混合动力电动车用384 V/80 Ah MH-Ni动力电池系统

研制开发出混合动力电动车用80 Ah方型MH-Ni(氢镍)动力电池及其96 V/80 Ah、384 V/80 Ah高电压电池组系统;在-20～55℃宽温度范围条件下,电池可在SOC0.2～0.8范围内进行3～10 C的脉冲充放电,12 V电池模块比能量达61 Wh/kg,峰值比功率达到406 W/kg,电池28天荷电保持率达91%;电池1 C寿命正在测试中,目前已达500次无任何衰减.96 V或384 V高电压电池组大电流充放电特性、热管理、性能一致性状态及安全可靠性较好;384 V/80 Ah电池组及其管理系统完成城市客车工况150 h台架可靠性实验考核,并顺利进行在燃料电池/MH-Ni电池为混合动力的城市客车的装车运行实验,电池组性能状态良好.     

基于双阈值的高精度锂电池主被动均衡策略

针对锂离子电池充放电过程中电量表征变化幅度大、精度低的问题,提出了一种通过实时分段进行双阈值控制的主被动均衡控制策略.该策略结合锂离子电池开路电压与荷电状态(SOC)的关系曲线,实时分段并合理调整均衡控制方向.通过双阈值的精确调控,提高充放电精度;利用主被动均衡电路中的被动均衡小电流特点,增加单体电池在充放电末期的反应时间,实现准确和安全的电池充放电目的.实验结果表明,锂离子电池组充放电过程中进行分段双阈值主被动均衡控制,可以在电池组充放电速度不变的情况下,提高约2％的充电精度,充电末期稳定减缓电流和电压,证明了控制方法的可行性.     

散热结构对MH-Ni动力电池组性能的影响

热效应问题是MH-Ni电池在电动车应用中的主要难题之一。比较了4种不同散热结构MH-Ni电池组的性能。结果表明,对于方形金属壳体的MH-Ni电池组,采用单体电池不套热缩套管、电池之间用带有散热通道的绝缘栅隔开,电池组具有较好的散热性能和温度均匀性。     

电动汽车动力电池模型和SOC估算策略

主要研究如何准确估算电动汽车动力电池的荷电量状态。通过对开路电压、自恢复效应、温度、充放电效率、寿命等多个影响荷电量状态的主要因素进行深入研究,建立了一种新的荷电量状态的数学模型,并在此基础上提出了一种电量状态复合估算策略。当电池处于不同状态时,合理地使用开路电压初始电量预估算法、直接调用记录初始电量预估算法、Ah电量动态计量法、系数修正法等不同方法估算电量状态,多种方法的复合使用弥补了使用单一方法的不足,有利于提高电量状态的估算精度。该电量状态复合估算策略成功地应用在电动汽车动力电池的管理上,使电量状态的估算误差小于4%。     

电动车磷酸铁锂电池衰减后开路电压特性分析

电动车用动力电池的开路电压特性是其最重要的性能之一。针对电动车用磷酸铁锂动力电池进行耐久性测试,分析了不同衰减情况下电池的开路电压曲线变化情况。研究结果表明,电池低SOC区域,磷酸铁锂电池开路电压相对于电池电量的关系基本不变;而由于电池衰减主要机理为可用锂离子的损失,在高电量区域的开路电压曲线平台随容量衰减而有规律的逐渐消失。结果可用于指导实车电池开路电压曲线的标定。     

应用非稳态开路电压方法估计EV用电池剩余电量研究

针对稳态开路电压方法预测电动车用电池剩余容量需很长时间的缺点,提出一种新型的基于电池等效电路模型的非稳态开路电压方法,实现快速估计电池的剩余容量,根据电池当前的非稳态开路电压及其电池停歇时间和辨识出的电池参数,估计电池的剩余容量。比较电池放电停歇阶段真实的剩余电量数据和非稳态开路电压方法估计出的剩余电量数据,证明该方法精确度较高,有较强的实用性。     

电动车用阀控铅蓄电池的寿命考核

指出了电动车用阔控铅蓄电池在恒电流充放电加速寿命考核情况下的失效机理跟实车使用有所不同,因而不宜直接用恒电流充放电循环次数来表征VRLA的实率使用寿命。只有在模拟实车运行方式的条件下（如SFUDS或福同模式）进行充放电得到的循环次数,才有助于预测电动车电池使用寿命。     

基于开路电压法的磷酸铁锂电池SOC估算研究

为了提高磷酸铁锂电池的安全性和使用寿命,需要对电池中最重要的参数——荷电状态(state of charge, SOC)进行有效的估算。因此,对电池SOC的估算方法进行研究,通过一种精简的开路电压法可以快速并相对准确地估算磷酸铁锂电池的SOC,相关充放电实验确定了开路电压与电池SOC的对应关系,并分别选用静置前后的开路电压对电池的SOC进行估算。结果表明在磷酸铁锂电池出色的性能基础上,这种简单快捷的开路电压法可以精确地估算其电池的SOC。     

基于高阶非线性模型的铅酸蓄电池SOC估计

铅酸蓄电池在电动汽车和蓄电池储能系统等领域有着广泛的应用,提高铅酸蓄电池荷电状态(SOC)估算的精度具有重要的意义。本文针对目前SOC估算方法中电池等效模型复杂、相关参数难以确定等问题,提出了一种新型高阶非线性拟合开路电压的SOC估计方法,通过拟合恒流充放电工况下的开路电压(OCV)–SOC曲线,建立适用于变电流充放电工况下的铅酸蓄电池模型,并结合扩展卡尔曼滤波算法(EKF)对电池的SOC进行估算。仿真和实验结果表明该方法能够实现铅酸蓄电池的高精度SOC估算。     

电动车用高功率二次电池研究进展

对国内外电动车用二次电池的研究现状和发展趋势进行了回顾和展望,特别对我国电动汽车用高功率MH-Ni电池和锂离子电池的研究进展进行了介绍,提出了相关的应用问题与前沿技术,指出了高功率MH-Ni电池和锂离子电池的主要研究重点。     

修正RC模型混合动力车用氢镍蓄电池SOC预测

根据混合动力汽车动力蓄电池瞬时脉冲大电流充放电工作特点,提出了一种能够实时动态估计氢镍蓄电池SOC的新方法。结合蓄电池当前状态和历史使用因素共同确定蓄电池初始SOC,并利用修正的RC模型,通过合理分配权值综合运用电量累计法和开路电压法进行蓄电池的SOC预测,电量累计考虑充放电效率和寿命因素影响,开路电压利用卡尔曼滤波法求解。最后,通过台驾试验验证算法的准确性,结果表明,SOC预测误差可控制在6%以内,满足混合动力汽车工作要求。     

基于在线LS-SVM的动力电池SOC估算方法研究

荷电状态(SOC)是描述动力电池状态的重要参数之一,提高SOC估计的准确性对电动汽车电池管理系统的研究至关重要。提出一种改进的最小二乘支持向量机(LS-SVM),动态地调整模型参数,对电池的开路电压(OCV)进行在线实时估计;通过SOC与OCV的关系确定初值,采用安时积分法估算SOC;并利用OCV的偏差信息对电池SOC进行修正,有效地补偿拟合误差和安时积分法产生的累计误差。仿真实验结果表明,在线LS-SVM算法能准确地逼近实际SOC值,平均绝对误差为1.279 3%。     

基于神经网络的磷酸铁锂电池SOC预测研究

利用神经网络进行了电动汽车用的磷酸铁锂（LiFePO4）电池荷电状态（state of charge,SOC）预测研究。在分析磷酸铁锂电池充放电机理的基础上,采用levenberg-marquardt（LM）算法建立了磷酸铁锂电池的BP（back propagation）神经网络模型,并进行了电池SOC值的预测。结果表明,基于神经网络的电池SOC预测方法具有较高的精度,可用来预测磷酸铁锂电池的SOC值。     

基于支持向量回归的电池SOC估计方法研究

电池荷电状态(SOC)估计的准确性对于混合动力汽车至关重要.将支持向量回归方法用于电动汽车电池SOC的估计.方法中考虑了电池温度、电压、电流、净安时数等因素,对于电动汽车典型工况试验数据得到了小于0.04的误差.比较研究表明:支持向量回归方法比神经网络方法有更好的鲁棒性.     

基于LS-SVM算法动力电池SOC估计方法的研究

提高电池荷电状态(SOC)估计的准确性对于电动汽车电池管理系统的研究至关重要。根据历史实验数据分析了电池电压、电流、放电总电量因素对电池的影响,利用最小二乘支持向量机具有非线性逼近能力强、收敛速度快、全局最优解的特性对电动汽车电池SOC值进行在线实时估计,与BP神经网络的预测结果进行比较。仿真及实验室测试结果表明,最小二乘支持向量机算法能更准确地逼近实际SOC值,该方法的最大估算误差降低到0.02,达到了动力汽车的应用要求。     

电动车用电池充电状态和功率强度估计

讨论了电动车 (EV)和混合电动车 (HEV )用电池电量模型和功率模型的建立 ,提出了一种新的电池剩余电量(SOC)和电池功率强度 (Powercapability)的综合估计方法。从电化学角度建立了一个电池参考模型 ,以安时计量为主并综合考虑影响电池SOC的多种因素进行SOC估计 ,功率强度估计主要基于电池等效内阻的估算。SOC估计和功率强度估计相结合 ,实现了在功率强度估计的同时对SOC估计提供自调整机制。该综合估计方法已经在我们自主开发的实验平台上实现 ,并经实践证明是可行的     

基于LabVIEW的动力电池SOC实时估算系统研发

在电动汽车能量管理控制策略和电池管理系统研究中,电池荷电状态(State of charge,SOC)的准确估算一直是重点和难点。基于磷酸铁锂动力电池的工作原理和充放电特性试验,利用MATLAB软件拟合获得不同放电电流下的库仑效率和开路电压与SOC的关系。并采用虚拟仪器LabVIEW与相关硬件,实时采集动力电池相关数据,将SOC估算的安时法与开路电压法相结合,实现了对动力电池SOC的实时估算与高精度显示,提高了电池SOC研发系统的实用性与准确性。     

Open-circuit voltage-based state of charge estimation of lithium-ion power battery by combining controlled auto-regressive and moving average modeling with feedforward-feedback compensation method

Being one of the important parameters describing the state of power battery, state of charge (SOC) is essential for the electric vehicle battery management system (BMS). SOC estimation method, which combines the constructed controlled auto-regressive and moving average (CARMA) model with the feedforward-feedback compensation method used for revising SOC by the deviation of terminal voltage, is presented in this paper. Fully taken into account the measurement errors of voltage and current, the CARMA model is employed to estimate the battery open-circuit voltage (OCV). With the good consistency of the OCV-SOC curve under the process of battery charge and discharge cycles within a certain temperature range, OCV is adopted to estimate SOC. BP neural network rather than the high order polynomial approximation is used to capture the strong nonlinear relationship between OCV and SOC with the high precision. It is a big challenge for OCV-based SOC estimation that the flat area of OCV-SOC curve for lithium-ion power battery enlarges the measurement errors of OCV. By analyzing the flat characteristic of ΔSOC-OCV curve, the feedforward-feedback compensation for SOC is used for improving the accuracy of OCV-based SOC estimation. Experiment results confirm the effectiveness of the proposed approach that has evidently advantages over other estimation methods.     

HEV用MH/Ni电池系统的研发现状

综述了混合动力电动车(HEV)用氢镍(MH/Ni)电池系统的国内外发展状况.对现阶段国内相关系统有待进一步改善的电池一致性、超高功率充电接受、荷电态(SOC)精确估算和价格等进行了分析.