电动汽车动力电池荷电状态估计方法探讨

准确估计电池荷电状态(SOC)是电动汽车电池管理的重要内容,SOC的准确评估对延长电池寿命和提高电动汽车整车性能具有重要意义。各国研究人员对电池SOC估计方法进行大量研究,先后提出了多种估计方法。文中介绍了电池SOC的定义及其主要影响因素,根据电池SOC估计方法的特点,按离线和在线方法对SOC估计方法进行总结和介绍,并比较了各方法的特点及实用效果。最后展望了电池SOC估计方法的两个潜在发展方向,即基于电池模型的非线性滤波方法和具有自学习能力的智能方法,为今后深入研究动力电池SOC估计方法提供借鉴。     

电动汽车电池荷电状态估计研究综述

电池荷电状态估计是近年来电动汽车电池管理系统的研究热点,分为电池模型和估计方法两个部分。针对种类繁多、功能各异的电池模型和估计方法,从原理、特点和适用范围3个方面作出分类和讨论。综合当前电池荷电状态估计有待解决的问题,对其发展趋势进行了展望。     

采用电动势-内阻模型在线估计蓄电池荷电状态

在快速充电技术的研究中,一个首要的任务就是确定蓄电池荷电状态(SOC),为快速充电控制提供参数依据。传统的充/放电循环测定法会使蓄电池老化,降低蓄电池内部化学物质的活性,导致内阻增加,缩短其使用寿命。文章介绍了一种基于最小二乘算法的电动势-内阻方法来测定蓄电池的荷电状态,这种方法可以应用于在线测定,并且无需深度放电再充电,从而延长了蓄电池的使用寿命。经实验验证这种方法是有效的。     

动力电池荷电状态研究的可视化分析

基于2010-2019年Web of Science核心数据集中收录的985篇电池荷电状态(SOC)研究论文,运用Cite Space和VOSviewer知识图谱工具,对发文国家、核心作者、共引文、前沿及关键词等进行可视化呈现。2010-2019年,电池SOC研究热度逐年上升;研究国家主要是中国、美国和德国等,机构主要为各国大学;发文量较多的作者主要在中国和德国。准确高效地预测电池SOC是电动汽车管理系统的研究重点;电池模型的选择、改良及优化估算方法是动力电池SOC研究的焦点。     

基于无迹卡尔曼滤波的动力电池荷电状态估计

提出一种基于无迹卡尔曼滤波算法的荷电状态估计算法。扩展卡尔曼可以线性化非线性函数实现滤波递推,但对于强非线性系统可能会滤波发散,且复杂的计算难以保证系统的实时性。无迹卡尔曼通过对非线性函数的概率密度进行近似,用一系列确定的样本来逼近状态的后验概率密度。通过FUDS工况实验验证了无迹卡尔曼滤波算法在荷电状态估计的效果,结果表明SOC估计精度在3%以内,满足实验的要求。     

基于多模型自适应卡尔曼滤波器的电动汽车电池荷电状态估计

基于电池的戴维宁(Thevenin)模型,设计了多模型自适应卡尔曼滤波器,并将多模型自适应卡尔曼滤波器应用于电动汽车电池荷电状态(state-of-charge,SOC)估计。由于老化电池是未知系统,利用传统的单一模型卡尔曼滤波器估计老化电池SOC时,因模型不准确而使估计误差增大。与单一模型滤波估计相比,多模型滤波估计融合了电池的各种老化信息,适合于未知系统的状态估计,从而提高了SOC的估计精度,并通过实验证明了上述结论的正确性。利用多模型自适应卡尔曼滤波器估计电池SOC,老化电池的模型与权值最大的单一模型较接近,根据单一模型权值可以近似估计出老化电池的健康状态(state of health,SOH),并通过电池容量测量,证明了SOH估计的正确性。     

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.     

锂电池分段分数阶建模与荷电状态估计

为提高等效电路模型准确性,考虑等效电容分数阶本质和锂电池充放电不同阶段的不同变化特性,采用分数阶微积分理论建立了基于二阶RC模型的电池分段分数阶等效电路模型.用粒子群算法分段辨识分数阶阶数,通过混合脉冲功率特性(HPPC)实验辨识模型参数,使模型更符合电池实际工作状态.实验结果显示,新模型能够更准确地模拟电池充放电特性...     

SOC Estimation of HEV/EV Battery Using Series Kalman Filter

This paper proposes a method of accurately estimating the state of charge (SOC) of rechargeable batteries in high fuel efficiency vehicles, such as hybrid electric vehicles (HEVs) and electric vehicles (EVs). Despite the importance of accurately estimating the SOC of batteries to achieve maximum efficiency and safety, no method thus far has been able to do so. This paper focuses on the simplification of a battery model, estimation of time‐varying battery parameters, and estimation of SOC in the presence of measurement noise. To address these three issues, a model‐based approach that uses a cascaded combination of two Kalman filters, “series Kalman filters,” is proposed and implemented. This approach is verified by performing a series of simulations in an HEV operating environment. The ultimate goal is to design a state estimator capable of accurately estimating the state of any kind of batteries under every possible user condition. © 2014 Wiley Periodicals, Inc. Electr Eng Jpn, 187(2): 53–62, 2014; Published online in Wiley Online Library ( wileyonlinelibrary.com ). DOI 10.1002/eej.22511     

基于MPSO-LM算法的车用电池组SOC预测

在对车用氢镍电池组进行了不同工况和温度下的充放电实验,获取了大量能真实反映电池动态行为和特征的实验数据的基础上,建立了一个Back-propagation神经网络的车用动力电池组的仿真模型,实现对电池SOC的预测.为提高BP算法的训练速度和估算精度,设计了一种将改进粒子群算法(MPSO)与Leyenberg-Marquardt(LM)算法组合使用的混合算法(MPSO-LM)用于优化训练BP神经网络.仿真结果表明.所提议的MPSO-LM算法比BP算法更有效.具有较快的收敛速度和较高的预测精度.测试结果中97%数据达到5%的误差或更小.     

纯电动汽车电池管理系统及SOC精确估计

基于阀控式密闭铅酸蓄电池,设计了一套纯电动汽车电池管理系统。依据Randles二阶等效电池模型,应用扩展卡尔曼滤波算法,对电池荷电状态(SOC)进行估计,并将估算结果与传统的安时积分和开路电压结合算法进行比较分析,经实验与仿真验证,此法对预测SOC值有较高的精确度和可靠性。     

磷酸铁锂电池组均衡控制策略及荷电状态估计算法

电池组在使用的过程中,由于温度场分布不均匀以及库伦效率的差异,各单体间的剩余容量将会出现不一致性,这将会降低电池组的容量。为了提高电池组的性能,本文提出了以热力学荷电状态(thermodynamic-SOC,t-SOC)作为均衡判断依据,动力学荷电状态(kinetic-SOC,k-SOC)作为均衡控制依据的均衡控制策略。针对电池组在均衡前/后处于不同的状态提出电池组不均衡/均衡状态SOC估计算法。最终通过实验验证了电池组在不同状态下SOC估计的精度,并且根据所提出的均衡控制策略对电池组进行均衡,实现了较好的均衡效果。     

磷酸铁锂电池SOC估算方法研究

磷酸铁锂电池宽的电压平台和严重的两端极化不利于SOC的估算,但电池的SOC对电池组不一致性和寿命有着重要的影响,因此本文在磷酸铁锂电池的现有SOC估算分析基础上,研究了反应电池电化学特征的伏安特性曲线,提出了不同充电倍率、不同老化程度下可靠和准确的△Q/△V分析方法,利用电池在充电过程中的峰值△Q修正电池SOC值。为电动汽车电池组在线均衡和智能电池系统的管理策略提供依据。     

基于SOC/IP智能电力系统

提出基于SOC／IP智能电力系统的概念，分析智能电力系统发展的必要性与可行性。以SOC－250芯片为例介绍IESOC／IP的实现方法，为今后我国的电力系统的智能化、电力系统的单芯片化奠定基础。     

基于BP神经网络法估算动力电池SOC

精确估计电动汽车用动力锂离子电池荷电状态(SOC)对于电动汽车的续航里程的估计和动力电池的安全保护具有重要的意义。针对锂离子电池的非线性关系,采用BP神经网络法来估算SOC。以3.2 V/100 Ah的磷酸锂铁电池为研究对象,在恒温条件下采用Arbin BT2000系列的充放电测试仪进行充放电实验采集原始数据,并将数据导入到神经网络模型中去训练和验证。验证结果表明:用BP神经网络法估算SOC的误差能控制在5%以内,验证了模型的准确性,为相似的SOC估计算法的改进提供参考和依据。     

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。     

基于滑动窗自适应滤波的锂电池SOC/SOH联合估计

以锂电池电化学-电路等效组合模型为基础,研究电池荷电状态(SOC)和健康状况(SOH)联合估计算法。电池组合模型包含电化学等效模型和电路等效模型两部分,两个RC并联电路分别表示电池工作过程中的瞬态响应和稳态响应。针对电池模型参数和性能参数的非线性特征,提出基于滑动窗滤波模型的非线性参数估计方法,该方法适用于锂电池的管理系统。同时,在模型参数和性能参数估计值的基础上,提出基于Kalman算法的电池SOC/SOH自适应在线联合估计方法。实验结果显示,新算法较好地解决了锂电池非线性模型引起的计算误差,保证电池SOC/SOH估计结果的实时性和有效性。     

部分电压和电流相量可测量时电压相量的状态估计

基于电风坟相量和电流相量可测的条件下,推导出了整个电网电压相量的线性状态估计表达式,并对测量随机误差对电压相量状态地的影响进行了分析。由于对电压相量的状态估计是线性的,因此能实时实现对电网的监视。