锂离子电池模型综述

锂离子电池的性能是影响电动汽车动力性能最主要的因素之一,锂电池的荷电状态(SOC)是电动汽车电池管理系统(BMS)的核心,为整车电池组的控制提供判断基准.建立一个准确的锂离子电池模型是实现电池SOC在线监测的关键,SOC的精确程度直接影响着锂电池的输出特性、使用寿命和安全性能等方面.有鉴于此,本文对电化学模型、等效电路...     

基于自适应卡尔曼滤波的锂电池SOC估计

考虑到传统的卡尔曼滤波策略在未知干扰噪声环境下不能对锂离子电池的荷电状态(SOC)进行准确的估计,简要论述了锂离子电池的等效电路模型,提出了自适应卡尔曼滤波方法,利用Matlab/Simulink建立了基于自适应和常规的卡尔曼滤波法的锂离子电池SOC估计的仿真模型,分析研究了在未知干扰噪声下两种滤波法的SOC估计值变化曲线以及误差关系。仿真结果表明,采用自适应卡尔曼滤波方法估计的SOC误差较传统的要小,从而有效降低了未知干扰噪声对电池管理系统所受到的影响,且具有较好的鲁棒性,为今后深入研究动力电池SOC估计方法提供了一定的参考。     

锂离子电池特性研究

为了提高锂离子电池组的安全性和使用寿命,需要对电池组进行有效的控制和管理。电池荷电状态（SOC）是电池管理系统中最重要的参数之一,是系统中其他功能的基础。因此,电池SOC实时、准确的估计有着重要的现实意义。实现电池SOC实时、准确的估计的基础是建立精确的电池模型。针对锂离子电池的几个主要特性进行了相关的研究和实验验证,为电池模型的建立提供了依据。     

基于改进等效电路模型的高比能量储能锂电池系统功率状态估计

针对高比能量电池大倍率下的电化学特性特殊性,用传统的等效电路模型(equivalent circuit model,ECM)估计功率状态(state of power,SOP)存在精度较低的问题,提出一种拓展的等效电路模型(extended equivalent circuit model,E-ECM)进行SOP估计。分析锂离子动力电池负载电流对极化内阻的影响,基于不同倍率测试和最小二乘的方法建立极化内阻与电流的关系;通过引入SOC偏差△z的概念,来描述电池内部的固相扩散反应引起的扩散压降,对部分SOC区间的△z进行了拟合预测;构建了考虑极化内阻电流依赖性和扩散压降的E-ECM模型,基于E-ECM模型进行电压限制下的10s和180s的SOP估计。搭建了面向单体电池的基本性能实验和SOP最大电流实验平台,分析结果表明,基于模型的最大电流平均误差不超过0.41%、最大误差0.51%左右,基于拟合预测△SOC处的最大电流误差为1.47%,验证了E-ECM模型对SOP估计的有效性和准确性,为锂离子动力电池管理系统功率状态估计与控制提供了理论支撑。     

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。     

基于ANN的锂离子电池SOC估算方法研究

锂离子电池的荷电状态(SOC)是电池管理系统中的一个重要参数,准确的荷电状态估计对于确保锂离子电池安全可靠的运行十分重要。从估算原理和优缺点等方面出发,综述了国内外各种基于人工神经网络的SOC估算方法的研究进展,并提出了今后的研究展望。     

基于分数阶模型的锂离子电池SOC与SOH协同估计

锂离子电池荷电状态(SOC)和健康状态(SOH)的精确估计对电动汽车稳定运行十分重要.以精确估计电池SOC和SOH为目标,提出了一种基于分数阶模型的协同估计算法.建立基于二阶RC电路模型的分数阶电池模型,采用自适应遗传算法(AGA)辨识模型参数,利用分数阶扩展卡尔曼滤波(FOEKF)算法估计SOC,并结合自适应无迹卡尔曼滤波(AUKF)算法估计SOH,迭代更新内阻与SOC进而实现SOC与SOH精确的协同估计.在城市道路循环工况(UDDS)下使用Matlab工具验证和对比了算法精度,平均误差均控制在2％以内.结果表明,该协同估计算法能够精确估计电池SOC和SOH,为电池状态估计提供了一种方法.     

基于改进模型的锂离子电池SOC估计

为提升锂离子电池荷电状态(SOC)的估计精度,提出一种易于工程实现的二阶RC滞回等效电路模型.该模型采用差分进化(DE)算法对参数进行优化辨识,在城市道路循环工况(UDDS)、新标欧洲循环测试(NEDC)运行工况条件下对端电压和SOC进行估算.相比于传统二阶RC等效模型,二阶RC滞回等效电路模型估算的端电压误差小于10 mV,SOC误差减小至1％.此改进模型更符合锂离子电池的电化学特征,以此模型进行扩展卡尔曼滤波(EKF)算法的SOC估计具有更高的估计精度,为1％.     

基于递推最小二乘法的锂离子电池等值参数在线识别

电池状态的准确在线估计是锂离子电池储能系统安全、可靠和高效运行的重要支撑,精确电池模型是实现上述估计的前提.然而,锂电池复杂的电化学反应过程使电池模型参数可能随荷电状态(State of Charge,SOC)、温度及运行工况改变而变化,传统的离线识别方法难以保证模型精度和适应性.提出一种基于递推最小二乘法(Recur...