基于均值模型的电动叉车电池组荷电状态估计

针对电动叉车的动力电池组荷电状态（SOC）的实时估计,考虑到电池存在的差异性,采用电池选型外部滤波过程,建立了二阶RC等效电路模型与电池组均值模型,并提出了FFRLS_EKF联合算法。运用带遗忘因子的最小二乘法（FFRLS）进行模型参数辨识,结合扩展卡尔曼滤波算法实现SOC估计。通过试验测试与MATLAB计算验证,结果表明开路电压（OCV）模型估计值与实际值的误差均值约为0.02 V,动力电池组SOC值与各单体电池均值的误差小于2%。该方法应用于电池组,可实现电池组内各单体电池的最大可用容量和荷电状态一致性估计。     

基于STF&LM算法的串联锂离子电池组不一致性辨识与状态估计

电池组中单体间存在的不一致性是电池状态估计问题中的一大难点。针对串联锂离子电池组,提出了一种基于强跟踪滤波器(strong tracking filter,STF)与LevenbergMarquardt(LM)算法相结合的电池组不一致性辨识与状态估计的新方法。首先针对"参考单体"给出了一阶等效电路模型与开路电压–荷电状态(state of charge,SOC)特性关系曲线,通过STF算法得到其状态估计与参数估计;其次建立不同单体的"电压相似函数",并引入LM算法对SOC、极化电压、欧姆内阻3种不一致因素进行辨识;最后对2组5个LiFePO_4单体串联的电池组在不同的工况下进行了实验验证。结果表明,所提方法对各单体的状态与内阻估计误差在合理的范围内,对电池组不一致性辨识与状态估计具有良好的效果。     

基于Buck-Boost电路的能量转移型均衡方案

提出了一种基于Buck-Boost电路的新型均衡电路,实现了锂离子串联电池组充放电均衡。根据均衡能量流向,采取两种不同的均衡策略:电池组放电时,均衡能量由电池组向组内荷电状态(state of charge,SOC)较低的单体电池转移;电池组充电时,均衡能量由电池组中SOC较高的单体电池向电池组转移。以单体电池开路电压在线估计为基础,运用开路电压法估算SOC,选取SOC值在一定阈值范围之外的单体电池作为均衡对象,对6节串联的磷酸铁锂电池进行了充放电均衡实验。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,同时提高了电池组充放电容量。     

不同温度的双卡尔曼滤波算法电池组SOC估计

动力锂电池组的荷电状态SOC(state of charge)是整个电池管理系统的重要参数,能直接反映电动汽车剩余可行驶里程,因此如何精确地估计电池组的SOC值是至关重要的。由于电池组各单体电池的不一致性,以及电动汽车在行驶过程中的复杂环境,所以在电池组内单体电池负载电压的最小值Vmin模型的基础上运用统计学的方法,对模型中的各参数进行有关温度因素的拟合,并通过模拟汽车的实际行驶环境,在不同温度下进行实验,从而得到改进的Vmin模型;结合双卡尔曼滤波算法,实现对整个电池组的SOC估计。仿真和实验结果表明该方法对电池组SOC的估计精度有优越性。     

基于电池组模型的EKF-UKF电池参数和

在电池的使用过程中,电池组荷电状态(SOC)的准确估计对电动汽车的使用起到非常重要的作用,直接关系到车辆的续航里程。同时组成电池组的电池单体SOC的一致性会直接影响电池组的充、放电效率。在电池的使用过程中,组成电池组的电池单体会存在一定的不一致性,这使得电池组的SOC估计相当困难。在分析电池单体模型的基础上,对电池组进行建模,并使用重组状态空间方程的方法降低电池组状态空间方程的维数,同时使用EKF-UKF对电池组的内部参数和电池组的SOC进行观测和估计。最后通过恒流工况和DST工况验证算法的准确性和正确性,并分析了电池单体间的不一致性对电池组容量的影响。     

大功率动力电池组BMS的主动均衡混合策略

由于电池的不一致性,电动汽车、叉车以及其他大功率动力电池组的电池管理系统(battery management system,BMS)至关重要,精确的荷电状态(state of charge,SOC)估计和高效的均衡策略是BMS的技术核心.基于同步双向反激式变压器的均衡电路拓扑,提出一种以电池SOC、电压为均衡变量的分段式主动均衡混合策略.通过搭建BMS电池组实验平台,开展了充放电阶段的均衡实验,结果显示充电阶段均衡后电池组总容量提升了2.3％,单电池电压极差由74 mV减小至9 mV;放电阶段均衡后单体SOC误差不大于0.5％.实验验证了所提主动均衡混合策略的有效性与可行性,能较好地改善电池组的不一致性.     

基于剩余容量的锂离子电池组均衡策略

不一致性使得电池在成组后容量利用率方面远不及单体电池,现有的均衡方法注重防止电池过充过放,控制策略没有兼顾能量利用效率,均衡过程能量损失较大。基于单体电池剩余容量估算,通过对电池体质的在线辨识,将电池划分为倾向于过放、倾向于过充以及与整体平均剩余容量变化一致3类,并依据电池体质合理地分配每类电池的均衡能量。实验表明该方法较传统的电压中心均衡策略能够有效缩小单体电池剩余容量差异,电池组容量利用率提升了3.3%。     

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。     

基于K-Means聚类分析的串联电池组主动均衡策略

由于电池单体所处温度场不均匀以及电池单体内阻、库仑效率等参数的不一致,电池组在反复充、放电过程中会产生电池单体剩余电量不一致的现象,限制了电池组整体的可用容量。为此,提出了一种基于K-Means聚类分析的串联电池组主动均衡策略,该方法以电池荷电状态(SOC)一致性为均衡目标。以8节三元锂电池串联构成的电池组作为实验对象,在搭建的电池均衡实验平台上进行了实验验证,结果表明,电池组均衡操作前后可用容量分别为1.75和1.87Ah,经过均衡,可用容量提升了6.86%,证明了所提出的均衡策略的有效性。     

考虑内部参数不一致性的储能系统用锂电池组建模

目前,电化学储能系统建模普遍采用基于电池单体的简单等效模型,成组和系统模型中较少考虑内部电池参数不一致性,低荷电状态(SOC)下仿真误差较大,并且随着储能系统的运行,差异越发明显,难以反映储能电池的实际运行状态.基于锂电池储能电站成组结构,研究影响简单等效模型电压误差的因素及电池单体与电池模块的电压特性关系,分析电池单体间电压差异来源,提出一种串电容等效模型,并以电池单体SOC和电池单体容量为主要差异参数进行电压修正,建立考虑电池串之间不均衡电流的并联模型.仿真结果表明,串电容等效模型相较简单等效模型能够有效提升低SOC状态下模型的精度,为多电池单体串并联组成的电池系统仿真模型提供技术支撑.     

Battery Management System Used in Electric Vehicles

A battery management system(BMS) which contains state of charge(SOC) determination,battery charging control and its optimization,and cell balancing is proposed.Thevenin’s model having a RC network characterizing the battery polarization is used for SOC determination.The polarization voltage of the battery model is identified using the nonlinear least square technique.The paper presents a new SOC definition method considering the SOC limit of each cell for battery pack in series.The relationship between the battery current and polarization voltage is analyzed.And then the battery charging approach that the charging current can be adaptively adjusted by the polarization voltage control system is investigated based on fuzzy logic control theory.Cell balancing control strategy is also proposed based on the principle of the maximum use for the capacity and energy of the battery pack.     

基于电压偏移序列的电池健康状态估计方法

针对传统电池健康状态(state of health,SOH)估计方法对充电策略和数据质量的严重依赖问题,提出了一种基于电压偏移序列的SOH估计方法。该方法以新电池的充电曲线为基准序列来构建分段SOC区间的电压偏移序列,提取该序列的分布特征参数后,利用主成分分析法(principal component analysis,PCA)进行主要特征的SOH回归建模。实验结果表明:利用基于电压偏移序列对电池SOH进行预测,在不同初始SOC下的最大误差仅为1.10%,并进一步验证其在初始SOC误差±5%下的鲁棒性,电池SOH估算最大误差仍能保持在4%以内。该方法能够采用少量历史数据进行快速地估算,可用于车载和充电桩平台,对提高系统计算效率和降低成本具有重要意义。     

基于耦合绕组的锂电池组主动均衡方案研究

针对锂电池组在充放电过程中出现能量不一致的问题,采用传统的Buck-Boost均衡电路和Flyback均衡电路的均衡方法,提出一种可减小电路尺寸、提高均衡速度和均衡效率的基于耦合绕组的新型主动均衡电路。通过对耦合绕组的选择性充放电,会有三种不同的工作模式来实现单体之间的能量转移,并调节PWM驱动信号占空比来提高均衡器的工作效率。在均衡控制策略方面,根据锂电池开路电压(OCV)与荷电状态(SOC)之间的一一对应关系,提出了基于电压和SOC双变量的均衡控制策略,主要是通过电压快速均衡和修正均衡以及SOC均衡阶段同时实现电压均衡和SOC均衡,更加合理地保证电池组动态性能一致。实验结果表明,该方案可以减少电池组的均衡时间,并且降低了能量损耗,提高了均衡效率,使电池组的整体性能达到最优状态。     

基于隔离型半桥变换器的退役电池组均衡方法

在梯次电池储能应用中,梯次电池间存在的较大不一致性使得电池组在充放电过程中更容易出现过充和过放现象,限制了电池组整体的可用容量甚至造成安全隐患。针对该问题,本文提出了一种基于隔离型双半桥DC-DC变换器的有源均衡电路。该均衡电路由N+5个开关(N为电池数目)构成的开关阵列和隔离型双半桥DC-DC变换器构成,保证了电路的灵活性。在主电路工作原理分析的基础上,进一步提出了一种基于SOC的分状态均衡控制策略,在电池组充电、放电和静置三种不同状态下,采用对应的均衡策略实现电池组能量平衡。最后对5节串联锂离子电池进行了均衡实验,实验结果表明相比不使用均衡器的电池组,该方法在静置、充电、放电状态下分别提升了12%,9.9%,17.5%的可用容量,证明了该方法的可行性及有效性。     

基于集成ELM的锂离子电池充电截止电压下的SOC和SOH联合估计

充电截止电压是大多数电动汽车用户充电都会经历的电压点。针对传统安时积分法忽略初始容量误差和电池老化等一系列待优化的问题,提出了双层集成极限学习机(extreme learning machine, ELM)算法,实现锂离子电池充电截止电压下的荷电状态(state of charge, SOC)和健康状态(state of health, SOH)联合估计。首先,提取易测的电池健康特征(health indicator, HI),采用集成极限学习机映射HI及充电所需时间与SOH之间的关系。其次,用测得的HI估计难以在线测量的充电所需时间,对充电截止电压下安时积分法的SOC进行在线修正。该方法充分考虑了电动汽车用户初始充电状态的不确定性,指导电动汽车用户合理充电。此外,通过选择合适的集成ELM模型集成度,解决了单个ELM模型输出不稳定的问题。最后,选用NASA和CALCE数据集进行实验验证。验证结果表明,锂离子电池充电截止电压下SOC的估计均方根误差均小于1.5%,集成ELM相比于其他常见算法具有较高的训练、测试精度和较短的预测时间。     

新型充放电均衡一体化电池管理系统研究

电动汽车串联动力电池组的不一致问题,使得成组电池在容量利用、使用寿命及安全等方面的性能远不及单体电池.分析了电动汽车动力锂电池组不一致产生的原因,以及现有均衡方案存在的问题.提出了一种基于SOC的新型充放电均衡一体化电池管理系统(BMS)方案,并依据车载在线均衡要求设计了均衡硬件电路.实车验证表明,通过均衡模块作用整组电池的可用容量提高了 1.2％,降低了电动汽车电池的使用和维护成本.     

风-光储能系统锂离子电池SOC校准优化方法

使用安时积分法估算电池荷电状态(SOC)在工业上已有广泛应用,但对于风光互补发电系统来说,使用开路电压(OCV)校准安时积分法的累积误差不切实际,因为OCV法需要电池静置数小时。针对此问题,提出一种新的校准方法,该方法与OCV法类似,但校准条件只需要电池电流恒定或小范围波动维持4 min,更适用于校准风 光储能系统中使用安时积分法存在的误差累积问题。使用4串6并的软包钴酸锂电池进行试验测试,在3.9、3.6、3.2 V三个不同电压平台中,所提出的策略与实际OCV误差均小于10 mV,换算成SOC均小于1%,证明了本文所提出策略的可行性。     

电池组分段混合均衡控制策略

为了解决电池组由于制造工艺和应用环境的差异所引起的不一致性问题,针对具有电压平台宽、在充放电末端电压变化快这类特性的电池体系,提出了一种基于电压和荷电状态(SOC)的分段混合均衡控制策略。应用MATLAB/Simulink仿真平台,搭建基于双向反激式变压器的多绕组结构的主动均衡拓扑结构,并分别在几种不同的电池组运行工况下验证所提分段混合均衡控制策略的有效性。与采用单一均衡变量的均衡控制策略进行比较,仿真结果表明分段混合均衡控制策略在电池组充电完成或放电结束后能够同时保持电池组电压和SOC良好的均衡效果;所提分段混合均衡控制策略能够更有效地提高电池组的一致性。     

Online collaborative estimation technology for SOC and SOH of frequency regulation of a lead-carbon battery in a power system with a high proportion of renewable energy

In this paper, a collaborative online algorithm is proposed to estimate the state of charge (SOC) and state of health (SOH) of lead-carbon batteries that participate in frequency regulation of a power system with a high proportion of renewable energy. The algorithm addresses the inaccurate estimation of energy storage battery states caused by continuous and alternating charging and discharging over a short period. Analysis of lead-carbon battery chemistry and materials reveals that the resistance of the diaphragm is the most influential factor in battery aging. In addition, the hysteresis characteristics of an energy storage battery vary significantly between the charging and discharging stages. A second-order RC equivalent circuit model is proposed that considers the contact and diaphragm resistances, and hysteresis characteristics. Based on this, models for constant current charging interaction, constant voltage charging interaction, and dynamic discharging interaction are developed. The adaptive forgetting factor recursive leassquare (AFF-RLS) method is used to identify the parameters of the interactive models. Then an interactive multiple model with the embedded unscented Kalmanfilter (UKF) is used to estimate the SOC of the energy storage battery. The membrane and contact resistances identified by the interactive multi-model (IMM) are used to estimate the SOH, and online collaborative optimization of the SOC and SOH is achieved. The error of the proposed SOC estimation method is experimentally verified to be within 2%, which is less than 5% of the standard value, and the error of SOH estimation is within 0.5%, demonstrating the high accuracy of the proposed method.