基于恒流充电曲线电压特征点的锂离子电池自适应容量估计方法

为提高锂离子电池容量在线估计精度,本文中提出一种基于部分充电曲线特征容量在线辨识和阿伦尼乌斯容量衰减模型融合的自适应容量估计方法。针对纯电动汽车极少存在完整充电的情况,提出一种基于恒流充电电压特征点的容量在线辨识方法。该方法先利用遗传算法对缩放平移后的充电曲线进行电压特征点优化,再通过监测有关这两个不动的电压特征点的恒流充电数据,在线辨识电池的当前容量。为进一步提高容量在线估计的精度,通过增量式PID算法来融合容量在线辨识值和阿伦尼乌斯模型,进行模型参数的闭环修正。最后,交变温度寿命实验结果表明,利用本文中提出的自适应估计方法,最大估计误差不超过2%。     

基于特征电压模型的锂离子电池容量估计与RUL预测

锂离子电池的容量与剩余使用寿命预测对提高其安全性具有重要的意义.该文提出一种基于改进粒子群滤波(PF)算法与特征电压关联模型的锂离子电池容量估计与剩余使用寿命预测方法.提取放电曲线中的特征电压,建立特征电压循环次数及特征电压容量2个关联模型;应用改进PF算法对2个关联模型的参数进行辨识,以实现容量的在线估计与剩余寿命的...     

基于容量增量曲线与充电容量差的电池组微短路诊断方法

目前还没有一种有效的手段针对处于前期演化阶段的锂离子电池微短路进行检测，为此本文提出了一种基于电池充电容量增量（IC）曲线和充电容量差（DCC）变化规律的微短路故障诊断方法。首先确立锂电池短路故障与充电容量增量的关系，利用小波变换对IC曲线进行降噪，得出在不同电流倍率和温度下IC曲线最高峰（ICPV）与电池荷电状态（SOC）唯一对应。然后提出利用充电容量差DCC描述存在内短路的故障电池与正常电池的SOC差异，并据此得出锂电池微短路的量化方法。最后通过仿真分析与实验验证表明，在不同工况下循环测试均可获得电池微短路的量化信息，且诊断最大误差均小于8.12%。     

基于安时法的锂离子电池SOC估计实时校正方法CSCD

为减少工业常用荷电状态(SOC)估计方法——安时法的累积误差,提出一种实时校正的锂离子电池SOC估计方法。在0~60℃,放电倍率1 C、2 C、3 C和0.33 C下,进行锂离子电池放电实验,测量了电压、电流、温度,建立了锂离子电池放电数据库。从该库获取上述放电温度、放电倍率范围,SOC值为20%、80%时的开路电压,以此两点引入一条关于电压与SOC的直线。以该直线上某点电压所对应SOC作为修正项,并引入修正因子α,来校正安时法所得剩余电量SOC估计值。与实验值对比,该SOC估计结果的误差小于4%,符合工业需求。     

基于PID神经网络的车用锂电池SOC估算

为了更精确估算车用锂电池荷电状态(SOC)值,采用PID神经网络方法建立电池模型,设定电池电压、放电电流、电池累计放电量和电池电极温度4个变量为模型输入量,电池剩余电量为模型输出量,由此得到了全部神经网络训练数据,并仿真估算出电池SOC值.仿真结果表明,利用该方法对电池SOC进行估算,误差小于3.66％,方法有效.     

基于自适应卡尔曼滤波的锂离子电池SOC估计

采用自适应卡尔曼滤波方法,基于锂离子动力电池的等效电路模型,在未知干扰噪声环境下,在线估计电动汽车锂离子动力电池荷电状态(SOC)。仿真结果表明,采用自适应卡尔曼滤波方法估计的SOC误差小于2.4%,有效降低了电动汽车行驶时电池管理系统所受到的未知干扰噪声影响,SOC估计精度高于扩展卡尔曼方法,且具有较好的鲁棒性。     

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%。     

汽车铅酸蓄电池SOC的实时估计方法

为应对汽车铅酸蓄电池荷电状态在线估计的需求,分析了现有SOC估计方法不足;在给出Thevenin电路模型基础上,结合铅酸电池的开路电压与SOC关系曲线,获得SOC估计线性化的输出方程,进而提出采一种基于卡尔曼滤波的铅酸电池SOC在线估计方法。通过卷绕式铅酸电池实验和计算结果表明,该算法能够实时估计电池SOC状态,最大误差小于5%,相比于传统的安时积分法更适合用于在线检测。     

基于SOC-OCV优化曲线与EKF的锂离子电池荷电状态全局估计

SOC-OCV曲线是锂离子电池状态估计的基础。针对传统HPPC测试法在非测试点不能描述电池非线性特性和小电流恒流放电法得到的OCV曲线精度不足等问题,提出一种基于粒子群优化算法的OCV曲线优化方法。该方法将小电流恒流放电得到的OCV曲线进行平移,以平移曲线在测试点与HPPC测试得到的OCV值之间的误差和最小为优化目标,对OCV曲线进行优化。然后,以优化OCV曲线为基础对2阶RC模型的模型参数进行辨识和模型端电压估计。结果表明:与HPPC法相比,基于优化OCV曲线的模型精度具有更高的全局精度,在低SOC区域的模型精度提高了一倍。最后,基于优化的OCV曲线和辨识的模型参数,设计扩展卡尔曼滤波算法对SOC进行全SOC区域估计。试验结果表明,基于优化OCV曲线和扩展卡尔曼滤波算法的SOC估计误差在全SOC区域上都能保持在2%以内。     

Thermal Model for Square Lithium-ion Battery Pack

首先通过最小二乘法对方形锂离子电池组中单体电池的比热容、流道材料的导热系数和自然冷却条件下的综合换热系数进行了估计;然后根据热边界层理论确定了强制冷却条件下电池冷却流道表面局部综合换热系数的计算式;最后根据电池组的结构特点和冷却方式,建立了电池组的一维瞬态传热模型.该模型能根据电池组当前的环境温度、运行负荷、冷却强度和初始荷电状态实时预测电池组中各单体电池的运行温度.在Arbin试验台架上测量了144V/8A·h方形锂离子电池组在不同运行工况下单体电池的温度分布,并与模型仿真结果进行了对比,结果表明模型仿真的最大误差不超过1℃,满足混合动力系统性能仿真和电池组管理策略优化的精度要求.     

基于容量修正的安时积分SOC估算方法研究

针对传统安时积分SOC估算法将电池容量视为定值而带来的误差,提出了带容量修正的安时积分法,它通过开路电压法确定电池组SOC初始值,再由电池组充放电试验得到不同倍率、库伦效率、温度等对电池容量的修正因子。仿真与试验结果表明,经改进的安时积分法可有效消除各种误差,估算结果精度较高,可用于SOC的实时估算或作为评价其它SOC估算策略的基准。     

充电模式下锂离子电池组主动均衡控制方法研究

目前电动汽车都会采用到驱动动力强劲的锂离子电池,在充电模式下保证锂电子电池组实现主动均衡控制,有效推进电动汽车电力系统良性发展,提升电汽车整体性能。文章中所探讨的是基于双向Buck-Boost拓扑结构的主电路主动均衡控制系统,它其中基于荷电状态SOC建立主要均衡判据,进而实现了对主动均衡控制策略的有效改进。简单研究了充电模式下的锂离子电池组主动均衡控制电路设计方法,锂离子电池组的SOC均衡控制策略,并对其设计控制方法仿真结果进行分析。     

基于随机加权自适应容积卡尔曼的电池SOC估计

准确估计锂离子电池荷电状态（SOC）对于突破电动汽车发展瓶颈，推动电动汽车商业化至关重要。针对动力电池模型参数辨识问题，提出基于遗忘因子的递推最小二乘法（FRLS）的模型参数在线识别方法。实时测量动力电池电流和电压数据，在线辨识模型参数并实时更新，实时反映电池内部参数的变化过程，对电池动态特性进行实时模拟。针对容积卡尔曼（CKF）滤波过程中对噪声敏感的问题，提出一种基于随机加权思想的自适应容积卡尔曼滤波（ARWCKF）方法。相比于常规CKF容积点权值始终不变，通过引入随机加权因子，自适应调整容积点权值并对系统噪声、状态向量及观测向量进行预测，抑制系统噪声对状态估计的干扰，避免因容积点权重值固定所带来的误差。针对CKF算法在容积点计算过程中由于状态方差矩阵失去正定性导致的平方根分解无法使用的问题，提出基于奇异值分解的容积点计算方法，克服由于先验协方差矩阵负定性变化而导致的滤波精度下降等问题，并进行多种工况、温度下不同SOC初值的对比验证。结果表明：所提出的基于遗忘因子的递推最小二乘法的在线参数辨识及ARWCKF滤波方法具备良好的估计精度及收敛能力，最大电压估计误差不超过40 mV，SOC估计误差不超过1%。     

基于云端放电数据的电池组一致性研究

为提升电池组放电数据使用价值，减少对电池组充电数据的依赖，改变放电数据因质量差、采集效率低等原因难以得到有效利用的现状，以云端放电数据为研究对象，提出一种动力电池组一致性评价方法。该方法筛选出电池组的有效放电循环数据片段，根据每一放电循环中的单体电压曲线绘制包络线，进而基于上下各数条包络线进行数学计算，最终拟合得到一条一次曲线，根据最终拟合一次曲线斜率大小对一致性进行定量评价。试验结果表明，对于不同一致性状况的电池组，该方法能合理对其评分；实车数据分析表明，该方法能有效运用于工程中。该方法为电池组一致性的评价提供一种新思路，在一定程度上实现放电数据的有效利用价值。     

基于老化仿真的电动汽车新型双源电池系统全生命周期成本研究

为了降低换电技术的实施难度和成本,提出一种采用"部分换电"思路的电动汽车新型双源电池系统。通过合适的控制策略,在保证动力平稳输出的情况下,调整电机功率以匹配主、副电池包的端电压,实现供电电池包的灵活切换。为探究双源电池系统的老化规律以及验证其在全生命周期成本上的优势,匹配"大主电池包+小副电池包"和"小主电池包+大副电池包"2种双源电池系统方案,设计具有代表性的城市、城郊和高速等行驶场景以及工作日、休息日的出行和充电方案;采用AutoLion-ST软件建立双源电池包和相同总容量的单个大电池包的电化学老化机理模型,嵌入到AVL/Cruise搭建整车仿真平台中进行联合仿真。研究结果表明:虽然所提出的双源电池系统相比单个大电池包在相同工况中的放电倍率和深度更大,导致老化速率略有加快,但由于双源电池系统中主、副电池包的利用率更高,其全寿命里程之和相比单个大电池包方案反而有17%以上的提升;结合电池梯次利用模型和近年来电池价格的统计结果对全生命周期成本进行计算,认为双源电池系统方案在保证换电运营商获得一定盈利空间的情况下,可以降低全生命周期总拥有成本。     

基于超声测量及神经网络的锂离子动力电池SOC估算

准确地估算电动汽车动力电池的荷电状态(State of Charge,SOC)对电动汽车的安全驾驶和及时充电至关重要。基于超声测量和神经网络提出一种动力电池SOC估算方法。该方法对动力电池施加一个超声波脉冲,超声信号经过电池后得到反馈脉冲波,并以反馈波形的峰峰值作为神经网络的输入来建立模型,从而对动力电池SOC进行估算。试验结果表明,对于放电以及充电过程,SOC估算误差都仅为1%。     

Implementation of discharging/charging current sensorless state-of-charge estimator reflecting cell-to-cell variations in lithium-ion series battery packs

This paper offers novel insights to the design and implementation of an innovative state-of-charge (SOC) estimator for the lithium-ion (Li-Ion) series battery pack. The most interesting feature of this approach is that it can utilize information from each filtered terminal voltage of the Li-Ion cells connected in series for SOC estimation of the battery pack. Without actual sensing each discharging/charging current (DCC) applied to the Li-Ion cells, it is possible to extract each DCC estimation from the corresponding filtered terminal voltages with an equivalent electrical circuit model (EECM) identification of all Li-Ion cells in the battery pack. There are two advantages to SOC estimation of the battery pack with this approach. First, the proposal can be implemented simply and effectively, reducing the computational steps required for SOC estimation. By reducing computational steps, the proposal is expected to be more cost-effective. Second, the approach guarantees an improved SOC performance, even if the battery pack results in inevitable cell-to-cell variation among Li-Ion cells. Accordingly, there are fewer differences to previously estimated DCCs among Li-Ion cells. Specifically, all values from the estimated DCCs are properly compensated for by simultaneous parameter modification according to each cell’s electrochemical characteristics. Experimental results clearly demonstrate that our DCC sensorless SOC estimator provides robust SOC performance for the battery pack. This approach considered an experimental battery pack (12S1P) connected in series using 2.6 Ah LiCoO2 cells produced by Samsung SDI.     

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。     

电动汽车蓄电池检测系统设计

文章设计了一款以STM32为核心的电动汽车蓄电池检测系统。采用安时积分法估算SOC值,通过均衡控制电路使各单体电池的充放电电压趋于一致。调试和实验结果表明,各单体电池间电压均衡,有效提升了电池的使用效率与寿命。     

磷酸铁锂电池SOC估算的研究

磷酸铁锂电池SOC的估算对电池组的寿命有着重要影响。在完成电池特性实验基础上提出一种能够准确估算磷酸铁锂电池SOC的方法--以Ah计量法为基础,利用开路电压法减小Ah计量法的累计误差。仿真结果表明,所提方法比传统Ah计量法具有更高的精度。