HEV车用动力电池管理系统SOC估算策略研究

锂离子动力电池的荷电状态(SOC)估算是BMS的主要功能之一,但受动力电池的非线性特性、恶劣的运行环境和动态转换频繁等因素制约,精确估算SOC成为控制模型开发的主要技术难点之一。首先针对锂离子动力电池的内在电特性,提出采用修正的一阶RC等效电路模型对其进行模拟;确定动力电池的极化内阻R_p、极化电容C_p、充电内阻R_c、放电内阻R_d等为关键参数;通过实验初步验证模型参数,为实现更加精准的动力电池模型奠定了理论基础,并具有较强的实用价值。在此基础上,结合常用SOC估算方法,针对锂离子动力电池,建立一种以卡尔曼滤波为主,结合开路电压修正、安时积分法的SOC估算策略。台架初步试验结果表明,SOC估算精度可以达到3%以内。     

基于扩展卡尔曼滤波的车用锂离子电池SOC估算

锂离子电池荷电状态(SOC)作为电池重要的内部参数之一,为电池管理系统(BMS)功能实现提供了重要依据。车用锂离子电池为典型的非线性系统,使用锂离子电池时的过充电、过放电、瞬间大电流以及温度等因素都会让电池特性发生不可逆转的变化。以卡尔曼滤波为理论基础,结合复合电池模型,提出基于扩展卡曼滤波的锂离子电池SOC估算方法,添加与电池温度有关的容量校正模型以及和库仑效率有关的电流效率模型,实现对SOC估算校正。并通过仿真进行了验证,证明该模型具有精度高、抗干扰能力强的优点。     

基于扩展卡尔曼滤波法的锂离子电池SOC估算

SOC(State of Charge)的准确估算可以为整车控制提供良好的判断依据,本文采用扩展卡尔曼滤波法,基于戴维南(Thevenin)模型对锂离子电池SOC的估算进行了研究。并通过工况实验,在MATLAB环境下对该算法进行了仿真验证,结果证明扩展卡尔曼滤波法可以有效跟踪锂离子电池SOC的变化,并且抗干扰能力强,具有较高的控制精度。     

锂电SOC改进无迹卡尔曼滤波估算算法研究

传统无迹卡尔曼滤波(UKF)算法在估算锂离子动力电池荷电状态(SOC)时,常会出现由于电池模型参数不准确和无法预先获取噪声统计特性而使得估算误差增大的问题.针对这些问题,这里提出一种改进的自适应无迹卡尔曼滤波算法(AUKF):该算法通过扩充状态变量法来实现欧姆内阻在线更新,以此提高电池模型精度,并根据实时SOC估计值与真实值的误差,构造滑模观测器实现系统噪声和观测噪声的更新,降低未知噪声的干扰,最后通过不同温度下复杂工况实验,验证了新算法的估计精度和稳定性.     

锂离子电池参数辨识与状态估计

对锂离子动力电池的电化学特性进行分析,基于其电化学特性在Matlab/Simulink建立了能斯特模型,仿真实验证明了电池模型的准确性,以RC二阶等效电路模型基于最小二乘法进行在线参数辨识,并引入卡尔曼滤波算法进行SOC估算,完成对电池管理系统的初步设计与验证,并在Matlab/Simulink中通过仿真证明了改进模型在纯电工况下的可行性与准确性。     

基于融合修正SOC算法的家用储能BMS系统设计

本文基于融合修正SOC估计算法,设计了一种用于家用储能的电池管理系统(BMS)。基于家用储能系统BMS主从拓扑结构及磷酸铁锂电池的特性,设计了一种以NXP单片机(MC9S12)和TI电池管理芯片(BQPLA455A)为核心的BMS。该BMS可实现对多路电池电压、温度采集及均衡控制;同时,可根据采样数据利用融合修正SOC算法进行SOC计算。根据测试实际数据,将通过电池组实际电压、温度值与系统采样值,对电池均衡效果及SOC进行分析。试验结果证明,设计的BMS具有较高的采样精度和采样速度,均衡控制合理,SOC估算值误差较小,验证了本文所设计家用储能BMS的可用性。     

基于容积卡尔曼滤波融合的锂离子电池SOC估计

锂离子电池荷电状态(SOC)的准确估计对新能源汽车的能量管理和续驶里程计算尤为重要。就一段估计区间而言,尽管自适应5阶容积卡尔曼滤波(AHCKF)的总体精度通常比自适应容积卡尔曼滤波(ACKF)的更高,但在估计过程中二者的精度优劣是不断变化的。为了进一步提高SOC估计的精度,提出了一种基于不同阶次容积卡尔曼滤波融合的SOC估计算法。为评估融合算法的表现,本文采用该算法与NASA提供的电池随机充放电使用工况数据进行SOC估计。结果显示,所提出算法能够较大程度地减小SOC估计的误差。相对ACKF与AHCKF,平均绝对误差分别减少了26.39%和11.67%,均方根误差分别减少了20.21%和6.25%。     

基于不同模型下EKF算法的锂离子电池SOC估计

动力电池的准确建模及荷电状态(SOC)的精准估计对提高电池的利用效率、延长使用寿命具有重要意义。本文对锂离子电池进行等效电路模型的建立并通过HPPC测试对模型进行参数辨识。利用Matlab软件,基于两种模型开展扩展卡尔曼滤波算法下的电池SOC估计精度对比实验研究。结果表明,在同一实验条件下,EKF-Ah SOC估计方法能够有效提高电池SOC的估计精度;与Rint模型相比,基于Thevenin模型的EKF-Ah SOC估计精度得到显著提高,SOC估计最大绝对误差为1.91%。     

基于荷电状态的锂离子电池组主动均衡控制

针对锂离子电池组中单节电池间的差异性会对电池组的可使用寿命以及容量利用率造成严重影响,设计了一种电感式主动均衡电路。基于递推最小二乘扩展卡尔曼滤波(RLS-EKF)算法在线估算锂离子电池的荷电状态(SOC),同时以SOC值作为均衡准则对锂离子电池组实施均衡控制,实现了一种主动均衡控制策略,并开发了锂离子电池组能量均衡管理系统测试平台。实验结果表明,RLS-EKF算法的SOC估算误差在3.5%以内,并且所提出的主动均衡控制方法极大改善了电池间的差异性,电池的容量利用率大幅度提高。     

基于融合算法的车载锂电池荷电状态估计

动力电池的荷电状态(State Of Charge,SOC)是电池管理系统(Battery Management System,BMS)的关键内容。本文采用遗传算法(Genetic Algorithm,遗传算法)和BP神经网络(BP neural network)相结合的方法对动力锂电池进行荷电状态估计,通过从NASA中提取的锂电池充放电数据进行训练和测试得到的SOC估计值与真实值的对比分析,基于这种融合算法的锂电池SOC估算误差在2.5%以内,验证了提出的电池估计方法的有效性。     

三元锂离子电池SOC估算

本文主要介绍了纯电动汽车三大电之一的动力电池的电池组管理系统其中一项功能:SOC的预测和估算。在分析了三元锂离子动力电池的工作特性和影响因素的基础上,对比了目前主要的SOC的算法及它们的优缺点,选择了一种新的SOC估算模型并对求解步骤作了分析说明。     

基于双自适应无迹卡尔曼滤波算法的锂电SOC/SOH联合估计

合理准确地估算出电池荷电状态（SOC）与健康状态（SOH）对电动汽车安全运行和能量分配有重大意义。目前锂离子动力电池状态参数的研究中,很少考虑两个参数在估算过程中的相互影响;传统无迹卡尔曼滤波（UKF）算法在应用时,常因难以真实模拟实际噪声导致估算误差增大。针对这些问题,这里以电池Thevenin等效电路模型为基础,结合改进的AUKF,提出双自适应无迹卡尔曼滤波算法（DAUKF）,实时更新计算模型参数,实现SOC与SOH的联合估算,提高算法的估算精度。最后通过实验及仿真对比,验证了该算法的可行性及估算精度。     

退役动力电池BMS的开发与测试

针对某品牌新能源汽车大量退役动力电池的二次利用,设计开发了48 V退役动力电池的电池管理系统(BMS);该系统经过充放电模拟试验和实车测试验证,可以准确可靠地对电池的工作状态进行监测和管理,有助于实现退役动力电池的二次利用,为企业节约成本。     

基于ISO 26262标准的BMS(ASIL C)功能安全设计

随着新能源汽车的发展逐步趋于电气化和智能化,其电子控制器的数量不断增加,电子控制器的功能安全成为影响新能源汽车安全性的首要问题。旨在将标准ISO 26262-3:2018的开发要求,应用到动力电池管理系统的功能安全开发中。通过对动力电池的管理系统进行功能和结构分析,结合应用场景和危险辨识分析得到系统的潜在危害,提出了电池管理系统(BMS)的安全目标及功能安全需求。根据动力电池过放危害,进行危害分析与风险评估以确定BMS的汽车完整性等级(ASIL),并提出了一种分解其ASIL以降低开发成本的方法。     

磷酸铁锂动力电池的温度特性分析

动力电池系统作为电动汽车的核心部件,其性能表现将直接影响电动汽车的续驶里程、安全性能与使用寿命。以磷酸铁锂动力电池为研究对象,主要研究温度对动力电池系统性能的影响。试验分析结果表明：在电池管理系统（BMS）控制策略、电池荷电状态（SOC）估算的精确度相同的条件下,环境温度在25～30℃范围时磷酸铁锂动力电池的性能最佳,环境温度高于30℃后性能开始有所下降,环境温度低于10℃时磷酸铁锂动力电池的性能开始明显下降。因此,在制定BMS的控制策略时需充分考虑单体电池的温度特性、使用环境温度、SOC的估算方式和使用工况等因素。在确保电池单体一致性的前提下,制定合理高效的BMS控制策略,不断优化动力电池系统的结构设计、热管理系统设计等才能发挥出动力电池系统的最佳性能和最长使用寿命。     

融合GM(1,1)先验估计的扩展卡尔曼SOC估算

锂电池荷电状态(State of Charge,SOC)估算是电池管理系统(Battery Management System,BMS)的关键,准确估算SOC对合理使用动力电池、推动电动汽车的发展有重要意义。为避免安时积分法对SOC估算造成随时间累积的误差,以及在驱动参数设置不科学的情况下,扩展卡尔曼启动阶段性能差等问题,提出融合GM(1,1)先验估计的扩展卡尔曼SOC估算策略。在初始阶段使用安时积分来估算SOC值作为GM(1,1)模型的原始数据序列,以GM(1,1)模型替代EKF算法中的先验估算,保证状态估算的优良启动性能以及加快收敛速度,结合实时观测值对先验状态进行修正,随着迭代次数增加,后验估算值逐步淘汰GM(1,1)模型原始数据序列中的值,使得估算值主要依赖于实施监测实时检测的修正。实验结果表明,该方法有效提高了SOC估算精度,其估计精度在2%内,为电池管理系统的搭建与锂电池组的均衡提供了判断依据。     

双卡尔曼滤波算法在锂电池SOC估算中的应用

以在线估计锂离子电池组的荷电状态(SOC)为目的,建立了双卡尔曼滤波(DEKF)算法.以Thevenin电池模型和卡尔曼滤波算法为基础,对电池模型建立了状态空间表达式.分别采用最小二乘法和DEKF算法对该模型参数进行辨识,提高了该模型的精度,使电池模型能够较好地反映电池内部的真实状态.介绍了双卡尔曼滤波算法在线估算荷电状态的原理,并设计了相关的电池测试实验.实验结果表明在不同的工况环境下,该算法在线估计SOC具有较高的精度和对环境的适应度,最大误差小于4.5％.最后,验证了DEKF算法具有较好的收敛性和鲁棒性,可以有效解决初值估算不准和累积误差的问题.     

改进卡尔曼滤波的融合型锂离子电池SOC估计方法

荷电状态(SOC)估计对于锂离子电池充放电优化控制、任务规划、可靠性提升等均具有重要价值,针对广泛应用的卡尔曼滤波(KF)一类方法存在的参数设置无具体标准、模型性能随工况环境改变而适应性降低等问题,提出一种噪声方差可变卡尔曼滤波方法(VVKF)的SOC估计算法,该算法每次迭代时估计并设定最适应当前系统状态的的噪声方差,克服了KF噪声方差初值依靠人为经验设定而造成精度下降的问题,同时采用最小二乘支持向量机作为KF的量测方程,通过建立样本库的方式克服电池型号以及工况改变对SOC估计精度的影响。采用马里兰大学CACLE中心锂离子电池数据集的实验证明了VVKF较KF性能的提升以及SOC估计的有效性。     

基于集中拓扑式总线的电池管理系统的设计

为了对144 V锂动力电池进行在线检测与管理,设计了以Freescale公司MC9S12XET256MAL单片机作为主控芯片、集中式拓扑总线结构的电池管理系统,实时检测电池电压、电流、温度等基本参数;采用开路电压结合安时积分通过卡尔曼滤波算法进行SOC估算;同时以双路CAN总线实现数据通信,对锂动力电池进行有效管理和控制。研制出的样机在实际测试验证中,系统的检测、通信、估算、控制等功能达到技术指标。     

镍氢动力电池管理系统研究

介绍对动力电池管理系统的研究,分析动力电池管理系统的组成以及该系统的难点。着重讨论电池组均衡控制、荷电状态(SOC)估计方法和电磁兼容性设计等三个关键问题,并指出纯电动汽车和混合电动汽车电池管理系统设计的差异。