EV用LiFePO_4电池管理系统的研究与实现

为增强电动汽车(EV)电池管理系统功能,提出一种基于无线射频(RF)网络的电池组在线监测和管理设计方案,通过无线网络的分布式控制,实现了对磷酸铁锂电池参数精确监测及数据传输等功能,并采用多种算法相结合对电池荷电状态(SOC)进行估算,提高了估算精度.实验结果表明:本系统能很好地对电池组进行实时动态监控和有效管理,为设计新型电动汽车电池管理系统提供了重要依据.     

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CAN网络的磷酸铁锂动力电池管理系统的实现

根据磷酸铁锂动力电池在电动汽车上的使用要求,提出一种基于CAN总线网络的电池组在线监测和管理设计方案,由一个中央管理模块和若干底层监控模块构成分布式结构,实现对磷酸铁锂电池信息数据监测、电池荷电状态(SOC)估计、控制局域网(CAN)通信及充电管理等功能.通过采用推广的卡尔曼滤波算法,不断估算和修正参数,提高了SOC估算精度.试验结果表明,系统能很好地对电池组进行实时动态监控和有效管理,且扩展性强,为设计新型电池管理系统提供了重要依据.     

基于电路等效的磷酸铁锂材料电池建模研究

为了完整地了解磷酸铁锂电池的内部结构及工作特性,需要进行等效建模对其进行精确的参数辨识。以容量10Ah的磷酸铁锂电池为研究对象,选取PNGV模型进行特性分析,并用最小二乘法进行参数辨识。通过磷酸铁锂电池的充放电实验,表征出电池的充放电特性;通过OCV与SOC的标定实验,拟合出OCV与SOC之间的函数关系;通过HPPC实验研究,利用公式对模型各个参数进行计算,再通过最小二乘法拟合得到各参数的非线性规律。通过实验估算出PNGV模型中电容Cb的变化趋势,在客观上体现出电池对电量变化的敏感程度。以上几种实验结果表明,模型仿真与实测结果之间的误差平均值约为3.062 mV,最大误差为37 mV,基本反映出磷酸铁锂电池的工作特性,为动力电池的SOC估算及磷酸铁锂电池应用领域的仿真研究提供了理论基础。     

一种联合PID控制与扩展卡尔曼滤波的磷酸铁锂电池荷电状态估算方法

锂离子电池作为新能源存储的载体,是执行“双碳”目标的重要助力,精确估算电池荷电状态(state of charge,SOC)能够有效辅助电池管理,进而延长电池使用寿命。针对卡尔曼滤波类算法的SOC估算效果受磷酸铁锂电池特性制约的问题,该文提出一种比例积分微分(proportional integral differential,PID)控制与扩展卡尔曼滤波(extended Kalman filter,EKF)联合方法。该方法利用PID控制原理设计SOC初值补偿策略并优化EKF算法的状态变量修正过程,可降低磷酸铁锂电池特性对算法的影响。实验结果表明,与EKF算法相比,所提方法在估算磷酸铁锂电池SOC时拥有更高的估算精度与更快的收敛速度,对电池模型误差与采样噪声表现出较强的鲁棒性。     

基于LPV理论锂离子电池SOC估算研究

以磷酸铁锂电池为研究对象,在进行了电池特性实验的基础上确定电池电压特性以及开路电压与SOC关系。以二阶等效电路模型为基础,结合LPV理论及EKF原理,在Simulink中搭建电池仿真模型,实现了电池模型参数与SOC的联合估算,设计实验验证了模型的正确性。并嵌入整车模型模拟运行,电池SOC工作区间符合控制策略,设计的磷酸铁锂电池SOC估算方法可行有效。     

典型蓄电池的建模与荷电状态估算的对比研究

研究不同蓄电池荷电状态(state of charge,SOC)的变化特征有助于在实际应用过程中对蓄电池类型进行选择。基于铅酸电池、磷酸铁锂电池、全钒液流电池3种典型蓄电池模型,采用电池容量修正过的改进安时计量法和改进安时-卡尔曼预测法(Ah-Kal法),对各电池在不同充放电模式下,用MATLAB软件编程得到两种估算方法下的SOC变化曲线。通过SOC对比曲线可以发现铅酸电池的自放电较严重,循环寿命短;磷酸铁锂电池可迅速提供大功率;而全钒液流电池适合作为长期大容量储能支持。同时,改进安时计量法和Ah-Kal的估算结果基本相同,验证了Ah-Kal法的正确性。     

基于极限学习机的磷酸铁锂电池SOC估算研究

SOC(state of charge)的准确估算是电池管理系统的重要目标之一。针对传统神经网络方法在磷酸铁锂电池SOC估算中存在计算复杂、学习时间过长的问题,提出了一种新的基于ELM(extreme learning machine)的电池SOC估算方法。利用电池充放电系统完成磷酸铁锂电池在不同电流下的放电实验,获得实时测量的电压、电流。运用实验获得的数据对模型进行训练和预测,将预测效果与BP(back propagation)神经网络和SVM(support vector machine)进行对比,研究ELM在SOC预测中的可行性和优势。经分析可知,基于ELM的磷酸铁锂电池荷电状态估算模型的精度更高,并且网络训练速度得到大幅提升。     

磷酸铁锂电池荷电状态估算方法研究

电池的荷电状态(SOC)是电池管理系统要实现的重要功能之一。精确估算电池的荷电状态能为提高电池利用率和延长电池寿命起到重要作用。分析温度、放电倍率、充放电循环次数等因素对电池容量的影响,结合磷酸铁锂电池本身的特性,提出一种改进的安时计量法与开路电压法相结合的估算方法对SOC进行在线估算。应用到自平衡两轮车上,实验测试结果显示此方法能够实时、准确地估算电池SOC。     

磷酸铁锂电池倍率容量特性建模及荷电状态估算

针对磷酸铁锂蓄电池,首先采用解析型动力学电池模型(KBM)对电池的倍率容量特性进行描述,进而推导出双井荷电状态(SOC)的数学表达式;为建立SOC与电池电压的联系,进一步将KBM与电动势模型相结合形成综合模型;最后,基于该综合模型及非线性滤波算法实现SOC估算。实验结果表明,该模型可以体现锂电池的倍率容量特性及可用容量恢复特性,双井SOC估算结果可更全面地体现锂电池的SOC;此外,这种基于非线性滤波的SOC估算策略还具备初始误差自校正能力。