磷酸铁锂电池低温性能及放电容量预测研究

为研究磷酸铁锂电池的低温放电性能,选取14500和32650型号电池为研究对象,对其低温放电容量及欧姆内阻等性能进行测试。结果表明:随着温度的降低,其容量呈现了不同程度的下降,而欧姆内阻随温度的降低而增加,且增加的幅度越来越大;低温对不同型号电池放电容量的影响存在差异,即随着温度的下降,容量越小的电池衰减越迅速。利用Matlab建立以常温充电容量、温度、欧姆内阻为输入,放电容量为输出的BP神经网络模型,此模型具有较高的准确性,误差在5%以内。     

基于改进EKF算法的锂离子电池SOC估算方法

针对锂离子电池在变电流放电过程中荷电状态SOC(state of charge)估算精度的问题,提出了一种基于改进扩展卡尔曼滤波EKF(extended Kalman filter)算法的新估算方法。首先,通过放电实验和混合脉冲功率特性HPPC(hybrid pulsepower characteristic)实验,分析计算了等效电路模型参数;然后,利用该方法获得了该模型参数与放电倍率和SOC之间的关系,提出了一种估算SOC时在线修正开路电压和欧姆内阻的新原理和方法;最后,通过变电流放电的SOC估算结果,验证了该改进算法的可行性与有效性,从而解决了锂离子电池在复杂工况下估算精度不足的问题。     

灰色神经网络模型在线估算锂离子电池SOH

锂离子电池是一个复杂的电化学动态系统,难以通过单一的监测电池内部的物理和化学特性实现健康状态(state of health,SOH)在线估算。为此提出以欧姆内阻增加量、极化内阻增加量和极化电容减少量作为电池的健康因子(health indicator,HI),并引入灰色神经网络离线训练以HI为输入,电池容量退化量为输出的灰色神经网络模型,最后通过在线构建电池HI实现电池SOH估算。实验结果表明所提出的HI能够有效表征电池健康状态,灰色神经网络模型与BP神经网络模型相比,具有更高的SOH在线估算精度,估算误差不超过2%。     

基于双卡尔曼滤波的梯次利用电池SOP估算研究

针对梯次电池性能退化导致电池峰值功率(SOP)估算不准确的问题,提出了基于双卡尔曼滤波(Dual EKF)的梯次电池SOP估算方法.首先建立梯次电池的二阶Thevenin等效模型;其次应用双卡尔曼滤波算法,基于该算法估算SOC(荷电状态)、欧姆内阻和实际容量;然后,利用最优估计预测工作电压与内阻,估算梯次电池SOP.通...     

基于多影响因素建立锂离子电池充电内阻的动态模型

锂离子电池内阻建模对研究电池热管理具有重要意义.充电内阻受温度、充电倍率等众多因素的影响,该文分析电池的内阻变化特性与多种影响因素(充电倍率、荷电状态以及温度)之间的关系,采用最小二乘法的二元多项式和三次样条插值算法对不同充电倍率、荷电状态以及温度下的电池充电内阻进行建模,并采用所建立的多因素动态内阻模型对不同状态下的充电内阻进行估算.实验结果表明,所建立的动态内阻模型获得的内阻估算值与实验值的最大误差不超过6mΩ,证明所提出的电池充电内阻建模方法的有效性.     

联合精确估算电池的健康状态

以动力电池的电压、电流、温度和内阻作为输入,荷电状态作为输出,建立四输入一输出的神经网络仿真模型预测电池的荷电状态。再以荷电状态为基础,改进电池健康状态的估算方法,分别利用改进型容量法、改进型内阻法和电压法3种方法分别估算出电池的健康状态,并利用遗传神经网算法建立了3种方法联合在一起的电池健康状态估算模型。以4节12 V的串联锂离子电池组模块为研究对象分别进行了Simulink仿真和实验研究,通过采集动力电池充放电时的电压、电流、温度、内阻和放电量数据,测试了电池的荷电状态和健康状态。实验结果表明电池荷电状态的预测精度为1.6%,仿真模型运行和实验结果显示联合法估算健康状态的最大误差为1.5%,高于其他3种单独的方法。本文提出的健康状态预测方法,省略了传统神经网络算法估算健康状态寻找健康因子的复杂步骤,同时也避免现有电池的健康状态估计单一参量判定方法的局限性。     

改进电池SOC估算方法研究

针对传统的荷电状态(SOC)估算方法估算动力电池荷电状态精度不高,对混合动力系统中动力控制器的正常运作有很大影响,使得节能效果大大降低,从四线法和能量守恒定律对电池内阻测量出发,提出了一种改进的电池SOC估算方法,该估算方法不但能够估算电池恒定大电流和小电流放电,同时也非常适合变电流放电工况,在变电流放电工况下,新的电池SOC估算方法的估计值误差明显小于5%,因此具有较高的估计值精度。     

锂离子电池在高脉冲工况下老化机理的分析与研究

随着性能的不断提高，锂离子电池也开始应用到高能器件上，通常要求电池频繁做大电流脉冲放电。然而当前学术界对电池老化的研究只关注循环充、放电工况或其他车用工况，对高脉冲工况缺少研究。本文旨在研究高脉冲工况下锂离子电池老化特性及规律。在循环工况实验过程中，通过电性能测试，即容量测试、混合脉冲功率特性测试和容量增量测试，分析锂离子电池的老化特征。结果表明，相对于1 C循环老化工况，高倍率脉冲放电工况下的电池容量衰减更快，至480周循环容量衰退率就达到21.8%。内阻增加同样表现得迅速，480周循环极化内阻与欧姆内阻增长率分别达到85.0%与141.3%,是1 C循环工况电池的数十倍。同样IC/DV曲线变化也更加明显。     

不同工况下锂电池欧姆和极化内阻测试方法研究

针对在不同工况(不同荷电状态、不同充电倍率、不同放电倍率)下准确、高效地测量锂离子电池欧姆内阻和极化内阻的需求,提出一种基于改进混合脉冲功率特性阶跃法(HPPC)测量内阻。通过改变HPPC充放电倍率固定比值关系,可以解决在多倍率充放电测试脉冲中,锂离子电池容量亏损的问题。从而完成在单个内阻测试循环中,测量出不同工况下的充放电欧姆内阻和极化内阻。实验结果表明,与原方法相比,改进HPPC法测量的充放电欧姆内阻和极化内阻相关系数均在92.3%以上,平均测量精度最大提高7.64%,实验测试时间节省近78.47%,证明所提出的改进HPPC法能高效、准确地测量不同荷电状态、不同充放电倍率下的欧姆内阻和极化内阻。     

动力型蓄电池欧姆内阻测定

利用市售的充放电仪器设备,根据阶跃电流测试原理来测定动力蓄电池欧姆内阻,其误差达到士5%.同时观察到:(1)电池的荷电态在30%以上时,电池欧姆内阻是不变的;(2)电池大电流放电时,其电压降的80%是由电池欧姆内阻引起的.     

锂离子电池内阻辨识及其在寿命估计中的应用

根据锂离子动力电池的特性分析,以实时辨识锂离子电池欧姆内阻为目标,建立了电池内阻简化模型.在该模型的基础上,利用实验采集的数据和递推最小二乘算法,实现了对电池欧姆内阻的在线实时辨识.通过该内阻辨识算法,开展了电池寿命估计实验.获得了电池内阻在不同工况下的变化趋势等相关结论,为实现寿命状态估计提供了有益的参考.     

磷酸铁锂电池SOC在线估算研究*

针对扩展卡尔曼滤波算法中近似线性化处理及电池实际使用中出现的容量衰减引起的电池状态估算误差,提出基于容量修正的无迹卡尔曼滤波算法完成电池荷电状态估算,实现电池全寿命状态监测。通过分析锂电池工作特性和建立二阶RC等效电路模型,使用在线参数辨识法实现电池动态参数计算,为电池荷电状态估算奠定基础。结合电池实际工作中容量衰减特性,利用容量修正和无迹卡尔曼滤波算法完成电池荷电状态的在线实时估算,提高了估算精度。在恒流放电工况下,利用MATLAB仿真验证,表明无迹卡尔曼滤波算法的估算精度和鲁棒性优于扩展卡尔曼滤波算法,估算误差在3.5%以内。引入容量修正后,对老化情况下容量衰减的电池进行荷电状态估算,相比容量未修正时最大估算误差减小了3%,满足电池全寿命状态估算使用需求。     

电池SOE估算法及在电动汽车工况下的应用

采用电池剩余能量状态(SOE)作为估算对象以提高预测的准确性。基于SOE的传统定义,分析充放电过程中电池能量消耗的形式及对SOE估算的影响,研究不同放电倍率下可用总能的修正模型,并提出一种改进型SOE估算方法。NEDC、FUDS两种标准工况电动汽车的实验验证表明:改进型SOE算法的误差比传统SOE估算方法分别缩减4.6%和6.7%,可提高实际电池SOE估算的精度。     

梯次利用锂离子电池欧姆内阻测试方法研究

研究了欧姆内阻的三种测试原理和方法。在深入分析混合脉冲功率特性(HPPC)欧姆内阻测试方法的基础上,提出了梯次利用锂离子电池欧姆内阻测试的最佳采样点(放电下降沿,充电上升沿)和采样时间;建立了电化学阻抗模型,对不同直流偏置下的交流阻抗图谱进行了参数辨识,验证了欧姆内阻和直流偏置电流的不相关性,为电流转换法中100ms采样时间下测试欧姆内阻提供了理论依据;研究了基于电流转化法的欧姆内阻测试新方法,该方法在100 ms采样时间下,有效地减小了测试设备和数据采集响应误差的影响,并适当地减小了极化对欧姆内阻的影响,提高了欧姆内阻测试的准确性。     

HEV用锂离子电池动态模型参数辨识方法研究

提出一种适用于动力电池等效电路模型的参数辨识算法.基于恒电流充放电试验和复合脉冲功率特性测试工况分别获取平衡电势和欧姆内阻与荷电状态的函数关系,利用动力电池初始状态启动递推最小二乘法辨识电池模型参数建立电池仿真模型,结果表明提出的4步骤RIS算法能很快辨识动力电池关键参数,且误差在2%以内,同时在线辨识功能可实时优化混...     

磷酸铁锂电池性能衰退与容量预测模型研究

动力电池由于老化导致的性能衰退与储能系统功率吞吐能力密切相关。为了揭示磷酸铁锂电池的老化特性,进行了实验研究。通过不同恒定倍率下的循环老化实验和特性实验,获取了磷酸铁锂电池特征参数的变化规律以及容量增量分析(ICA)曲线的变化趋势。实验结果表明,磷酸铁锂电池的容量和欧姆内阻随老化变化明显。利用半经验老化模型结合2 C循环老化实验结果验证了电池可用容量预测结果,预测模型能够有效地预测电池可用容量衰减,预测误差在2%以内。     

基于SA-BP神经网络算法的电池SOH预测

针对传统BP神经网络在线估算锂离子电池健康状态(state of health,SOH)容易使权值陷入局部最优解,导致SOH预测不精确。结合模拟退火(simulate anneal,SA)算法能有效收敛于全局最优的特点,提出一种基于SA算法优化BP神经网络的锂离子电池SOH在线预测方法。以锂离子电池为研究对象,分析了微分电压、欧姆内阻、循环次数与电池SOH的关系,并以此作为电池的健康状态因子(health indicator,HI)输入至BP神经网络。利用SA算法优化BP神经网络的权值,使预测模型得到最优解。实验结果表明:利用优化算法对电池SOH进行预测,其最大误差仅为1.98%,平均误差为1.09%。相较于传统BP神经网络,优化算法预测最大误差降低了5.62%,平均误差降低2.33%。从而验证了基于SA算法优化BP神经网络能够获取全局最优值并提高电池SOH估算精度是有效的。     

基于自适应无迹卡尔曼滤波算法的锂离子动力电池状态估计EI北大核心CSCD

应用传统的无迹卡尔曼滤波(unscented Kalman filter,UKF)算法估计电动汽车锂离子动力电池核电状态(state of charge,SOC)时,常会出现由于电池模型参数不准确而造成估计误差增大的问题,该文采用了自适应无迹卡尔曼滤波(adaptive unscented Kalman filter,AUKF)算法解决该问题。AUKF算法是一种循环迭代算法,可以实时估计电池模型中的欧姆内阻,提高电池模型准确性,从而提高电池SOC估计精度。另外,电池的欧姆内阻可以表征电池的健康状态(state of health,SOH),因此还可以根据电池的欧姆内阻估计出电池的SOH。在设定工况下对电池做充放电实验,实验分析表明,与UKF相比,AUKF提高了电池SOC估计的精度,并能准确的估计出电池的欧姆内阻。     

基于自适应无迹卡尔曼滤波算法的锂离子动力电池状态估计

应用传统的无迹卡尔曼滤波(unscented Kalman filter,UKF)算法估计电动汽车锂离子动力电池核电状态(state of charge,SOC)时,常会出现由于电池模型参数不准确而造成估计误差增大的问题,该文采用了自适应无迹卡尔曼滤波(adaptive unscented Kalman filter,AUKF)算法解决该问题。AUKF算法是一种循环迭代算法,可以实时估计电池模型中的欧姆内阻,提高电池模型准确性,从而提高电池SOC估计精度。另外,电池的欧姆内阻可以表征电池的健康状态(state of health,SOH),因此还可以根据电池的欧姆内阻估计出电池的SOH。在设定工况下对电池做充放电实验,实验分析表明,与UKF相比,AUKF提高了电池SOC估计的精度,并能准确的估计出电池的欧姆内阻。     

基于等效电路模型的串联电池组不一致分布特征仿真分析

车载和电池储能系统中,为了获得高功率需要将单体电池串联后成组运行,但不一致问题的存在会使电池容易遭受过充和过放,缩短电池寿命甚至造成安全隐患。本文针对磷酸铁锂串联电池组,通过预报误差法辨识出模型参数,建立准确的一阶等效电路模型,仿真分析电池内阻和极化电压等内部参数。将影响电池不一致的因素分为电池本体参数差异和运行条件差异,其中本体参数包括初始SOC和最大可用容量,运行条件包括放电倍率和放电截止电压。在不同本体参数和运行条件的影响下,将端电压差异分解为开路电压差异、极化电压差异和欧姆压降差异,然后基于串联等效电路仿真分析端电压不一致的具体构成,最后采用基于SOC一致的均衡策略探究均衡条件下电池组电压不一致的分布特点。