矿用防爆柴油机车锂离子蓄电池启动电源系统设计

针对GB 3836.2—2010规定隔爆壳内不能使用有可燃混合物析出的蓄电池的要求,将多个单体锂离子蓄电池串联成组,设计了一套矿用防爆柴油机车锂离子蓄电池启动电源系统;分析了系统的设计要求和结构,详细介绍了系统中电池管理功能的实现。电池管理系统采用LTC6803配合单片机实现对电池组的单体电池电压检测和均衡控制,利用DS18B20温度传感器采集单体电池温度,运用双电流霍尔传感器采集电池组启动电流和充电电流。测试结果表明,该系统运行稳定,电压和电流测量误差远小于煤矿安全标准的规定值。     

LTC6803-4在超级电容器组管理系统中的应用

针对超级电容器在串联使用过程中存在的单体电压差异大而导致超级电容器组的储能效率降低和加速老化的问题,提出了一种应用电池组监控芯片LTC6803-4的超级电容器组管理系统,实现超级电容器组的单体电压、温度监测和电压均衡等功能。实验结果表明,该方法检测精度高,速度快,功耗低,可对串联超级电容器组进行有效的监控和管理。     

矿用大容量磷酸铁锂电池管理系统设计

为了保证矿用磷酸铁锂电池的安全性,结合煤矿工业实际需求,设计了8节单体60A·h磷酸铁锂电池串联、24V额定电压输出的矿用电池管理系统。该系统将微处理器配合集成芯片LTC6803组成电池保护模块,利用安时法估算电池组电量,采用电阻分流型均衡技术改善电池组性能。现场应用结果表明,该系统运行稳定可靠,保证了矿用磷酸铁锂电池的安全高效性。     

矿用大容量磷酸铁锂电池管理系统设计

为了保证矿用磷酸铁锂电池的安全性,结合煤矿工业实际需求,设计了8节单体60A·h磷酸铁锂电池串联、24V额定电压输出的矿用电池管理系统。该系统将微处理器配合集成芯片LTC6803组成电池保护模块,利用安时法估算电池组电量,采用电阻分流型均衡技术改善电池组性能。现场应用结果表明,该系统运行稳定可靠,保证了矿用磷酸铁锂电池的安全高效性。     

可充电式混合动力汽车电池管理系统设计

电池是可充电式混合动力汽车的关键部分,因此对电池进行有效的监控与管理非常有必要.系统基于Linear Technology公司的LTC6803-2电池管理芯片和TI公司的DSP TMS320F2812,完成电池组的管理与监测.F2812芯片通过SPI接口对LTC6803-2芯片进行了通信与控制,并且通过CAN总线将采集到的电池电压、电流、温度等信息传送至整车控制器,并且实时监测保护电池组.系统通过在Matlab/Simulink中建立模型,并通过Embedded IDE Link生成代码对程序进行了设计,该系统的电池电压测试结果误差在0.01 V以内,满足精度要求.     

LTC6803-4并联级联技术在BMS电压采集中的应用

为满足电压采集的实时性和精确性要求,近年来许多公司相继推出用于电池组单体电压测量的专用芯片,为工程上对电池组电压的测量技术提出了新的思路。超过单片专用芯片所能检测最大电池数时,需要对芯片进行级联来实现电压监测。本文重点介绍LINEAR公司的电池监测专用芯片LTC6803-4并联级联独立寻址技术在多串锂离子电池管理系统电压监测中的应用。     

电池组双向无损均衡充放电模块的设计

由于串联电池组充电时的不均衡,导致电池循环寿命缩短,均衡充电成为了串联电池组充电技术中重要的考虑因素。为改善串联电池组充电时的不平衡,应保证电池组中所有电池的电压都处在同一水平状态。本文设计一种用单片机控制的双向无损均衡充、放电模块,并通过实验验证了该模块的效果。     

带电池管理系统的矿用不间断电源

矿用不间断电源是为矿井监测和通信系统供电的重要设备。介绍了一种带电池管理系统的矿用不间断电源设计方案。采用集成开关稳压器LM2576构成DC/DC稳压电路,实现多路稳压输出。以20节镍氢电池组作为后备电池,并采用低功耗16位单片机MSP430F149和电池组监控管理芯片LTC6803-3实现了电池组状态监控与管理功能,使电池组保持电压均衡,同时将采集的单体电压、电流、温度等信息显示在LCD12864上。测试结果表明,设计的矿用不间断电源达到了系统要求的各项参数指标。该电源结构简单,电池管理功能全面,运行安全可靠,具有重要的实用意义和推广价值。     

基于SOC的串联锂离子电池组均衡策略研究

由于一致性问题的存在,成组电池在可用容量、使用寿命等方面远不及单体电池,电池组的均衡管理对电池的成组使用者有着重要的实际意义.论文就针对锂离子串联电池组的均衡技术进行了研究,首先介绍了电池组一致性问题产生的原因,指出均衡管理的重要意义,分析了锂离子电池组SOC的一致性和基于SOC的均衡策略,详细阐述了基于SOC的均衡技术实现,最终搭建实验平台进行测试,验证了所使用的均衡策略和硬件电路的有效性.     

串联锂离子电池组均衡充电方法研究

目前,制约电动汽车发展的关键难题就是串联锂离子电池组电压不均衡问题,为了提高串联锂离子电池组在充电过程中的电压一致性,设计了一种基于Buck斩波电路的串联锂离子电池组均衡充电电路.基于锂离子电池的特点对系统总体设计进行阐述,提出一种改进的能量转移型均衡电路.阐明了该电路的工作原理,给出了均衡充电电路的控制策略.实验结果表明,该均衡电路可以使单体电池电压在充电过程中得到均衡,改善电池组的充电特性,实现较好的均衡效果.     

基于LTC6803-4的电池管理系统信号采集技术研究

为延长储能系统电池使用寿命和降低电池使用成本,开发了基于LTC6803-4的电池信号采集单元.采用LTC6803-4解决了电池管理系统中电压信号采集电路复杂的问题,独立电源给芯片供电能够实现掉电情况下的电池状态监控,而可扩展的电路结构实现了温度信号的采集,并借助双重霍尔电流传感器实现了电流信号的精确采集,标准电池包的数据通过CAN总线传输到集中控制单元进行数据处理.从硬件结构和软件编程两方面做了详细讨论,性能测试表明,电池管理系统信号采集单元性能稳定,精度高,能够为电池均衡、荷电状态估算和集中监控提供精确数据,完全能够满足实际需要.     

LTC6802在电池管理系统中的应用

介绍了长串电池组监测芯片LTC6802的功能特点和访问方法。并结合其在电动汽车电池管理系统中的应用给出了由S12微控器与LTC6802组成的电压监测系统的硬件与软件设计方法。     

结合Thevenin和PNGV模型的电池等效电路建模改进

为了对电池管理系统(BMS)中极为重要的一个参数——电池荷电状态(SOC)进行准确估算,选择更加精确并适合锂电池的等效电路模型,对比和分析了Thevenin模型和改进型PNGV模型在模拟锂电池的动静态工作特征方面的精度和具体误差产生原因,并提出了进一步改进的方向和建议.首先,对锂电池进行混合脉冲功率特性(HPPC)试验...     

锂离子电池剩余寿命预测方法研究综述

电池故障预测和健康管理(Prediction and Health Management, PHM)评价的主要方法是确定电池的健康状态和剩余使用寿命(Remaining Useful Life, RUL),以此保证锂离子电池安全可靠地工作和实现寿命优化。锂电池RUL预测不仅是PHM中的热点问题和挑战问题,其预测方法的准确性也会直接影响电池管理系统(Battery Management System, BMS)的整体性能。介绍了单体电芯测评标准,对影响锂电池循环寿命的主要因素进行详细分析。简述电池日历寿命和循环寿命。概括和总结了近几年锂离子电池剩余寿命预测方法,比较不同方法的优缺点。提出了当前实际应用中预测锂电池RUL仍存在的关键问题并进行探讨。     

100W质子膜燃料电池应急供电系统

提出一种基于质子膜燃料电池(PEMFC)和锂电池的混合联供的应急供电系统。该系统由PEM燃料电池电堆、锂电池、控制系统、氢气储存及管路系统组成,控制系统利用模糊控制算法将锂电池的SOC、负载大小以及燃料经济性及PEMFC的最佳状态作为输入变量,将锂电池和燃料电池的输出功率配比作为输出,使应急供电系统的输出各部件工作于最佳状态。研制了样机,并应用于野外应急情况。实际测试和应用表明,系统各项指标满足战术技术要求,是抢险救灾应付突发事件的理想应急供电装备。     

Estimation of Battery State of Health Using Back Propagation Neural Network

100 pieces of 26650-type Lithium iron phosphate（LiFePO4） batteries cycled with a fixed charge and discharge rate are tested, and the influence of the battery internal resistance and the instantaneous voltage drop at the start of discharge on the state of health（SOH） is discussed. A back propagation（BP） neural network model using additional momentum is built up to estimate the state of health of Li-ion batteries. The additional 10 pieces are used to verify the feasibility of the proposed method. The results show that the neural network prediction model have a higher accuracy and can be embedded into battery management system（BMS） to estimate SOH of LiFePO4 Li-ion batteries.     

基于BMS与云平台的动力电池健康管理体系

为解决电动汽车现有BMS系统对锂离子动力电池SOH评估与预测难以满足多种工况条件、各种类动力电池,且难同时兼顾预测精度与反馈速度等应用缺陷,提出了一套全新的EVs电池健康管理系统设计思路,采用了结合云计算与存储平台,融入BMS评估体系等关键方法；通过BMS增加5G通讯模块,利用5G/4G信号实时上传电芯数据,经过云平台搭载的多种SOH评估模型与算法,多线程在线计算得到预测结果,及时反馈至用户端和BMS,实现电池健康管理；该体系的设计案例展示出较好的未来应用价值,为电动汽车电池管理设计提供了新方向。     

基于改进神经网络算法的医疗锂电池PHM系统设计

针对医疗电子设备锂电池不确定性发生故障耽误病人救治的问题,提出了一套医疗电子设备锂电池故障预测与健康管理系统(Prognostics and Health Management-PHM);搭建了一套医疗电子设备锂电池数据测试与退化状态模拟的实验平台;为了反映医疗电子设备锂电池健康状态,将锂电池四个健康因子作为医疗电子设备锂电池退化状态的特征进行提取,并通过非线性自回归(Nonlinear Autogressive with Exogenous Inputs-NARX)神经网络,对四个健康因子的数据进行训练,训练后用于容量估计,得出等间隔放电时间序列能够较好地表征锂电池健康状态;为了提高基本粒子滤波算法(Particle Filter-PF)的精度从而更精确地预测锂电池剩余寿命(Remaing Useful Life-RUL),通过人工免疫粒子滤波算法(Artificial Immune Particle FilterAIPF)与经验模型对锂电池进行剩余寿命预测,并将PF预测的结果与AIPF预测的结果进行对比,发现AIPF预测更加准确,说明AIPF有效抑制了PF重采样过程中粒子退化问题,验证了医疗电子设备锂电池故障预测与健康管理系统的可行性与可实施性。