电动汽车动力锂电池状态估计综述

电池状态估计是电池管理系统的核心技术，对保证电池安全可靠的使用、充分发挥电池的能力、延长使用寿命起着至关重要的作用。电池模型是状态估计技术的基础，极大地影响着状态估计的精度和时效。为此，对最常用的电池建模和状态估计方法进行了梳理和总结。首先，对电池模型及其建模方法进行系统概述，主要包括电学特性模型、热模型、电热耦合模型以及老化模型。然后通过对文献的归纳分析，从剩余容量、功能估计、功率预测、健康评估、温度监测和安全保障等角度，对电池荷电状态、健康状态、能量状态、功能状态、功率状态、温度状态和安全状态等估计方法进行了较为全面的阐述。最后，对未来电池状态估计的研究方向和趋势进行展望。研究结果可为电动汽车动力锂电池状态估计朝着先进化、智能化发展提供参考。     

车用锂离子电池的SOC估算方法研究现状

SOC(State of charge),即电池的荷电状态,它描述的是电池的剩余容量,其数值上表示为电池剩余的荷电量占电池总电量的比值,常用百分数表示。它是电池状态的一个关键指标,SOC的准确估算可以有效的提高电池使用效率,延长电池的使用寿命。荷电状态不能通过直接测量获得,而是需要其它方式来估算。本文对车用锂离子电池SOC估算方法进行了简单的描述,分析了不同方法的优缺点,最后进行了总结。     

电动汽车锂离子电池荷电状态估算方法研究

电动汽车动力锂电池内部充电状态的评估是电池管理系统状态评估模块的核心。不能用仪器直接测量,只能通过测量蓄电池的外部电流、电压等参数进行评估。准确评估充电状态对于控制电池寿命、功率和安全性非常重要。根据算法的不同,分为传统的开路电压法、电流积分法、基于数据传输的机器学习阻抗法、基于模型的卡尔曼滤波算法、粒子滤波算法和融合算法。介绍不同评估算法的计算原理,分析比较了不同评估算法的计算复杂度和精度。针对当前锂离子电池充电评估研究中存在的问题,指出锂离子电池充电评估的研究方向和未来发展方向是更具通用性、更高精度和更好实时性的多种评估方法。     

铅酸电池单体充电电动自行车问世

南京金城电动科技发展有限公司近日推出铅酸电池单体充电电动自行车。该产品采用数字扫描定位充放电技术，改变了传统电动自行车电源系统、充电系统与放电系统的工作模式，使该车串联电池组的每个单体电压在系统的数字扫描定位的监控下始终处于强制平衡状态，整车电动机、电池、控制器和充电器处于最佳匹配状态。它的优点在于充电器可对整组电池进行单体检测、充电、保养及修复，电池从此不需配组，配合金城专用的纳米离子电池可延长使用寿命至2年。     

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。     

电动汽车电池管理系统电池状态估算及均衡技术

文章根据纯电动汽车和混合动力汽车的工作情况,归纳提出了电池管理系统（BMS）的核心功能和拓扑结构,对电池状态估算、电池监测系统和电池均衡系统等做了新的解析,简要的解释了电池常见故障原因以及预防措施等。     

纯电动客车顶置电池罩盖内隔热材料对动力电池温度性能的影响

本文针对纯电动客车顶置电池状态，分别测试电池罩盖加装隔热材料和不加装隔热材料2种状态下，车辆在38℃环境下，开启空调制冷匀速40km/h的工况下，在环境舱内验证电池罩盖内有无隔热材料对于顶置电池的影响。结果表明无隔热材料状态相比有隔热材料状态下的动力电池温升高8℃。     

电动汽车电池散热分析

通过对电池散热过程的CFD模拟,分析了电池散热结构的流场状态、压力场和温度场,分析了压力场和温度场不均匀的影响因素,同时通过仿真模拟可以很好地预测电池温度的发展趋势,为电池箱的设计提供理论依据。     

基于决策树的异常电池分类方法

提出了一种基于决策树算法的异常电池精准定位和分类方法，帮助人们在电池维修或更换时能够迅速确定故障单体的位置和类型，从而实施准确的维修更换方法，提高故障处理的效率。搭建电池仿真模型获取异常电池的充放电循环数据；以电压数据为基础，训练用于异常电池分类的决策树算法，使用试验数据和云端实车数据对构建的模型进行验证。验证结果表明，该方法能够准确判断异常电池单体在电池组中的位置和异常类型。在不同验证数据上，该方法的分类准确率高达98%以上，能够有效筛选出动力电池组中的异常电池。该结果说明了提出的决策树算法在动力电池异常分类中的有效性和准确性。     

动态条件下基于深度学习的锂电池容量估计

锂离子电池在老化过程中，其内部呈现非线性的复杂变化，因此直接使用动态条件下的锂离子电池运行时段的数据（电流、电压和温度）进行电池健康状态的实时估计是一个具有挑战性的问题。本文中选取锂离子电池随机充放电数据，对动态数据的部分片段进行时频特征提取，组成时频特征矩阵作为输入，构建级联式卷积神经网络和门控循环单元容量估计模型，对输入数据进行内在特征提取，并进一步挖掘各时间序列中的相关特征，实现锂离子电池动态条件下的容量估计。利用美国航空航天局锂离子电池随机使用数据集进行实验验证的结果表明，该方法能在仅已知电池的额定容量的情况下，准确完成锂离子电池容量估计。最后，本文还分析了模型超参数设置、原始数据时序长度、网络输入和模型结构对容量估计精度的影响。     

国内锂动力电池的发展以及在电动车领域的应用 中国科学院物理研究所黄学杰研究员演讲（摘要）

锂离子电池自上世纪90年代起应用范围越来越广，从手机、笔记本电脑、数码相机、摄像机到电动自行车和电动汽车等。一个新的电池品种，能在短短1O多年间，其应用范围扩展地如此之快，必然有其独特之处。从相关的数据来看，锂离子电池在充电电池这一领域的应用仅次于铅酸电池，2003年锂离子电池的市场份额已超过镍氢和镍镉电池，     

电动汽车蓄电池组电池管理及其状态检测

电动汽车蓄电池组的工作状态主要指各电池在工作时的端电压、工作电流和温度3个参数的变化情况。对电池工作状态的检测通常有集中式检测法和分布式检测法,采用“部分”集中、“整体”分布的思路,将电池分成若干分组,每个分组集中检测,各分组分布检测,同时,采用“桥电容”技术解决了蓄电池组单体端电压检测中存在的参考点选择和被测电池与检测设备隔离的问题,形成了一种具有完全隔离功能的集中／分布式检测法。经过试验,该检测法电压、电流和温度采集功能正常,数据准确、可靠。     

融合经验老化模型和机理模型的电动汽车锂离子电池寿命预测方法研究

为提升实际应用中锂离子动力电池寿命预测精度，本文中提出一种融合经验老化模型和电池机理模型的电池寿命预测方法。该方法以基于经验老化模型SOH预测值作为卡尔曼算法的先验估计，以基于机理模型估计电池未来容量衰减量进而预测得到的SOH作为卡尔曼算法的后验修正，从而实现对锂离子电池寿命的准确预测。基于电芯试验数据的动力电池寿命预测算法验证结果表明，锂离子动力电池剩余寿命预测误差≤5.83%、基于实车数据的锂离子动力电池的剩余寿命预测误差≤8.12%，取得了良好的预测效果，丰富了锂离子动力电池寿命预测的方法。     

电动汽车用锂离子电池组充电方法

提出了电池管理系统和充电机协调配合的一种新型充电模式,由电池管理系统根据电池的当前状态计算电池组的最大允许充电电流,并将该数据实时地传送到充电机,控制充电机改变充电策略和输出电流,实现优化充电.分析了影响电池充电电流的因素及其最大允许充电电流的计算方法.     

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。     

电动汽车电池管理系统设计与研究

本文以三元锂电池为试验对象,设计了一款分布式电池管理系统,该系统可实现对单体电压、温度、总压和总电流等信息的实时采集,计算电池的荷电状态(SOC)和绝缘电阻,根据电池和整车状态控制电池高压的输出,最后,对该系统进行了功能试验,验证BMS各项功能可正常实现。     

2010年首发福特全顺Connect电动车

这将是一款电池驱动的厢式货车。从某种意义上说，它填补了美国商用车市场的一项空白。在土耳其生产的标准汽油型的基础上，福特计划于2010年的下半年推出两款全电动变型。入门型配置六十英里锂离子电池，并有一百英里选装。     

基于混合高斯-隐马尔可夫模型的动力电池实时热失控检测

随着电动汽车在我国的发展，动力电池的安全性能成为评价电动汽车综合产品力的重要指标，其中动力电池热失控的检测对乘车人员的安全至关重要。针对传统热失控检测方法在实际应用中难以准确做出判断的问题，从电池传感器直接观测的电压、电流、时间等参数中提取状态特征向量，使用混合高斯模型对特征进行最优化筛选。分别对动力电池不同的安全状态评估其混合概率分布，通过BW方法建立隐马尔可夫模型，利用维特比算法对当前观测序列计算相似概率来判断当前电池的健康状况。实验结果表明，隐马尔可夫模型对动力电池热失控的识别较常见时序检测方法更为准确，可以实现在无需电化学仪器检测的前提下达到初步热失控风险检测的目的，提升安全检测效率，降低检测成本。     

基于数据驱动的电动汽车电池安全风险预测

为了对电池安全风险进行准确预测，本文提出基于一种车-天气-驾驶员的多指标电池安全风险预测方法。首先提取车内外多维度信息即运用数据挖掘提取了天气状况、汽车行驶工况和驾驶风格等多指标特征，以模拟实际的电池应用场景；然后通过随机森林和SHAP组合模型的方式对特征进行筛选，从而提高了模型的泛化性和鲁棒性；最后将电池安全风险预测问题解耦为机器学习预测和时间序列预测问题，分别选择XGBoost和随机森林模型进行预测，并在此基础上建立新的Stacking集成模型对电池安全风险进行预测。最终模型的预测效果和数据实验的结果表明，该方案对电动汽车电池安全风险能做出较为准确的预测，可以为安全化、智能化的电池管理系统提供辅助决策信息。     

考虑电动公交在途特性的电池状态梯次划分

电动公交电池容量衰减造成里程焦虑增加、服务可靠性降低、电池资源浪费等问题。因此,评估和发现电动公交实际运营过程中影响电池健康状态的关键因素并划分电池状态尤为重要。基于电动公交长时间实际行驶过程中的充放电数据,结合安时积分法与最小二乘拟合建立电池容量估计模型,并据此计算各充放电片段的电池健康状态。进一步考虑电动公交在途特性,从电池组充放电属性、车辆行驶工况、公交营运状态3个角度提取可能影响电池健康状态的相关因素,并采用因子分析法将影响因素组合为12个影响因子,使用随机森林回归构建电池健康状态预测模型,从而根据预测结果的准确性反推获得各影响因子的重要度。最后考虑不同影响因素的重要度,利用加权聚类算法梯次划分电动公交电池健康状态为4个类别,下降梯度分别为-0.013 6、-0.011 9、-0.003 4、-0.002 8,并通过对比研究发现了同一条线路不同梯次的车辆电池组在放电深度、速度标准差、最大加速度和刹车次数等影响因素上的差异。研究结果表明:车辆荷载、电池电流释放情况、车辆行驶中速度的变化、电池的使用时间、线路拥挤状况以及电池充电深度大小对于电池健康状态的影响程度较大,而在公交营运状态相同条件下,驾驶人的行为对电池健康状态衰减程度有着较大影响。