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...     

基于主动混合脉冲充电策略的电动汽车充电设施主动防护系统研究

提出一种基于主动混合脉冲式充电策略(AHPC)的电动汽车充电设施主动防护系统。在对电动汽车动力电池进行等效电路模型分析的基础上,提出一种主动混合脉冲式充电策略,精准计算充电过程中的状态参数,并建立精细化充电设施故障指标体系,对充电设施进行故障防护。主动防护系统试运行结果表明,该系统锂电池内阻估算误差小于3.5%,开路电压估计误差小于0.3%,并可实时监控充电状态,为电动汽车电池的安全防护和寿命预测提供依据。     

一种改进的安时—开路电压估算SOC的方法

精确估算动力电池的荷电状态(State of Charge,SOC)是发展电动汽车技术的关键。SOC值很难直接测出,只能通过与电池有关的温度、电流和电压等因素间接估算。文中提出了一种安时法和开路电压法结合的方法,对算法影响SOC估算的各个因素进行了补偿修正,并用Simulink建模仿真,对比仿真结果与试验结果,证明了该方法的准确性。     

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。     

基于模型融合与自适应无迹卡尔曼滤波算法的锂离子电池SOC估计

为提高电动汽车动力电池SOC的估计精度,本文中对锂离子电池模型与参数辨识算法、自适应无迹卡尔曼滤波(AUKF)算法和基于电池模型融合的SOC估计算法进行研究。建立了具有明确物理意义的电池电路模型,采用基于遗传算法(GA)的模型参数辨识算法,设计了基于AUKF的电池SOC估计方法,并基于贝叶斯信息准则,提出了电池模型融合方法,实现了基于模型融合与AUKF的电池SOC估计。仿真结果验证了该方法具有较高的精度。     

《中国公路学报》"动力电池系统关键技术"专栏导语

发展以电动汽车为代表的新能源汽车产业已成为我国实现能源结构转型和汽车产业升级的重要手段。动力电池系统是新能源汽车的核心部件,直接影响新能源汽车的续驶里程、动力性、经济性和安全性。动力电池系统关键技术主要包括系统建模、参数估计、状态估计、健康管理、热管理.、安全管理与充电控制等方面,其研究与突破对提升新能源汽车安全性、可靠性、有用性和可维护性,进而对支撑我国交通强国建设具有重要而深远的意义。
近年来,众多学者和科研人员在动力电池系统关键技术方面开展了大量创新研究工作,取得了一.批具有代表性的研究成果。为全面展示动力电池系统关键技术领域的最新研究进展,广泛开展学术交流和探讨,《中国公路学报》编辑部邀请重庆大学胡晓松教授、上海交通大学张希教授、长安大学赵轩教授、北京科技大学徐晓明教授、北京理工大学张雷研究员作为专刊组稿负责人,共同向该领域知名专家、学者公开征稿,出版本期"动力电池系统关键技术"专栏。本专栏共收到理论..方法、系统设计、仿真测试、试验研究等论文投稿约50篇,最终录用9篇。研究内容主要集中于以下几方面:
(1)动力电池系统优化设计。主要内容包括: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。该研究提出一种采用"部分换电"思路的电动汽车新型双源电池系统,系统中主、副电池包可分时独立地为车辆提供电能。
(2)数据驱动的动力电池系统模型构建与状态估计方法。主要内容包括:基于剩余充电电量的锂离子电池组容量快速估计、基于改进容量增量分析法的锂电池可用容量估计、基于优化高斯过程回归算法的锂离子电池可用容量估算、电动公交在途特性的电池状态梯次划分等。
(3)动力电池热管理控制策略。主要内容包括:车载动力电池液体冷却非线性优化。该研究提出一种包括稳态调节、前馈预测、误差反馈等环节的非线性冷却优化方法,可以提高系统抵抗电流扰动的能力,降低系统冷却能耗。
(4)动力电池快速充电控制技术。主要内容包括:基于SOC自适应分阶的动力锂电池两步优化快速充电。该研究针对电动汽车多阶段恒流充电优化问题,提出了两步优化充电策略,有望实现充电时间和充电损失的平衡优化。
(5)动力电池系统失效机理与故障诊断技术。主要内容包括:锂离子电池碳负极扩散应力与微观结构失效机理、基于电压频域特征和异常系数的动力电池故障诊断等。
动力电池系统关键技术的相关理论、方法与应用研究,将为我国新能源汽车产业发展提供重要的理论和技术支撑。《中国公路学报》将持续关注该领域的国内外最新研究进展,更好地为学界和工业界专业人员提供学习和交流平台,促进我国新能源汽车产业的高质量快速发展。     

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。     

考虑迟滞特性的卡尔曼滤波和门控循环单元神经网络的锂离子电池SOC联合估计

由于迟滞特性的存在，电池管理系统难以准确获得开路电压（OCV）与荷电状态（SOC）之间的状态关系。为有效地运行和管理动力电池，本文研究了考虑迟滞特性的锂离子电池模型，选用带有遗忘因子的递推最小二乘法进行参数在线辨识。提出了一种联合门控循环单元（GRU）神经网络和自适应扩展卡尔曼滤波（AEKF）的SOC估计，分别以AEKF和GRU神经网络的估计结果为模型值和测量值，通过卡尔曼滤波（KF）得到最终的SOC估计结果，并作为下一时刻AEKF的输入。结果表明，常温环境下考虑迟滞特性的模型对端电压预测及联合估计法对SOC估计的均方根误差（RMSE）分别在0.5 mV和0.64%以内；低温及变温环境下端电压预测及SOC估计的RMSE分别在0.9 mV和0.72%以内。考虑迟滞特性的模型及联合估计法具有良好的精度和鲁棒性。     

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%。     

基于剩余充电电量的锂离子电池组容量快速估计方法

针对传统锂离子电池组容量确定方法存在的效率低、能耗高且只能离线应用等问题,提出一种基于电池剩余充电电量的锂离子电池组容量快速估计方法。首先,基于充电电压曲线一致性原理,以电池组内率先充电至充电截止电压的电池单体电压曲线为基准,通过电压曲线的平移缩放与线性插值计算出各单体电池的剩余充电电量与剩余充电时间,从而实现各单体电池的荷电状态(State of Charge, SOC)在线估计,在此基础上实现电池组容量的快速估计。其次,在电池单体模型的基础上建立电池组的仿真模型,并在全SOC区域上对模型参数进行分段辨识。通过所建立的仿真模型得到电池组的充放电曲线,并对电池组容量进行估计。最后,对4个单体串联而成的电池组进行充电试验。研究结果表明:仿真容量与估计容量误差为1.2%以内,验证了所提出的容量快速估计算法的有效性;利用所提方法估计出电池组容量与试验得到的电池组容量的误差为2.61%;该方法根据电池充电曲线的平移与缩放即可在线估计出电池组容量,可应用于新电池组容量的在线快速估计,能在保证3%估计误差的基础上将检测效率提高到传统方法的2倍以上。     

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。     

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。     

车载锂离子电池组的充电技术与均衡管理方法研究综述

电动汽车快速和智能充电是未来的发展趋势。本文介绍了多段恒流充电、超大电流尖峰脉冲充电、变脉宽正负脉冲充电等充电方法,对电池的SOC值、内阻、析气和析锂极值点等参数实时精确获取,从而实现电池的无损伤最大电流充电;本文还介绍了双向反激式主动均衡、利用(DC-DC)变换器式和变压器式结合的两级均衡等均衡策略,实现了电池单体的快速均衡管理。     

动力锂电池SOC估算方法综述

由于动力电池内部状态不可以直接测量,只能通过内阻、电流等参数来估计,所以状态估计是电池管理与控制中的重点和难点。准确估计电池的SOC(State of charge)不仅可以节约成本,还对电池的使用寿命有延长的功效,具有重要现实意义。本文对动力锂电池SOC估算方法进行综述,首先从SOC的定义入手,其次分析了影响SOC估算的因素,重点比较了常用的SOC估算方法,分析了各方法的优缺点,最后对其进行了总结。     

动力电池SOC动态修正方法浅析

某纯电动汽车在电池温度变化较大情况下,若采用传统单体开路电压法估算SOC会引起SOC跳变、修正过缓、过陡问题,本文针对此现象,提出一种基于动力电池应用的SOC区间动态曲线修正方法。根据电池充放电状态确定目标SOC并计算跟随斜率,安时积分计算时利用跟随斜率加以修正并实时控制,动态修正,能有效解决SOC跳变、修正过缓、过陡问题。     

锂离子电池可逆与不可逆生热特性研究

以商用圆柱形18650电池为研究对象,利用Bernardi简化生热模型,综合考虑了电池单体在不同温度、不同荷电状态（SOC）下的实际生热情况,通过混合脉冲功率性能放电测试（HPPC）和开路电压测试,拟合得到电池单体生热、直流内阻与SOC、温度的函数关系。结果表明,电池单体的生热与温度、SOC有很大关联,建立的单体生热模型可为动力电池包热管理的模拟和优化提供参考。     

电动汽车用动力电池SOC估算方法概述

准确估算电池的荷电状态（SOC）可以防止电池过充、放电,从而充分发挥电池的工作性能,有效延长电池的使用寿命.针对电动汽车用动力电池,首先对国内外有关SOC估算方法进行了分类,将其划分为安时积分法、开路电压法、神经网络、卡尔曼滤波等,并分析了各种方法的优缺点及改进算法.最后总结并展望了SOC估算方法的发展趋势,针对性地提出了改进思路,为开展精度高、实用性强的SOC估算方法研究提供借鉴.     

三元锂离子动力电池过充行为特性实验研究

本文中以电动车用额定容量为30 A·h的三元软包LiNi_(0.6)Co_(0.2)Mn_(0.2)O_2(NCM622)锂离子动力电池单体为研究对象,研究其在不同充电倍率条件下的行为特性。结果表明,锂离子电池过充过程可分为4个阶段;电池表面最高温度位置不是固定不变的;在大部分测试时间内,最大温差(MTD)都小于1℃;充电倍率对锂离子电池过充行为特性影响较大,随着充电倍率的增加,热失控最高温度和峰值电压升高,而过充测试时间和测试结束时的荷电状态(SOC)随着充电倍率的升高而降低。本研究为富镍锂离子动力电池的安全性设计和电池管理系统(BMS)对过充故障的安全管理提供了参考。     

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。