作的基本原理及电池管理系统的基本结构等方面技术,阐述了在对电动汽车SOC进行估算的8种方法,并比较各方法在应用中存在的优缺点,指出Ah计量法是目前最常用的方法,且常与其他方法组合使用。     

镍氢电池智能管理系统研究

文章主要介绍镍氢电池智能管理系统的功能结构,并对管理系统的关键技术SOC、电池兼容性进行阐述和分析。     

基于改进扩展卡尔曼滤波算法的SOC估算

在电动车、储能系统和移动设备等领域中,电池管理系统是保障电池组性能和安全性的关键技术之一,而电池荷电状态（SOC）估算是其重要的组成部分。文章重点针对18650型号的磷酸铁锂电池（单体电池）SOC估算展开研究和设计,首先选择双阶远程控制（RC）模型作为电池模型,通过电池容量标定实验、开路电压（OCV）-SOC标定实验、混合功率脉冲特性（HPPC）实验确定了双阶RC模型的各个动态参数,在MATLAB/Simulink中搭建动力电池仿真模型,验证了所选模型的可靠性。然后,为了解决单体电池SOC估算精度和成本等问题,以扩展卡尔曼滤波（EKF）算法为基础提出了一种改进方法,即在预测第k个时间步的误差协方差矩阵时,引入了时变渐消因子,在更新方差Q和R时引入自适应分子。最后,通过不同循环工况对提出的算法进行仿真分析,结果显示,提出的算法提升了SOC估算的精度,实用性强。     

电动汽车动力电池SOC估算方法浅谈

电池荷电状态(SOC)的估算是电池管理系统的关键技术之一。由于电动汽车运行工况复杂多变,电池SOC的估算受电池温差、充放电电流、单体电池一致性等因素的影响,所以很难精确估算出电池的SOC值。而准确估算动力电池SOC可以实时监测电压的变化,有效防止电池过充或者过放带来的危害。文章首先分析了动力电池SOC估算的影响因素,然后对经典SOC估算方法、智能SOC估算方法和耦合SOC估算方法综述,对比分析了各自的优缺点,最后总结了电池SOC的估算方法并提出展望。     

动力电池荷电状态(SOC)估算方法综述

在动力电池管理系统(BMS)中动力电池SOC评估是最为重要的作用之一。系统中的大多数功能都依赖于动力电池SOC评估的结果。所以准确估算动力电池SOC,有利于保护电池,防止电池过充或过放,提高电池的寿命,达到节约能源的目的。文章通过对SOC评估的当前各种方法的分类综述,并介绍了最新的研究成果,提出了SOC未来的发展方向。     

电动汽车用NiMH电池建模及基于状态空间的SOC预测方法

电动汽车的电池管理系统需要精确、可靠的电池荷电状态(SOC)预测器。针对氢镍(NiMH)电池，提出了一种集总参数等效电路模型，介绍了通过实验获得电池参数的方法。该模型考虑了温度对电池参数的影响，能反映电池充放电的动态过程。文中用状态空间描述了R—C电池模型，在此基础上建立了一种新的基于状态空间的SOC递推算法，并对电池的充放电过程进行了仿真计算。分析表明，提出的SOC估计方法同样可用于其它类型的动力电池。     

基于FFRLS-EKF联合算法的锂离子电池荷电状态估计方法

针对现有基于电池恒定参数模型的SOC估计方法忽略了工况和SOC对电池模型参数的影响而导致SOC估计误差偏大的问题，本文提出一种将带有遗忘因子递推最小二乘算法与扩展卡尔曼滤波算法相结合的联合SOC估计方法。该方法先利用FFRLS算法在线辨识电池等效电路模型参数并实时修正电池模型，再利用EKF算法和实时修正的电池模型估计电池SOC。实验结果表明，本文所提的SOC估计方法能有效减小电池模型参数变化所带来的SOC估计误差。在脉冲放电、脉冲充电和动态应力测试实验中，最终电池SOC估计的最大误差分别为1.01%、0.87%和1.59%。     

纯电动汽车动力锂电池SOC估计策略综述

电池管理系统(BMS)采用了防止电池过放电和过充,提供电池均衡控制,能够实现新能源汽车动力锂电池的最佳利用和保护。电池管理系统实时精准估算电池电荷状态(SOC)是提高电动汽车续航里程和延长寿命的关键。然而,SOC不能直接测量,动力电池的充、放电又是一个复杂过程,导致目前现有的SOC估算策略很难精确地估算出实时在线SOC值。因此,如何提高SOC估算精度是当下BMS领域的研究热点。本文通过对各种SOC估算方法进行文献综述,分析和总结各个SOC估算方法的原理及优缺点,提出SOC估计策略未来发展趋势。     

新能源汽车电池管理方法综述

电池管理系统作为电动汽车的重要组成部分,其中准确估测荷电状态(SOC)和电池均衡管理是电池管理系统的核心功能,也是优化系统能量管理,提高动力电池的使用效率,延长电池使用寿命的关键,对电池的储能至关重要。详细介绍主要SOC的估测方法和电池均衡管理方法,并对其优劣性进行分析与阐述,通过文献综述与对比分析为电池组在使用时提出理论依据与维护措施,为未来的研究提供便捷研究方法。     

基于SX5256DH434PHEV型混合动力重型环卫车的电池管理系统浅谈

在全球能源危机的情况下,随着国际碳排放出口协定的实施,绿色清洁汽车已经成为发达国家当前汽车技术的发展方向,发达国家多数把锂离子电池作为EV、HEV、PHEV的新能源。由于汽车的复杂工况和锂离子电池电化学特性,一般需要完善的电池管理系统BMS(BATTERY MANAGEMENT SYSTEM),其作用是对锂离子电池电压、电流、温度、容量、电池的SOC荷电状态计量、电池与车体的绝缘状态等多种电池参数以CAN通讯的方式与车控电脑实时进行信息交换,确保电池的能量发挥到极致,使驾驶者能够随时掌握电池的工作状态,以保证电池的安全。BMS不仅是数字化智能电池系统的中枢神经,也是新能源汽车必不可少的关键部件。     

基于数据驱动的电动汽车动力电池SOC预测

为准确预测电动汽车动力电池的能耗,缓解驾驶者的里程焦虑,本文中提出一种基于数据驱动的电动汽车动力电池SOC预测模型.首先分析电动汽车能耗构成并提取能耗影响因素,接着基于某款电动出租车CAN总线采集的汽车运行数据,采用机器学习算法,提出基于温度分层的能耗模型,通过宏观数据与微观数据的融合减小误差,最后使用该模型对车载BM...     

智能铅酸蓄电池管理系统研究

研究了车载智能铅酸蓄电池管理系统。根据铅酸蓄电池的使用工况,设计了基于分流器的高精度电流采样电路,提出了铅酸蓄电池剩余电量(SOC)、最低启动电压(SOF)和寿命状态(SOH)的智能算法,并根据当前电池状态动态的调节车载发电机的运行工作点。实验结果表明:SOC和SOF算法具有很好的鲁棒性,计算误差都可控制在4%以内;道路实验表明,加装智能铅酸蓄电池管理系统后,整车油耗可节约2.6%。     

混合动力车用蓄电池管理系统设计与研究

阐述了一种混合动力车用电池管理系统的分布式设计方案,并按照模块化的方式设计了下位机电池控制单元的硬件和软件。结合整车道路试验对系统的准确性和可靠性进行了验证。结果表明,本系统运行稳定,符合混合动力汽车对电池管理的要求,达到了预期的效果。     

基于Veristand的电动客车BMS硬件在环测试平台设计

基于Veristand软件设计一个通用的电动客车电池管理系统(BMS)的硬件在环测试平台,用于BMS的功能检测和故障发现。     

Fuel consumption of fuel cell hybrid vehicles considering battery SOC differences

Fuel cell hybrid vehicles (FCHVs) have become one of the most promising candidates for future transportation due to current energy supply problem and environmental problem. Fuel economy is an important factor in FCHVs. In order to properly evaluate the fuel economy of an FCHV, the initial battery state of charge (SOC) and the final battery SOC have to be identical so that the effect of the battery energy usage on the fuel economy is neglected. In the simulation or in the real driving, however, the final battery SOC is usually different from the initial battery SOC, and the final battery SOC often depends on the power management strategy. To consider the difference between the two battery SOC values, the concept of equivalent fuel consumption is presented by two methods. One is based on the relationship between delta SOC and delta fuel consumption, and the other is based on the optimal control theory. Two rule-based power management strategies for an FCHV are presented, and for each strategy, the fuel economy is evaluated based on the two methods. The characteristics of the two methods are discussed and compared, and the superior one is selected based on the comparison.     

Electrochemical battery model and its parameter estimator for use in a battery management system of plug-in hybrid electric vehicles

This paper reports the development of a battery model and its parameter estimator that are readily applicable to automotive battery management systems (BMSs). Due to the parameter estimator, the battery model can maintain reliability over the wider and longer use of the battery. To this end, the electrochemical model is used, which can reflect the aging-induced physicochemical changes in the battery to the aging-relevant parameters within the model. To update the effective kinetic and transport parameters using a computationally light BMS, the parameter estimator is built based on a covariance matrix adaptation evolution strategy (CMA-ES) that can function without the need for complex Jacobian matrix calculations. The existing CMA-ES implementation is modified primarily by region-based memory management such that it satisfies the memory constraints of the BMS. Among the several aging-relevant parameters, only the liquid-phase diffusivity of Li-ion is chosen to be estimated. This also facilitates integrating the parameter estimator into the BMS because a smaller number of parameter estimates yields the fewer number of iterations, thus, the greater computational efficiency of the parameter estimator. Consequently, the BMS-integrated parameter estimator enables the voltage to be predicted and the capacity retention to be estimated within 1 % error throughout the battery life-time.