基于OCV模型优化的磷酸铁锂电池SOC估计

锂离子电池荷电状态(SOC)与开路电压(OCV)的关系曲线(OCV曲线)是影响其SOC估计精度的核心因素。针对小电流OCV(LO)测试耗时短但数据精度较低的问题,提出一种OCV模型及其优化方法。该方法基于LO测试的OCV数据,采用道格拉斯-普克算法和分段线性函数建立OCV模型。并将OCV曲线上的4个OCV点作为变量,建立了其他OCV点的随动模型,使曲线能够运用粒子群优化算法进行优化。基于优化后的OCV曲线,动态工况下的端电压估计绝对平均误差降低83.5%,采用自适应扩展卡尔曼滤波的SOC估计误差小于0.3%。该方法能够基于耗时短的LO测试获取准确OCV曲线,降低锂离子电池研究与应用的测试成本。

基于优化OCV-AH积分法的SOC估计

针对传统安时积分法估算锂电池荷电状态(SOC)存在精度不足的问题,文章提出一种优化开路电压-安时积分法(OCV-AH)的锂电池SOC估计算法。该优化OCV-AH积分法主要包括静态SOC初始值的校正和动态安时积分法的优化。首先将静置法数据分段拟合涓流放电曲线,得到高精度的OCV-SOC特性曲线作为校正SOC初始值的依据;然后在考虑了温度、放电倍率和充放电循环次数对电池实际容量的影响后,计算出修正系数,加入安时积分法中,动态修正电池的实际容量。最后,在Simulink中搭建了优化OCV-AH积分法的模型,并在DST工况下,将优化安时积分法与传统安时积分法进行仿真对比,验证了该文设计的优化OCV-AH积分法对于SOC初始值校正和SOC动态估算的精确性。

基于SOC-OCV优化曲线与EKF的锂离子电池荷电状态全局估计

SOC-OCV曲线是锂离子电池状态估计的基础。针对传统HPPC测试法在非测试点不能描述电池非线性特性和小电流恒流放电法得到的OCV曲线精度不足等问题,提出一种基于粒子群优化算法的OCV曲线优化方法。该方法将小电流恒流放电得到的OCV曲线进行平移,以平移曲线在测试点与HPPC测试得到的OCV值之间的误差和最小为优化目标,对OCV曲线进行优化。然后,以优化OCV曲线为基础对2阶RC模型的模型参数进行辨识和模型端电压估计。结果表明:与HPPC法相比,基于优化OCV曲线的模型精度具有更高的全局精度,在低SOC区域的模型精度提高了一倍。最后,基于优化的OCV曲线和辨识的模型参数,设计扩展卡尔曼滤波算法对SOC进行全SOC区域估计。试验结果表明,基于优化OCV曲线和扩展卡尔曼滤波算法的SOC估计误差在全SOC区域上都能保持在2%以内。

基于OCV-SOC曲线簇的磷酸铁锂电池SOC估算研究

通过对3.2 V/72 Ah能量型磷酸铁锂电池进行充放电试验,研究不同充放电倍率下的开路电压(OCV)与荷电状态(SOC)的关系。根据磷酸铁锂电池在静置状态下的电压滞回特性,构建了不同静置时间下的OCV-SOC曲线簇,并利用傅里叶高阶拟合和差值法建立电池OCV-SOC不同静置时间下的校正数据表,该数据表将对提高电池管理系统SOC估算精度具有较强的可行性和实用性。

28nm制程下多电压设计中AOCV的应用

随着IC工艺技术的进步和发展,我们已经进入28nm工艺制程时代。相对于使用基于设置全局derate值的传统OCV方法,Advanced-OCV方法具有更精准和合理的优势,同时多电压设计已经成为实现低功耗设计的重要手段。因此,本文将基于28nm工艺的设计,介绍AOCV在多电压设计中的时序分析和验证的实际应用以及其带来的优势。

基于动态可重构电池网络的OCV-SOC在线估计

随着大规模储能系统的广泛发展,快速准确地估计锂离子电池的荷电状态(state of charge,SOC)对系统的安全可靠运行至关重要。然而,在传统的固定串并联电池单元/模块拓扑结构中,无法直接测量电池单元/模块的开路电压(open circuit voltage,OCV),也就无法建立OCV-SOC映射关系来准确估计SOC。对此,提出一种基于新型动态可重构电池网络的精准SOC估计方法。该方法可以在1s内测量得到OCV,然后使用梯度增强决策树估计电池单元/模块的准确SOC。实验结果表明该方法的高效率和有效性,为电池状态估计提供了一个范式结构。

基于SOC-OCV曲线特征的SOH估计方法研究

电池的健康状态估计(state of health,SOH)是锂离子电池管理系统中的状态参数之一,影响电池荷电状态估计(state of charge,SOC)和峰值功率估计(state of power,SOF)的精度。本文中通过追踪SOC-OCV(open circuit of voltage,OCV)曲线特征的衍变规律,从热力学的角度提出了全新的SOH估计方法。利用三元锰酸锂复合材料为正极的锂离子电池循环寿命实验数据构建SOH与SOC-OCV曲线特征参数之间的关系,并验证所提SOH估计方法的精度。实验结果表明:SOH从100%衰退到50%,SOH估计精度在±1.5%以内。

OCV阀质量检测的模式识别方法

针对OCV阀的磁滞和卡滞不合格存在的误判提出了改进方法,利用小波变换检测跳变点的能力很好地解决了该问题。研究了BP网络在对OCV阀质量检测中的应用,结果表明该方法不仅可以解决误判问题,还能检测出产品所有类型,并且该方法无需经常调整测试标准,有较好的环境适应性。但该方法仍存在错判,对此提出了利用模糊阈值的方法,将分类模糊的产品测试数据保存起来交由人工处理。实验证明,该方法可将错判率降低到0,相对于现有测试方法,效率已大幅提高。

基于EKF-Ah-OCV的锂电池SOC估算策略

准确估算锂电池荷电状态是电池管理系统最重要的一个方面,可以为电池管理系统提供控制策略。从锂电池的性能和它的工作环境来看,在扩展卡尔曼滤波算法、安时积分法和开路电压法的基础上,提出一种新的扩展卡尔曼滤波-安时积分-开路电压法算法,这种方法在SOC估算的复杂环境中具有良好的性能,并且能满足动力锂电池的要求。实验结果表明,最大的SOC估算误差不到2.18%,从而验证了该方法的可靠性与可行性。

基于STM32-OCV法的纯电动汽车剩余里程预测

纯电动汽车的剩余里程精准实时预测是动力电池能量管理系统(BMS)研究的重要领域之一。为解决其预测时误差大、自适应性差和数学建模复杂的难点,利用优化开路电压法,在电池包静止足够长和荷电状态较大阶段时预测荷电状态初值,并及时更新标准里程SN和标准准容量SOCN使其具有自适应性,消除累积误差,然后把坡度参数、非必要能耗设备容量参数转化为里程参数,最后建立优化OCV法数学模型及设计STM32硬件来预测剩余里程,利用EV-1型纯电动车试验记录测试值与预测值比较,其最大相对误差为5.2%,预测精度较现有其他方法有明显提高。

磷酸铁锂电池SOC-OCV曲线特性研究

电池的剩余电量(SOC)是动力汽车BMS的重要参数之一。在SOC估算中,精简的开路电压法最为简便。通过对单体磷酸锂电池进行相关实验,研究不同的放电倍率以及不同老化程度对于电池所需静置时间的影响,得出了随着静置时间的增加,不同放电倍率给开路电压值带来的影响会越来越小,以及每循环100次开路电压值大约增加ΔV=0.047的结论。对于类似安时积分法这种需要确定SOC初值的方法具有较好的参考意义。

某款纯电动车OCV修正致SOC跳变问题的优化

SOC估算有如开路电压法、安时积分法、神经网络法、卡尔曼滤波法等多种方法[1]。江淮某轻型纯电物流车磷酸铁锂电池SOC估算采用较为成熟、稳定的安时积分策略、充电末端Vmax校准及放电末端OCV修正策略[2]。市场车辆在环境14℃~16℃时,放电末端常出现修正导致SOC5~8%幅度的跳变,文章通过对比分析,细化不同温度SOC-OCV矩阵,较好的解决上述问题。

降低LJ479Q汽油发动机OCV阀IPTV值的分析

OCV是汽油发动机上的一种阀,它控制着发动机进气门的低压机油控制阀,OCV阀故障会导致发动机正时错乱,整车不能启动,怠速不稳,属于严重影响客户使用的问题,因此研究减少OCV阀故障的方法具有很重要的意义。绝大多数的OCV阀故障经分析均因为OCV阀堵塞造成,而研究OCV阀堵塞问题,是一项需要投入大量的人力物力,经过长时间的对比验证,才能确认效果的工作,基于验证要求,以12MIS-IPTV值作为对比依据,回顾过去1年前生产的发动机中存在的售后反馈OCV阀故障数,确认攻关方向的正确性。

一种OCV阀清洗装置在JL4G系列发动机中应用研究

根据JL4G系发动机可变配气系统的结构原理,OCV油压控制电磁阀的结构、性能参数及其工作原理、OCV与VVT的协作关系,对JL4G系发动机OCV电磁阀的结构、性能参数及工作原理进行了研究,在PLC可编程逻辑控制器的基础上设计研发了专门用于JL4G系列发动机OCV阀的动态清洗装置:装置的控制精度高、清洗效果好以及整个清洗过程简便易操作等优点。

基于AUKF的可穿戴式设备用锂离子电池SOE在线估计方法

可穿戴式设备(wearable devices,WDs)体积小、工作时间长,在工业监测等领域应用越来越广泛。锂离子电池为WD上电子设备提供能量,其准确的能量状态(state of energy,SOE)在线估算对WDs的电源实时管理与延长设备寿命有重要影响。传统的基于模型的估算方法需要离线获取SOE与开路电压(open circuit voltage,OCV)的关系,实验时间长,不能适应实际工况变化,难以在线实施,本工作提出一种基于开路电压(opencircuit voltage,OCV)在线辨识的可穿戴式设备用锂离子电池SOE在线估算方法。首先基于锂离子电池的一阶RC模型,采用带遗忘因子的递推最小二乘法(forgetting factor recursive least squares,FFRLS)在线辨识电池OCV等参数。分析了WDs运行负载变化特征,构建了WD运行工况和参数辨识工况,并开展锂离子电池实验。结合WDs工作负载特性,研究了开路电压和端电压的关系,在线获得OCV与SOE的关系曲线。采用无迹卡尔曼滤波(adaptive unscented Kalman filter,AUKF)算法实现SOE的在线估计,与传统通过离线实验获得OCVSOE关系的方法进行了对比。研究结果表明,所提的SOE在线估算方法具有较好的精度,并在不同的SOE初始值时具有较好的鲁棒性。

面向充放电工况的LiFePO_(4)电池迟滞性建模及SOC估计

针对磷酸铁锂电池(LiFePO_(4))平坦的开路电压OCV(open circuit voltage)与荷电状态SOC(state of charge)滞回特性在充、放电切换工况下传统等效电路模型估计OCV存在精度较低的问题,提出电池迟滞建模。为了突出LiFePO_(4)电池考虑滞回特性的必要性,对3种电池模型的复杂性、准确性和适用性进行综合评价和对比分析。结果表明,一阶RC模型不考虑滞回的影响,仅适用纯充电或纯放电的工况;一阶RC滞回模型在一阶RC模型的基础上增加1个滞回量,虽考虑了滞回特性的影响,但滞回量受参数辨识影响较大,OCV估计存在波动;Preisach模型对存在充、放电切换工况的估算精度较好,但训练数据时间成本较高。NEDC(new European driving cycle)充、放电工况下对不同模型结合算法估计SOC,估计误差均在5%以内,其中Preisach误差在3%以内。

基于平滑性假设的锂电池开路电压-荷电状态映射提取

开路电压(OCV)是准确估计电动汽车锂离子电池荷电状态(SoC)的重要参数。由于OCV-SoC的映射关系随着电池老化而持续变化,因此在某一特定阶段确定的OCVSoC函数无法适用于电池全生命周期内的SoC估计,由此需要对OCV进行定期测试及老化校准。受OCV-SoC曲线迟滞现象的影响,传统的OCV测试通常需要数天时间才能获得一个或多个完全充放电周期的数据,因此从电动车实际运行的维度上缺乏OCV实时测试和校准的可实现性。本文提出了一种快速灵活的OCV-SoC提取方法,主要基于锂电池放电过程的OCV-t曲线平滑性假设,利用非支配排序遗传算法(NSGA-Ⅱ)实现基于任意电流-电压测量数据的OCV-SoC关系提取;随后在UDDS工况下结合拓展卡尔曼滤波(EKF)进行了SoC验证。结果表明,基于平滑性假设可以有效地构建OCV-SoC的映射关联,其中SoC的最大估计误差为2%,且不受滤波器SoC初值的影响。

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。

全钒液流电池开路电压模型

建立全钒液流电池六参数开路电压计算模型,揭示开路电压由电池总电势和VO2+/VO2+电极电势决定,并与电解液中钒离子透膜扩散行为密切相关。模型计算得到开路电压存在两个电压平台和一个转折点,与实验结果较为一致。利用该模型计算了电池开路时电解液中4种钒离子浓度随时间的变化关系,指出电池电解液不均衡性是由不同价态钒离子在膜相的Donnan平衡和透膜扩散系数不同产生的。该模型可为优化电池操作提供理论指导,并可为电池长期运行时电解液管理提供工程指导。

开路电压及其影响因素

通过比较平衡电位和稳定电位的区别，进一步阐述了电池的电动势与开路电压的本质区别。讨论了各类锌锰电池开路电压的构成及其影响因素，以及生产过程中常见的开路电压问题。