融合主被动均衡控制的动力电池BMS实现
这是一篇关于动力电池,电池管理系统,SOC估计,电池均衡的论文, 主要内容为动力电池组的不均衡问题,严重影响电池的安全运行和使用效率。传统的均衡技术存在均衡速度慢、均衡效率低的问题。针对此问题,本文依托陕西省重点研发计划重点产业创新链项目(2019ZDLGY15-04-02),提出了基于双向桥式变换器的主被动均衡融合拓扑,设计并实现了相应的电池管理系统。论文的具体内容如下:(1)研究分析已有锂电池模型和SOC估计方法,在总结对比其优缺点基础上,选用二阶RC等效电路模型进行建模;采用带遗忘因子的递推最小二乘法对模型参数进行在线参数辨识;选取自适应无迹卡尔曼滤波法作为电池管理系统的SOC估计方法。(2)针对传统Buck-Boost均衡电路只能对相邻单体电池进行均衡,均衡速度慢、效率低的问题,设计基于双向桥式变换器的均衡电路拓扑结构,实现电池组中任意单体电池间的能量传递,提升了均衡速度和均衡效率;为了减少均衡过程中开关器件损耗,增加开关电阻分流被动均衡辅助电路;采用模糊PID算法设计均衡控制策略,实现对均衡电流动态变化的精准控制。(3)设计并实现了电池管理系统软硬件,搭建电池管理系统测试平台并对其进行性能测试。实验结果表明,电池管理系统的电池电流、温度、总电压、单体电池电压采集精度和SOC估计精度等指标满足设计要求。通过静置均衡、充放电均衡实验验证了系统的均衡功能,经过电池管理系统的均衡控制,电池不一致性得到了较好地改善。
融合主被动均衡控制的动力电池BMS实现
这是一篇关于动力电池,电池管理系统,SOC估计,电池均衡的论文, 主要内容为动力电池组的不均衡问题,严重影响电池的安全运行和使用效率。传统的均衡技术存在均衡速度慢、均衡效率低的问题。针对此问题,本文依托陕西省重点研发计划重点产业创新链项目(2019ZDLGY15-04-02),提出了基于双向桥式变换器的主被动均衡融合拓扑,设计并实现了相应的电池管理系统。论文的具体内容如下:(1)研究分析已有锂电池模型和SOC估计方法,在总结对比其优缺点基础上,选用二阶RC等效电路模型进行建模;采用带遗忘因子的递推最小二乘法对模型参数进行在线参数辨识;选取自适应无迹卡尔曼滤波法作为电池管理系统的SOC估计方法。(2)针对传统Buck-Boost均衡电路只能对相邻单体电池进行均衡,均衡速度慢、效率低的问题,设计基于双向桥式变换器的均衡电路拓扑结构,实现电池组中任意单体电池间的能量传递,提升了均衡速度和均衡效率;为了减少均衡过程中开关器件损耗,增加开关电阻分流被动均衡辅助电路;采用模糊PID算法设计均衡控制策略,实现对均衡电流动态变化的精准控制。(3)设计并实现了电池管理系统软硬件,搭建电池管理系统测试平台并对其进行性能测试。实验结果表明,电池管理系统的电池电流、温度、总电压、单体电池电压采集精度和SOC估计精度等指标满足设计要求。通过静置均衡、充放电均衡实验验证了系统的均衡功能,经过电池管理系统的均衡控制,电池不一致性得到了较好地改善。
磷酸铁锂储能电池包SOC和SOH估计研究
这是一篇关于电池包不一致性,SOC估计,SOH估计,分数阶模型,多时间尺度的论文, 主要内容为面对日益恶化的环境,新能源发电在受到青睐的同时也因其自身所固有的间歇性、随机性等特点,使得“弃风”“弃光”现象频发,造成严重的能源浪费。而储能电池恰好能解决这一问题,为保证储能电池的安全有效运行,需要电池管理系统(Battery Management System,BMS)对其状态进行监测和控制,其中电池荷电状态(State of charge,SOC)即剩余电量的准确估计是BMS中最为基础和重要的功能。目前对SOC估计的研究中大多存在着难以保证估计结果长期准确的问题,究其原因,是在估计中未考虑电池老化。因此本文将表征电池老化的电池健康状态(State of health,SOH)考虑在SOC估计中,实现SOC与SOH的长期准确估计。此外,由于单体电池的电压与容量远远无法满足实际储能需要,因此本文的研究对象为磷酸铁锂电池单体经串并联后组成的电池包,与电池单体不同,在对电池包进行估计研究时需要考虑其不一致性。针对上述问题本文的主要工作如下:首先,介绍磷酸铁锂电池工作原理,搭建电池测试平台,设计实验对磷酸铁锂电池温度特性及老化特性进行分析。随后针对电池包不一致性,依据实验得出不同成包方式下电池包的性能变化,为后续电池包SOC与SOH估计研究奠定基础。其次,基于分数阶理论,建立了电池单体的阶次可变的二阶分数阶模型,并利用HMPSO优化算法实现了包括分数阶阶次在内的模型参数辨识,通过多工况下的对比实验,证实该模型准确性优于整数阶模型及固定阶次的分数阶模型。随后针对电池包的不一致性,构建“差异模型”实现对电池包不一致性的实时量化,以此获取能表征电池包综合性能的特征单体,建立基于特征单体的电池包模型。再次,基于本文所建立的二阶分数阶模型,设计出针对分数阶系统的H无穷状态观测器,利用连续频率分布模型,将分数阶模型等价转换为频域积分形式,应用Lyapunov稳定性理论及LMI方法,实现对电池单体SOC的估计。基于电池在不同工况下的实验数据,验证了该观测器的估计精度优于EKF算法,且具有良好的自适应性及鲁棒性。随后依据电池包SOC定义,给出基于特征单体的电池包SOC估计方法。依据电池包不同老化程度下的实验数据,证实了该估计方法能够实现对电池包SOC的估计且准确度较高,同时指出其应对电池老化效果差,也证实了本文将SOH估计考虑在SOC估计中的必要。最后,给出基于滚动时域估计器的SOH估计方法,将其用于估计特征单体的SOH,从而求得电池包SOH。考虑到电池老化的缓慢性及状态变换的时效性,基于多时间尺度策略,对特征单体的SOC和SOH进行协同估计,进而求得电池包SOC与SOH。依据实验结果表明,本文实现了对电池包SOC及SOH的长期准确估计。
电池管理系统硬件在环测试平台的设计与实现
这是一篇关于电池管理系统,硬件在环,SOC估计,SOH估计,均衡管理,测试用例,自动测试的论文, 主要内容为电池管理系统(Battery Management System,BMS)作为电动汽车中最核心的部件之一,对保证动力电池安全可靠的运行起着关键作用。为了保证电池管理系统产品安全性和可靠性,需要对电池管理系统产品的各项基本功能进行全面且准确的测试和验证。硬件在环(Hardware-in-the-Loop,HIL)是一种半实物仿真测试技术,可以为BMS提供一种仿真的实车运行环境。因此,将HIL测试技术应用于BMS的开发中,可以降低BMS的开发成本、缩短BMS的开发时间,提高BMS的开发效率。本文针对电池管理系统的测试需求,完成电池管理系统硬件在环测试平台的设计与实现。首先对电池管理系统的测试需求进行分析,研究电池管理系统硬件在环测试平台的总体设计方案,并进行硬件选型和软件设计。对常见的电池模型进行分析,搭建电池的二阶等效电路模型,并基于带遗忘因子的递推最小二乘法对电池的参数进行辨识,最后在HPPC和DST工况下对模型精度进行验证,验证结果表明搭建的模型可适用于不同工况。其次,对常见的荷电状态(State of Charge,SOC)估计方法进行分析,选择安时积分法和扩展卡尔曼滤波算法进行电池SOC的估计,基于粒子群算法对扩展卡尔曼滤波算法中的参数Q和R进行优化,最后进行仿真分析。仿真结果表明经过对参数Q和R优化后的扩展卡尔曼滤波算法的SOC估计效果更好,误差在2%以内。对常见的电池健康状态(State of Health,SOH)估计方法进行分析,在Tensorflow中建立数据驱动的深度学习模型进行电池的SOH估计,测试结果显示SOH估计效果较好。对常见的均衡管理方案进行分析,设计了被动均衡控制策略,搭建了均衡管理模型,并进行了仿真分析,仿真结果表明设计的均衡策略结构简单,均衡速度快,可以有效提高电池的一致性。接着基于NI VeriStand软件和NI PXI硬件平台进行BMS硬件在环测试平台的搭建,把所选用的硬件设备接入测试平台中,在VeriStand对测试平台进行配置。利用所搭建的BMS硬件在环测试平台对电池管理系统的CAN通信功能、关键参数采集功能、SOC估计功能、均衡管理功能、上下电控制功能、故障报警控制功能进行了测试,并对SOC估计算法和均衡管理策略进行了硬件在环验证。最后,研究BMS硬件在环测试平台的自动测试技术,基于UML模型以及等价类划分法设计BMS测试用例,利用NI VeriStand的激励配置文件编辑器编写自动测试脚本实现BMS硬件在环的自动化测试。BMS硬件在环测试的结果表明,所设计的硬件在环测试平台可以满足BMS的功能测试需求,在理论研究及工程应用均具有一定的价值。
电池管理系统硬件在环测试平台的设计与实现
这是一篇关于电池管理系统,硬件在环,SOC估计,SOH估计,均衡管理,测试用例,自动测试的论文, 主要内容为电池管理系统(Battery Management System,BMS)作为电动汽车中最核心的部件之一,对保证动力电池安全可靠的运行起着关键作用。为了保证电池管理系统产品安全性和可靠性,需要对电池管理系统产品的各项基本功能进行全面且准确的测试和验证。硬件在环(Hardware-in-the-Loop,HIL)是一种半实物仿真测试技术,可以为BMS提供一种仿真的实车运行环境。因此,将HIL测试技术应用于BMS的开发中,可以降低BMS的开发成本、缩短BMS的开发时间,提高BMS的开发效率。本文针对电池管理系统的测试需求,完成电池管理系统硬件在环测试平台的设计与实现。首先对电池管理系统的测试需求进行分析,研究电池管理系统硬件在环测试平台的总体设计方案,并进行硬件选型和软件设计。对常见的电池模型进行分析,搭建电池的二阶等效电路模型,并基于带遗忘因子的递推最小二乘法对电池的参数进行辨识,最后在HPPC和DST工况下对模型精度进行验证,验证结果表明搭建的模型可适用于不同工况。其次,对常见的荷电状态(State of Charge,SOC)估计方法进行分析,选择安时积分法和扩展卡尔曼滤波算法进行电池SOC的估计,基于粒子群算法对扩展卡尔曼滤波算法中的参数Q和R进行优化,最后进行仿真分析。仿真结果表明经过对参数Q和R优化后的扩展卡尔曼滤波算法的SOC估计效果更好,误差在2%以内。对常见的电池健康状态(State of Health,SOH)估计方法进行分析,在Tensorflow中建立数据驱动的深度学习模型进行电池的SOH估计,测试结果显示SOH估计效果较好。对常见的均衡管理方案进行分析,设计了被动均衡控制策略,搭建了均衡管理模型,并进行了仿真分析,仿真结果表明设计的均衡策略结构简单,均衡速度快,可以有效提高电池的一致性。接着基于NI VeriStand软件和NI PXI硬件平台进行BMS硬件在环测试平台的搭建,把所选用的硬件设备接入测试平台中,在VeriStand对测试平台进行配置。利用所搭建的BMS硬件在环测试平台对电池管理系统的CAN通信功能、关键参数采集功能、SOC估计功能、均衡管理功能、上下电控制功能、故障报警控制功能进行了测试,并对SOC估计算法和均衡管理策略进行了硬件在环验证。最后,研究BMS硬件在环测试平台的自动测试技术,基于UML模型以及等价类划分法设计BMS测试用例,利用NI VeriStand的激励配置文件编辑器编写自动测试脚本实现BMS硬件在环的自动化测试。BMS硬件在环测试的结果表明,所设计的硬件在环测试平台可以满足BMS的功能测试需求,在理论研究及工程应用均具有一定的价值。
新能源汽车动力锂离子电池组SOC估计方法研究
这是一篇关于锂离子电池,SOC估计,温度修正,等效电路模型,改进自适应扩展卡尔曼滤波的论文, 主要内容为锂离子电池因其高能量密度、高循环寿命等优势,已被广泛应用于新能源汽车行业中。而准确的电池荷电状态(State of charge,SOC)估计值作为电池管理系统的重要监测指标,是防止电池过充过放、进行高效的能量管理和准确的剩余里程预测的重要前提。因此,开展锂离子电池SOC估计方法研究对其实际应用中正常工作、寿命和能量利用率的提高非常重要。本文研究了考虑环境温度影响的锂离子电池组的SOC估计方法,主要内容包括设计锂电池测试实验、建立温度修正等效电路模型、设计改进自适应扩展卡尔曼滤波算法以及设计模型和算法验证。通过参考相应电池测试手册设计锂电池测试试验,并完成实验平台搭建。基于电池测试试验采集的不同温度实验数据进行模型参数辨识,获取各温度下的模型参数。基于获取的模型参数进行曲线分析,选择对温度变化敏感的参数。之后,对选取的模型参数进行温度影响研究,并基于选取参数的变化规律设计温度修正方法。至此,基于温度修正的等效电路模型建立完成。对于模型的验证,选择-5℃、15℃、35℃下的恒流放电工况和-10℃、10℃、25℃下非恒流放电工况进行验证,且验证结果符合要求。通过对现有SOC估计算法研究,发现自适应扩展卡尔曼滤波算法的噪声估计窗口多为固定窗口。但是,误差新息序列分布受模型误差、算法本身误差以及电流扰动影响并不是固定不变的。本文基于误差新息序列分布特性,设计了一款变窗口自适应扩展卡尔曼滤波算法。该算法可以根据误差新息序列分布情况对噪声估计窗口长度进行调整,获取精度更高的噪声估计值。最后,将设计的变窗口自适应扩展卡尔曼滤波算法与温度修正等效电路模型结合进行SOC估计。对于算法验证,采用-5℃、15℃、35℃下DST工况数据对所提改进算法进行验证。同时,选取扩展卡尔曼滤波算法以及不同固定窗口的自适应扩展卡尔曼滤波算法与所提改进算法进行对比分析。验证结果表明,所提改进算法的SOC估计精度具有显著提高。
融合主被动均衡控制的动力电池BMS实现
这是一篇关于动力电池,电池管理系统,SOC估计,电池均衡的论文, 主要内容为动力电池组的不均衡问题,严重影响电池的安全运行和使用效率。传统的均衡技术存在均衡速度慢、均衡效率低的问题。针对此问题,本文依托陕西省重点研发计划重点产业创新链项目(2019ZDLGY15-04-02),提出了基于双向桥式变换器的主被动均衡融合拓扑,设计并实现了相应的电池管理系统。论文的具体内容如下:(1)研究分析已有锂电池模型和SOC估计方法,在总结对比其优缺点基础上,选用二阶RC等效电路模型进行建模;采用带遗忘因子的递推最小二乘法对模型参数进行在线参数辨识;选取自适应无迹卡尔曼滤波法作为电池管理系统的SOC估计方法。(2)针对传统Buck-Boost均衡电路只能对相邻单体电池进行均衡,均衡速度慢、效率低的问题,设计基于双向桥式变换器的均衡电路拓扑结构,实现电池组中任意单体电池间的能量传递,提升了均衡速度和均衡效率;为了减少均衡过程中开关器件损耗,增加开关电阻分流被动均衡辅助电路;采用模糊PID算法设计均衡控制策略,实现对均衡电流动态变化的精准控制。(3)设计并实现了电池管理系统软硬件,搭建电池管理系统测试平台并对其进行性能测试。实验结果表明,电池管理系统的电池电流、温度、总电压、单体电池电压采集精度和SOC估计精度等指标满足设计要求。通过静置均衡、充放电均衡实验验证了系统的均衡功能,经过电池管理系统的均衡控制,电池不一致性得到了较好地改善。
磷酸铁锂储能电池包SOC和SOH估计研究
这是一篇关于电池包不一致性,SOC估计,SOH估计,分数阶模型,多时间尺度的论文, 主要内容为面对日益恶化的环境,新能源发电在受到青睐的同时也因其自身所固有的间歇性、随机性等特点,使得“弃风”“弃光”现象频发,造成严重的能源浪费。而储能电池恰好能解决这一问题,为保证储能电池的安全有效运行,需要电池管理系统(Battery Management System,BMS)对其状态进行监测和控制,其中电池荷电状态(State of charge,SOC)即剩余电量的准确估计是BMS中最为基础和重要的功能。目前对SOC估计的研究中大多存在着难以保证估计结果长期准确的问题,究其原因,是在估计中未考虑电池老化。因此本文将表征电池老化的电池健康状态(State of health,SOH)考虑在SOC估计中,实现SOC与SOH的长期准确估计。此外,由于单体电池的电压与容量远远无法满足实际储能需要,因此本文的研究对象为磷酸铁锂电池单体经串并联后组成的电池包,与电池单体不同,在对电池包进行估计研究时需要考虑其不一致性。针对上述问题本文的主要工作如下:首先,介绍磷酸铁锂电池工作原理,搭建电池测试平台,设计实验对磷酸铁锂电池温度特性及老化特性进行分析。随后针对电池包不一致性,依据实验得出不同成包方式下电池包的性能变化,为后续电池包SOC与SOH估计研究奠定基础。其次,基于分数阶理论,建立了电池单体的阶次可变的二阶分数阶模型,并利用HMPSO优化算法实现了包括分数阶阶次在内的模型参数辨识,通过多工况下的对比实验,证实该模型准确性优于整数阶模型及固定阶次的分数阶模型。随后针对电池包的不一致性,构建“差异模型”实现对电池包不一致性的实时量化,以此获取能表征电池包综合性能的特征单体,建立基于特征单体的电池包模型。再次,基于本文所建立的二阶分数阶模型,设计出针对分数阶系统的H无穷状态观测器,利用连续频率分布模型,将分数阶模型等价转换为频域积分形式,应用Lyapunov稳定性理论及LMI方法,实现对电池单体SOC的估计。基于电池在不同工况下的实验数据,验证了该观测器的估计精度优于EKF算法,且具有良好的自适应性及鲁棒性。随后依据电池包SOC定义,给出基于特征单体的电池包SOC估计方法。依据电池包不同老化程度下的实验数据,证实了该估计方法能够实现对电池包SOC的估计且准确度较高,同时指出其应对电池老化效果差,也证实了本文将SOH估计考虑在SOC估计中的必要。最后,给出基于滚动时域估计器的SOH估计方法,将其用于估计特征单体的SOH,从而求得电池包SOH。考虑到电池老化的缓慢性及状态变换的时效性,基于多时间尺度策略,对特征单体的SOC和SOH进行协同估计,进而求得电池包SOC与SOH。依据实验结果表明,本文实现了对电池包SOC及SOH的长期准确估计。
时效驱动的梯次电池状态评估系统的研究与实现
这是一篇关于梯次电池,SOC估计,迁移学习,电池状态评估的论文, 主要内容为随着新能源汽车产业的高速发展,梯次电池,即退役车用锂离子电池的消纳问题日趋严重。目前业内已有将梯次电池应用于通信基站备电储能场景的尝试。相较于全新电池,梯次电池稳定性更差,不同梯次电池间放电性质差异更大,因此在梯次电池再利用时对梯次电池的各项指标的评估时效性要求往往更高。为了解决梯次电池的再利用问题,本文设计了时效驱动的梯次电池状态评估系统,从系统架构设计和状态估计方法两方面保证“时效驱动”。在系统架构设计方面,该系统基于边缘计算和云计算技术,构建了梯次电池状态评估体系,将存储能力和运算能力下放到边缘网关中,规避云边通信时延,保证了数据采集、数据运算、状态评估和电池控制的时效性。在状态估计方法方面,为了更精确的完成梯次电池荷电状态(SOC/State of Charge)估计,本文提出了一种基于迁移学习的梯次电池SOC估计方法。该方法包含一种基于迁移学习的梯次电池SOC估计框架和一种含有注意力机制的门控循环单元(AGRU/Attention Gate Recurrent Unit)。该方法可降低模型训练所需数据量和算力,从而减少训练数据积累所需时间。该方法能直接应用于边缘网关中,从而快速完成梯次电池SOC估计模型的训练。经过实验验证,相较于使用普通“预训练-微调”迁移学习方式迁移LSTM、GRU模型的方法,本文提出的基于迁移学习的梯次电池SOC估计方法训练时所需训练数据规模和所需设备算力更小、所用训练时间更短且SOC估计结果更加准确。本文首先介绍了时效驱动的梯次电池状态评估系统的研究背景和相关技术;而后基于对业内多款电池评估管理系统的调研,结合梯次电池特性,分析了梯次电池状态评估系统的需求;随后提出了基于迁移学习的梯次电池SOC估计方法并进行实验;接着详细介绍了时效驱动的梯次电池状态评估系统的设计,包含中心管理平台和边缘网关的总体架构设计和各组件设计;进而详细阐述了评估系统各组件的实现;最后则通过一系列的功能测试验证了系统的可用性。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：源码驿站 ，原文地址：https://m.bishedaima.com/lunwen/48882.html
