电动汽车锂离子电池荷电状态估算方法研究综述

锂离子电池具有循环寿命长、能量密度高、自放电率低、环境污染小等优点,在电动汽车产业中得到广泛应用。电动汽车中的电池管理系统(BMS)可以维护和监测电池状态,确保电池的安全性和可靠性。电池荷电状态(SoC)表示电池中剩余的电量,是BMS的重要参数之一,实时精确的SoC估算可以延长电池寿命,保障行驶安全。然而锂离子电池是一个高度复杂的非线性时变系统,电池寿命、环境温度、电池自放电等许多未知因素均会对估算精度造成影响,使估算难度大大增加。为了满足不同条件下对锂离子电池SoC精确、快速、实时估算的要求,需要对SoC估计算法进行进一步研究与改进。近年来已有相关文献对锂离子电池SoC的估算方法进行了综述,然而已有相关综述对估算方法的总结不够全面且缺少流程表达。该文首先介绍了锂离子电池的工作原理,阐述了影响电池SoC估算的因素;其次,通过总结最新的研究成果对电池SoC估算方法进行了归纳分析,根据各类算法的不同特性将其分为查表法、安时积分法、基于模型的方法、数据驱动的方法以及混合方法五大类,说明了各类估算方法的主要特征并对模型或算法的优缺点进行综合的比较和讨论;最后,对电动汽车中锂离子电池SoC估算方法的未来发展方向做出展望。     

电动汽车锂离子电池荷电状态估算方法研究综述

锂离子电池具有循环寿命长、能量密度高、自放电率低、环境污染小等优点,在电动汽车产业中得到广泛应用.电动汽车中的电池管理系统(BMS)可以维护和监测电池状态,确保电池的安全性和可靠性.电池荷电状态(SoC)表示电池中剩余的电量,是BMS的重要参数之一,实时精确的SoC估算可以延长电池寿命,保障行驶安全.然而锂离子电池是一个高度复杂的非线性时变系统,电池寿命、环境温度、电池自放电等许多未知因素均会对估算精度造成影响,使估算难度大大增加.为了满足不同条件下对锂离子电池SoC精确、快速、实时估算的要求,需要对SoC估计算法进行进一步研究与改进.近年来已有相关文献对锂离子电池SoC的估算方法进行了综述,然而已有相关综述对估算方法的总结不够全面且缺少流程表达.该文首先介绍了锂离子电池的工作原理,阐述了影响电池SoC估算的因素;其次,通过总结最新的研究成果对电池SoC估算方法进行了归纳分析,根据各类算法的不同特性将其分为查表法、安时积分法、基于模型的方法、数据驱动的方法以及混合方法五大类,说明了各类估算方法的主要特征并对模型或算法的优缺点进行综合的比较和讨论;最后,对电动汽车中锂离子电池SoC估算方法的未来发展方向做出展望.     

基于神经网络与UKF结合的锂离子电池组SOC估算方法

锂离子电池组作为电动汽车的主要动力能源,对荷电状态的准确估计是电动汽车的关键技术之一。准确的SOC估计,对锂离子电池组的寿命维持及电动汽车的行车安全,具有十分重要的意义。基于此设计一种基于神经网络与无迹卡尔曼滤波器(UKF)相结合的SOC估算方法,既克服了UKF需要等效电池组电路模型的缺点,也能显著减小神经网络估算方法的最大误差。该实验数据来源于高级车辆仿真器(ADVISOR2002)基于实际工况的仿真结果,经实验数据证明,该方法具有有效性和实用性。     

国内电动车用动力锂离子电池现状

锂离子电池具有比能量高、比功率大、使用寿命长(循环性能)、工作范围宽等特点,已经应用于纯电动汽车和混合动力汽车中。总结了国内电动车用动力锂离子电池的标准,以及电池结构、正极材料、负极材料、电解液、隔膜、电池管理系统等方面的研究现状,并对国内电动车用动力锂离子电池产业化现状和面临的技术难题进行了阐述。     

基于遗传算法的纯电动汽车动力系统设计与优化

纯电动车(Battery Electric Vehicle,简称BEV)是一个完全由可充电电池提供动力的汽车,本文基于深度学习中的遗传算法从理论和实践研究纯电动汽车动力系统的优化和设计,将纯电动汽车整车的能源消耗作为遗传算法中的目标函数,纯电动汽车整车的动力性需求将作为遗传算法中约束条件,由此提高纯电动汽车的续航里程,降低单位距离的能源消耗,减少能源消耗,从而提高整车运动性能。     

混合动力电池监测模块

提出了一种电池监测模块的结构设计,特征在于结构灵活,易于设计、实现并达到较高的性能,适用于混合动力、燃料电池、纯电动汽车分布式系统的电池检测.     

混合动力汽车锂离子电池监控——需要冗余吗?

目前,混合动力汽车(HEV)、插电式混合动力汽车(PHEV)和纯电动汽车(EV)的开发工作与锂离子(Li-ion)电池的使用密不可分,许多OEM、电子设备供应商和电池制造商探讨的重点都集中在如何构建最佳的电池监控和管理系统.这些系统当然需要一个主监控器,它通常是一个与微控制器或电池管理单元(BMU)接口的模数转换器(ADC),用来提供精确的测量数据并执行电池平衡(确保充电前所有电池处于同一电平).     

动力电池荷电状态估算方法的研究

由于电池本身特性决定了电池电量的预测成为电动汽车开发的一个难点。但目前各种方法都难以精确地测量蓄电池的剩余电量,并以此计算电动汽车蓄电池的荷电状态（SOC）。在对目前常用的剩余电量计量方法分析基础上,提出了一种基于开路电压法和安时法复合的估算方法,然后利用卡尔曼滤波估计递推算法对蓄电池SOC进行实时估算,并在MATLAB下进行了仿真,实现了电池荷电状态（SOC）的精确估算。     

电动汽车技术发展趋势及前景

本文对电动汽车技术发展趋势和前景作了概略介绍，并从技术一经济的角度出发，对纯电动汽车、混合动力汽车、燃料电池汽车以及动力电池、电机等关键零部件技术，作了综合评述，展望了电动汽车技术的未来发展前景。[编者按]     

动力型锂电池SOC与SOH协同估计

锂电池及其应用近年来逐渐成为研究热点。以提高电池管理系统(BMS)对电池荷电状态(SOC)和健康状态(SOH)的估算精确度为目标,在建立二阶Thevenin等效电路模型基础上提出一种能在线协同估算电池荷电状态和健康状态的改进扩展卡尔曼滤波算法。通过分阶段脉冲放电实验,并利用最小二乘法求得模型参数。在动态应力测试工况(DST)下借助Matlab对比分析了改进扩展卡尔曼算法在SOC和SOH估计精确度、错误初值时算法收敛性、算法复杂度等方面的性能。实验表明,利用该算法可以精确估计出各采样点处的SOC和SOH,误差低于1%;且在初值不准确情况下,运行算法可快速收敛至真值附近,算法估算结果的准确性与模型参数的微调无关,鲁棒性较好。