电动汽车用锂离子电池SOC估算方法综述

综述了锂离子电池荷电状态(state of charge,SOC)估算方法的研究进展.作为电动汽车电池管理中的重要指标,SOC表征了电池在当前循环中剩余的电量.准确的SOC估算可有效地避免电池工作于过低电量等不良工况,保证电池始终运行在安全的状态中,从而有效提高电池使用的效率和延长使用寿命.介绍并比较了几种常用的SOC估算方法:安时积分法最为简单,但由于其是开环估算系统,无法对估计误差进行修正;开路电压法可以根据开路电压与SOC之间的对应关系实现查表式估算,然而由于需要长时间静置来获取稳定的电压值,不适用于在线估算;卡尔曼滤波族方法是前两种方法的结合,可依靠系统观测值的误差对状态估计值进行及时修正,搭配适合的电池模型可获得较高的估算精度且适用于在线估算;数据驱动的方法则需要长期性的历史数据进行数据库的建立.本文总结了每种SOC估算方法的优缺点以及改进的方案.基于以上分析,结合SOC估算算法在工程实际中应用的局限与面对的挑战,对锂离子电池SOC在线估算的发展做出了展望.     

电池管理系统算法综述

锂离子电池由于其高能量密度和使用寿命长等优点成为储能的首选,锂离子电池系统的安全运行、状态估算、剩余寿命预测都由电池管理系统(BMS)管理,故BMS对电池系统的使用和稳定至关重要.主要关注以动力电池为代表的电池系统,综述了数据驱动方法的各种算法在BMS系统的应用.概述了BMS电模型的电化学模型、等效电路模型、数据驱动模型的特点,热建模的电模型、热模型、热-电耦合、热-电化学耦合模型的应用范畴.介绍了卡尔曼滤波、神经网络、向量机在SOC估计的应用,粒子群算法、HI-DD-AdaBoost.RT(不等式漂移检测自适应增强学习/阈值回归算法)、卡尔曼滤波在SOH估计的应用剩余寿命预测方面,介绍了经验预测、滤波预测、时间序列预测法.