面向SOC估计的计及温度和循环次数的锂离子电池组合模型

锂离子电池荷电状态(SOC)估计的准确性依赖于精确的电池模型,为此提出一种基于改进的Shepherd模型并耦合温度和循环次数因素的锂离子电池组合模型(SCM)。将Shepherd模型受温度和循环次数影响的满电开路电压、极化常数、可用容量、内阻等参数进行热建模和循环损失建模,同时将模型参数辨识方法简化为仅需两组不同环境温度下放电实验数据的非线性最小二乘法。通过对不同循环次数的锂离子电池在不同温度环境下模拟电动汽车实际工况,进行放电实验,并结合扩展卡尔曼滤波算法实现对SCM模型和ECM模型的SOC动态估计。仿真和实验结果表明所提模型相对误差小于1.5%,SOC估计误差小于3%,从而验证了所提出模型的优越性。     

高功率锂离子电池放电倍率对容量影响的研究

锂离子电池比能量高，循环寿命长，具有高稳定性，已应用于各个领域。研究高功率锂离子电池放电倍率对容量的影响，对不同放电倍率的高功率锂离子电池进行容量测试，明确高功率锂离子电池的容量衰减问题，得到不同倍率下循环使用后高功率锂离子电池的容量和电压曲线。采用混合功率脉冲特性方法对高功率锂离子电池内阻进行测试和计算，分析结果表明，高功率锂离子电池在高荷电状态下内阻伴随放电率的提高而减小，在较低荷电状态下内阻则呈现出一定的复杂趋势。通过研究，可以促进高功率锂离子电池的应用。     

六自由度振动老化条件下锂离子电池的 衰退机理诊断与 SOH 预测

电动汽车锂离子电池会受振动与老化影响而加速衰减,为了诊断振动老化条件下的衰退机理,实现健康状态(SOH)预测,采取如下措施:首先,分析电池受振动影响的衰减结果;其次,辨识衰退模式,利用容量增量-微分电压(IC-DV)曲线对衰退模式进行量化,Z组结果为:活性物质损失(36.94%)、锂离子损失(35.12%)、电导率损失(1.9%);最后,将量化结果输入建立的GA-Elman模型实现SOH预测,结果误差保持在5%以内,满足电池管理系统(BMS)预测的要求。该研究为振动老化条件下锂离子电池的衰退机理诊断与SOH预测提供了依据,有助于BMS制定相关策略延长电池使用寿命。     

锂离子电池开路电压快速估计研究

提出了一种离线式锂离子电池开路电压快速估计方法,在短时间内完成对需要经过长时间搁置才能稳定的开路电压的预估。建立了一个带有权重的电压弛豫模型并利用短时间内搁置电压数据和模型预估值构造损失函数,通过优化算法对损失函数中的参数进行寻优。电池开路电压预估流程包括对电池进行放电,搁置和开路电压预估,整个过程所需时间为30～40 min,即通过30～40 min就可以完成对需要进行数小时静置后才能稳定的开路电压的预估。为了检验此模型的适用性,设计了三元锂电池在不同电池荷电状态(State of charge,SOC)下、不同温度下和以不同的放电倍率放电下开路电压预估的试验,以及设计了电池容量循环衰减试验,并在电池容量衰减后继续对电池开路电压进行预估。试验结果表明,此模型可以通过短时间搁置便能精确地预测电池在不同SOC和不同温度下以及电池容量衰减后的开路电压。提出的离线式锂离子电池开路电压快速估计方法能够快速、准确地预估电池稳定开路电压,在电池SOC以及电池健康状态(State of health,SOH)等状态估计及电池容量估计方面有重要作用,能够大大缩短预估时间。     

动力型磷酸铁锂电池的温度特性

动力型磷酸铁锂电池的特性与环境温度紧密相关。电池的容量特性、内阻数值和荷电状态—开路电压曲线是反映电池基本性能的重要特性指标,也是参与电池管理系统设计的重要参数。主要进行不同环境温度下电池的以上各性能试验,研究在不同的环境温度下电池的容量、内阻和开路电压的变化规律。动力型磷酸铁锂电池的容量在低温下迅速降低,在高温下迅速上升,高温下的容量变化速度小于低温;随温度上升,充电和放电过程的欧姆内阻、极化内阻均下降,温度不同时电池的欧姆内阻变化率高于极化内阻变化率,低温下欧姆内阻的变化率大于高温下的变化率;同时,低温下的荷电状态—开路电压曲线低于高温下的曲线,但总体上,曲线受温度的影响并不显著。     

基于安时积分和无迹卡尔曼滤波的锂离子电池SOC估算方法研究

基于Thevenin等效模型建立二阶RC等效电路模型，通过混合脉冲动力功率特性测试实验获取电池脉冲放电数据，进行电池等效电路参数辨识。为弥补锂离子电池荷电状态在90%~100%区间时电池模型参数辨识拟合误差而引起其估算误差的缺陷，综合采用安时积分与无迹卡尔曼滤波估算电池荷电状态。使用硬件在环仿真测试平台及环境模拟测试平台进行电池管理系统设计，在不同工况下对电池进行荷电状态估算，结果表明荷电状态估算误差范围为-1.5%~1.0%，该方法估算精度较高，效果理想。     

基于荷电状态的锂离子电池组主动均衡控制

针对锂离子电池组中单节电池间的差异性会对电池组的可使用寿命以及容量利用率造成严重影响，设计了一种电感式主动均衡电路。基于递推最小二乘扩展卡尔曼滤波(RLS-EKF)算法在线估算锂离子电池的荷电状态(SOC)，同时以SOC值作为均衡准则对锂离子电池组实施均衡控制，实现了一种主动均衡控制策略，并开发了锂离子电池组能量均衡管理系统测试平台。实验结果表明,RLS-EKF算法的SOC估算误差在3.5%以内，并且所提出的主动均衡控制方法极大改善了电池间的差异性，电池的容量利用率大幅度提高。     

面向整组寿命最大化的电动汽车电池一致性变化规律及其均衡策略

串联电池组的一致性问题是电池成组使用的关键问题之一,常通过电池均衡技术进行干预调节。但现有均衡策略多着重于单次循环容量和能量的最大利用,忽视了长时间尺度下电池组的一致性演变。为实现长时间尺度下的电池组寿命最优,试验研究了工作区间对电池老化的影响,讨论了传统顶部均衡和底部均衡下的电池组一致性演变,提出了优化最差单体工作区间的寿命均衡策略。研究发现使用的三元锂电池在高荷电状态区间循环时存在较快的容量衰减,增加循环放电深度同样会加速容量衰减;顶部均衡和底部均衡虽然可以最大化电池组单次性能,但容量一致性依旧持续变差,表明了寿命均衡的必要性;提出的寿命均衡策略使最差单体循环在较低的荷电状态区间,减小其容量衰减速率,进而有效地提高电池整组的累计放电量;最后,设计的试验证实了所提出的均衡策略可以显著提高电池组的容量一致性,并设计了相应的系统实现方案。提出的寿命均衡策略也为未来电池组的均衡研究提供了新的方向。     

某三元材料锂离子电池低温性能研究

为研究三元材料锂离子电池的低温性能,以国内某公司生产的37Ah三元材料锂离子电池为研究对象,对不同环境温度下三元材料锂电池充放电电压、内阻及容量等性能进行研究。研究结果表明,当环境温度低于0 ℃时,三元材料锂离子电池端电压、内阻、容量等性能均会出现不同程度的下降;环境温度低于-10 ℃,充放电电压曲线均呈现非线性变化,内阻变化较剧烈,严重影响电池寿命;环境温度低于-20 ℃时,无法进行大倍率放电;环境温度低于-30 ℃,大小倍率放电无法进行,充电容量大幅度下降。     

基于最小二乘法辨识模型的铅酸蓄电池在线监测系统设计

针对传统铅酸蓄用电设备异常监测系统监测准确率较低的问题,设计基于最小二乘法辨识模型的铅酸蓄电池在线监测系统。利用单体电池传感器的模块和基于电池组数据的集中器模块,构成硬件设备;利用上位机单元收集和存储电池电流以及电压数据,识别电池二阶模型参数;凭借最小二乘法计算出电池的荷电状态、电压、电流和内阻值,实现电池在线监测。实验证明,所提方法能够很好监测出电池电压、放电和寿命参数。     

基于数据驱动的电池系统泛化SOH估计方法

准确可靠的电池健康状态估计是保证锂离子电池安全运行的关键,同时为失效预警提供参考。提出一种适用于电池单体和电池组的健康状态估计通用方法。首先,提出基于局部充放电数据的电池单体高效健康因子提取方法,保证健康因子和容量的高相关性和实现健康因子的在线可获取性。其次,提出考虑电池组容量衰减和不一致性的特征生成策略,利用主成分分析获取融合特征,利用双时间尺度滤波和电池组等效电路模型拓宽特征提取方法的应用范围。然后,基于高斯过程回归算法框架,考虑健康因子和容量衰减的整体关系和局部变化提出改进的高斯核函数提高估计精度和可靠性。最后,利用多个试验数据集验证算法在不同应用条件下的泛化能力。估计结果表明,对恒流放电工况的电池单体估计误差小于1.28%,在动态变温条件下电池单体估计误差小于1.82%;串联电池组的验证结果表明在各种应用场景下估计误差均小于1.43%。提高了电池系统健康状态估计的精度以及在广泛应用场景下的适应性。     

Ni-MH电池化成方法的研究

提出了一种新颖的Ni-MH电池化成方法——反向预充法,即在Ni-MH电池化成中,首先,以小电流对电池进行反向预充电;然后,再按常规方法对电池进行化成,并对Ni-MH电池QNF25及其正负极的充放电性能进行了测试。结果表明,反向预充电量与负极配方直接影响反向预充化成的效果,采用反向预充法化成,QNF25的充电内压、倍率放电性能和低温(-35℃)下放电性能得到了明显改善,90次充放电循环后性能未见衰减,循环0.5C放电容量明显提高,自放电性能和高温放电性能无明显变化。     

钛酸锂电池荷电状态的试验研究

随着可再生能源发电技术的发展,作为微电网的能量缓冲环节,储能系统的作用越来越重要。单体电池的不一致性已成为制约电池组应用发展的一个非常关键的问题。在电池管理系统中,荷电状态(SOC)作为衡量电池工作状态的重要指标之一,应能够精准和方便地获得。在定义绝对荷电状态(SOCa)的基础上,对MV18650NTPCA型单体钛酸锂电池进行充放电试验,应用最小二乘法,快速、方便地测定SOC与开路电压(OCV)之间的关系,对SOC的精确估计有较大的借鉴意义和实用价值。     

一种退役锂电池健康状态估计方法

针对退役锂电池健康状态估计效率较低的现状,提出一种快速、有效的估计方法。首先采用3阶RC等效电路模型描述电池特性得出状态方程,确保电池模型精确性,同时引入电池荷电状态SOC(State of charge)和欧姆内阻(R₀)作为状态方程参数。其次利用区域概念,计算出特定的区域容量与区域电压,减少电池参数估计所需要的数据、时间。然后通过扩展卡尔曼滤波(Extended kalman filtering)算法估计电池参数SOC和R₀,进而对电池健康状态(State of health, SOH)进行估计。最后,利用电池测试设备(Arbin-BT2000)对18650电池进行充放电实验,验证该方法的可行性。实验结果证明SOH估计所需参数明显减少,使得电池数据测量所需时间明显缩短,并且估计误差不超过4%,误差较小,说明所提出方法能快速、有效地估算出电池SOH。     

基于充电曲线特征的锂离子电池容量估计

准确的容量估计对锂离子电池管理具有重要意义。通过电池循环老化试验,归纳出老化过程中与电池容量衰减相关的充电曲线特征。通过计算充电曲线特征与衰减容量的相关系数进一步确定特征的电压区间。建立以径向基函数为核函数的相关向量机模型,以5个特征为输入量、电池容量为输出量进行数据训练,然后以筛选出的相关矢量进行在线容量估计。结果表明,该电池容量估计算法精度在2.2%以内,且算法收敛性较好。     

基于DSP控制的锂电池快充电路研究

针对锂电池充电速度需要不断提升,而不同种类锂电池最佳充电策略不同的问题,对锂电池充电电路、充电方法等方面进行了研究,对不同充电电路的优缺点进行了归纳,提出了一种基于DSP28035控制的锂电池快充电路,可用于单体锂电池快速充电方法研究。用DSP28035采集电池电压电流对其进行了数字闭环控制,电路具有6 V~30 V的宽范围输入,Buck降压变换器用于电池充电,Boost升压变换器用于脉冲放电去极化,电池充放电电流均精确可调。改变DSP的程序可实现CC、CV、CCCV以及阶梯恒流充电、脉冲充电等多种形式的充电。利用Matlab/Simulink进行了仿真,并制作了充电样机,进行了锂电池充电测试。研究结果表明,该电路结构简单、控制方便,能够进行各种充电策略测试,能够实现过流、过压、过温保护,电路稳定性好、可靠性高。     

Estimation method of state-of-charge for lithium-ion battery used in hybrid electric vehicles based on variable structure extended kalman filter

Since the main power source of hybrid electric vehicle(HEV) is supplied by the power battery, the predicted performance of power battery, especially the state-of-charge(SOC) estimation has attracted great attention in the area of HEV. However, the value of SOC estimation could not be greatly precise so that the running performance of HEV is greatly affected. A variable structure extended kalman filter(VSEKF)-based estimation method, which could be used to analyze the SOC of lithium-ion battery in the fixed driving condition, is presented. First, the general lower-order battery equivalent circuit model(GLM), which includes column accumulation model, open circuit voltage model and the SOC output model, is established, and the off-line and online model parameters are calculated with hybrid pulse power characteristics(HPPC) test data. Next, a VSEKF estimation method of SOC, which integrates the ampere-hour(Ah) integration method and the extended Kalman filter(EKF) method, is executed with different adaptive weighting coefficients, which are determined according to the different values of open-circuit voltage obtained in the corresponding charging or discharging processes. According to the experimental analysis, the faster convergence speed and more accurate simulating results could be obtained using the VSEKF method in the running performance of HEV. The error rate of SOC estimation with the VSEKF method is focused in the range of 5%to 10%comparing with the range of 20%to 30%using the EKF method and the Ah integration method. In Summary, the accuracy of the SOC estimation in the lithium-ion battery cell and the pack of lithium-ion battery system, which is obtained utilizing the VSEKF method has been significantly improved comparing with the Ah integration method and the EKF method. The VSEKF method utilizing in the SOC estimation in the lithium-ion pack of HEV can be widely used in practical driving conditions.     

基于组合模型的锂电池参数辨识和电池荷电状态在线联合估计

针对电池荷电状态(SOC)估算过程中开路电压与SOC之间的迟滞效应以及充放电电流和端电压中噪声的影响，提出了基于组合模型的Frisch 方案双滤波（FSDF）法。先通过一阶RC等效电路模型结合Preisach离散模型建立新的模型，随后采用Frisch 方案对模型的输入输出进行噪声方差估计，滤除部分输入输出噪声，最后使用扩展卡尔曼滤波结合无迹卡尔曼滤波进行参数实时更新和电池单体SOC估算。实验证明，FSDF方法对锂电池SOC估算结果与Frisch方案递推最小二乘无迹卡尔曼滤波法等其他方法相比，具有精度高、鲁棒性好等特点。     

基于Cuk斩波电路的电池组均衡方法

电池均衡技术可有效减小锂电池组串联使用过程中的不一致性。基于此提出了一种使用Cuk斩波电路作为均衡器的新型均衡拓扑,该均衡拓扑使用双层开关选择均衡单体电池连接到Cuk均衡器,同时该均衡器采用零电压导通技术。均衡方案使用单层均衡器实现模组内部单体之间以及不同模组的单体之间均衡能量的同时转移。该均衡方案具有均衡电流连续且波动较小、均衡能量转移效率高等优点。对12节串联的锂电池组进行了充放电均衡实验以及静置均衡对比试验,实验结果表明,该方案可以有效减小单体电池间的不一致性,提升电池组的整体性能。     

基于模糊卡尔曼滤波器的锂电池荷电状态与健康状态预测

针对当前锂电池荷电状态(State of charge, SOC)与健康状态(State of health, SOH)预测精度较低的问题,提出了一种基于模糊卡尔曼滤波器的预测方法。采用非线性二阶电阻电容模型表示锂电池,并通过最小二乘误差优化算法对模型参数进行估计,从而更准确地确定蓄电池容量作为SOH值的基础。扩展卡尔曼滤波器(Extended Kalman filter, EKF)可在初始SOC值未知的情况下对其进行准确预测,而模糊逻辑有助于消除测量和过程噪声。仿真结果表明,在城市测功机驱动计划期间(Urban dynamometer drving schedule, UDDS)测试中最大的SOC估算误差是0.66%;通过离线更新卡尔曼滤波器,可对电池容量进行估计,结果表明,最大估计误差为1.55%,从而有效提高了SOC值的预测精度。