航空锂离子电池组不一致性分析

针对航空锂电池成组后普遍存在的不一致现象,以7ICP45航空锂离子电池组为研究对象,以搁置时间和不同充放电倍率对锂电池组不一致性造成的影响为研究点,分析、总结电池组不一致现象的表现规律。结果表明:搁置状态下,前3 d单体间电压不一致性表现明显,7 d后单体电压几乎不再变化,趋于稳定;充放电状态下,电池组不一致现象会随充放电倍率和时间的增加而变大,特别是在充放电后期;工况下电池组受多种因素的影响,短时间内就会有严重的不一致现象。     

锂离子电池组不一致性控制的研究进展

总结电池均衡、成组方式和热管理的研究方法及问题。电池均衡技术主要有电池均衡电路、电池均衡控制策略;电池成组方式主要有电池串并联方式、电池连接阻抗;电池热管理主要有电池生热特性、电池散热结构和电池组热管理等。     

基于KF-SRUKF算法的锂离子电池荷电状态估计

荷电状态(SOC)估计对于锂离子电池的可靠安全使用至关重要。在SOC估计中,平方根无迹卡尔曼滤波器(SRUKF)适用于非线性方程变量的有效估计,对线性状态方程并不适用。针对这一问题,本文提出将线性卡尔曼滤波器(KF)与平方根无迹卡尔曼滤波器(SRUKF)组成的KF-SRUKF算法应用于电池SOC估计的方法。本文首先建立了基于二阶RC等效电路模型,采用双环递推最小二乘法(BLRLS)进行模型参数辨识,然后根据所提算法进行SOC估计。通过电池测量设备和专用软件组建的电池测试平台进行了算法验证,结果表明,所提改进算法在提高SOC估计精度的同时也有效地减小了计算量。     

基于AdaBoost-Elman算法的锂离子电池荷电状态估计方法

工作状态下的电池是一个动态的非线性系统,基于数据驱动的机器学习是锂离子电池SOC估计建模的一类重要方法,其中基于神经网络的学习方法是典型代表.针对单一前馈型神经网络(如BP神经网络)预测过程中存在泛化能力低、局部极小化、预测精度低及动态性不足等问题,提出基于AdaBoost-Elman算法的锂离子电池SOC估计方法.该...     

基于AUKF的锂离子电池健康状态估计

针对锂离子动力电池健康状态(SOH)估计问题,提出一种自适应无迹卡尔曼滤波算法(AUKF),通过协方差自适应匹配方法抑制噪声干扰,实现SOH的准确估计。建立了锂离子动力电池的状态空间模型,采用AUKF实时估计电池内阻,利用电池欧姆内阻和SOH之间的内在关系,进而得到电池的SOH。实验结果表明,利用所提方法估计SOH准确、可靠,为电池管理系统中状态估计提供了一种有效的方法。     

串联锂离子电池组仿真技术研究

在电动汽车车载电池、电池储能系统等应用中,由于单体电池性能和参数的限制,为满足电压需求将电池串联使用。选取锰酸锂电池的Thevenin等效电路模型,在实验基础上识别模型状态参数,建立了单体及三种串联电池组的计算机仿真模型并进行对比分析,串联电池组充放电实验的仿真结果说明了将串联电池组等效为一个电池的误差最大。进一步结合电池参数数理统计提出一种实现大规模串联电池组仿真的方法,16模块串联的电池组实验验证了其精度,为电动汽车整车仿真、电池储能系统实时数字仿真的电池模块提供一种仿真方法。     

基于无损卡尔曼滤波的锂离子电池组SOC估计

锂离子电池组容量和内部参数随温度变化明显,在不同温度下准确估计电池电荷状态(state of charge,SOC)是电动汽车电池管理系统研究的关键技术。基于Thevenin模型,采用无损卡尔曼滤波(unscented Kalman filtering,UKF)实现不同温度和不同放电电流条件下对锂离子电池组SOC的估计。实验研究表明,UKF算法适应不同放电电流下的电池SOC估计。随着温度降低,虽然UKF方法对锂离子电池组SOC估计的收敛速度变慢,但对初始误差有较强的修正作用,且有较高的稳态精度。因此,UKF方法适合不同温度和放电电流下对锂离子电池组SOC的估计。     

串联锂离子电池组均衡策略研究

锂离子电池组的不一致性导致电池组增加过充电或过放电风险,使电池易于老化,进而使电池组的可用容量和寿命下降。基于此问题设计了一种改进的Buck-Boost均衡电路,使串联电池形成能量循环回路,提高均衡速度。根据锂离子电池的开路电压(OCV)-荷电状态(SOC)曲线的特点,将电压和荷电状态共同作为均衡变量。采用模糊逻辑控制(FLC)动态调节均衡电流,减少均衡时间,提高效率。在Matlab/Simulink仿真平台上搭建了均衡系统,将传统Buck-Boost均衡电路与改进后的Buck-Boost均衡电路进行了比较,仿真结果表明,改进后Buck-Boost均衡电路的均衡时间缩短了34%。与均差算法相比,静态、充放电条件下FLC均衡时间分别减少了51%、48%、46%,能量效率提高4.88%,电池的不一致性降低。     

一种分阶段锂离子电池荷电状态估计算法

为了解决安时积分法无法估计电池荷电状态(SOC)初值以及在电池充放电后期估计误差明显增大的问题,基于纯电动物流车平台提出了分阶段处理思想。根据电池系统的工作状态,将估计过程分为启动初期、充放电中期和充放电后期。在启动初期和充放电中期,结合开路电压法与安时积分法来估计电池组SOC,并对安时积分公式中的相关参数进行修正。在充放电后期,应用充放电曲线修正充放电后期SOC,对安时积分法估计SOC的不足进行补偿。搭建了锂离子电池组充放电测试平台,并进行了电池组放电实验。结果表明,SOC估计误差在4%以内,并能够满足电池管理系统优化控制的应用需求。     

串联锂离子电池组均衡拓扑综述

锂离子电池是广泛应用于电网、电动汽车、商用及家用储能系统的重要储能电池技术,其中电池组均衡管理技术是电池组安全、高效运行的重要保障.文中对串联锂离子电池组均衡拓扑结构的研究进展进行综述.首先介绍电池均衡系统及其发展历程,其次分别介绍基于电容、基于电感、基于变压器和基于变换器的均衡拓扑结构的工作原理及其优缺点,重点阐述均...     

基于DeepAR与特征选择的锂离子电池在线状态估计

电池健康状态SOH（state-of-health）和荷电状态SOC（state-of-charge）估计是电池管理系统的核心功能。目前,状态估计存在依赖大量历史数据以及单一状态估计适应性差的问题,因此提出一种基于DeepAR与特征选择的锂离子电池状态估计模型。首先,提取电池恒流充电过程中电压、温度及时间间隔数据,组成3组老化特征作为模型输入,用于估计SOH;然后,在估计SOC时考虑SOH估计值,消除了电池老化因素对SOC估算的负面影响;最后,在不同工况下的牛津电池数据集上进行实验验证,并与其他两种算法模型进行误差与收敛性对比。结果表明,所提模型在冷启动估计方面具有较强的优势,SOH和SOC估计精度较高。     

基于改进安时积分法估计锂离子电池组SOC

为了解决安时积分法不能估计锂离子电池组初始荷电状态(SOC_0),难于准确测量库仑效率和电池可用容量变化的问题,提出改进的安时积分法:建立锂电池二阶等效模型,结合恒流放电实验数据,推导出开路电压的预估公式,从而估算初始SOC;再通过大量实验,分析电池老化、库仑效率、电池总容量变化的影响因素,对该参数进行修正和优化。实验结果显示,改进的安时积分法误差达到0.03%。     

MAFFRLS算法辨识锂离子电池模型参数

建模方法和模型参数辨识方法会影响锂离子电池状态的准确估计,特别是在动态工况下,因此在线辨识电池模型参数的方法很重要。提出一种改进的自适应遗忘因子递推最小二乘(MAFFRLS)法,优点是在不同误差范围内可以自适应地更新遗忘因子最优值。选用二阶RC等效电路模型,在动态工况下对该算法进行验证。将所提出的算法与递推最小二乘(RLS)法和遗忘因子递推最小二乘(FFRLS)法进行对比。在动态应力测试(DST)工况下,使用RLS、FFRLS和MAFFRLS算法估计电压,平均绝对误差分别为0.010 2 V、0.009 9 V和0.004 6 V,均方根误差分别为0.015 5 V、0.015 0 V和0.006 8 V。MAFFRLS算法的平均绝对误差和均方根误差更小,准确性更高。     

基于SRCKF的电动汽车锂离子电池荷电状态估计

精确的电池荷电状态(state of charge,SOC)估计对提高新能源汽车电池管理系统的性能、电池使用安全性以及整车能量管理策略的准确性具有至关重要的作用.综合考虑电池模型精度和复杂度,建立了锂离子电池二阶RC等效电路模型,运用自适应遗忘因子递推最小二乘法(adaptive forgetting factor-recursive least square,AFF-RLS)在线辨识模型参数.在此基础上,采用平方根容积卡尔曼滤波(square root cubature Kalman filter,SRCKF)估算电池SOC,使用动态应力测试工况(dynamic stress test,DST)对模型参数和SOC进行验证.研究结果表明,与无迹卡尔曼滤波(unscented Kalman filter,UKF)估算相比,SRCKF估算误差小、鲁棒性好.     

基于数据驱动的锂离子电池健康状态估计技术

电池健康状态（state of health, SOH）是影响锂离子电池大规模应用的关键因素,而基于数据驱动的锂离子健康状态估计方法已经成为当前相关研究的热点课题。为了系统地剖析数据驱动下电池SOH估计方法的关键技术和难点问题,从电池数据来源、特征工程、估计模型以及验证途径4个核心环节出发,综述当前研究的进展。通过多种不同方法基本机理的分析和优缺点对比,凝炼出制约技术发展的瓶颈问题,展望未来研究的重点方向,推动基于数据驱动的锂离子电池SOH估计技术的进一步发展与应用。