低温18650 3500
无磁低温18650 2200
过针刺低温18650 2200
低温磷酸3.2V 20Ah
21年专注锂电池定制

基于电动汽车工况,如何识别预测的锂离子电池SOE?

钜大LARGE  |  点击量:5136次  |  2018年05月20日  

  中国科学院电力电子与电力传动重点实验室、中国科学院大学的研究人员刘伟龙、王丽芳、王立业,在2018年第1期《电工技术学报》上撰文指出,能量状态(SOE)是电动汽车动力电池的重要状态指标,直接影响电动汽车续航里程,受电动汽车工况显著影响。


  为进行基于电动汽车工况的SOE估计,对SOE估计方法、行驶工况识别算法、行驶工况预测算法展开研究,建立基于模型的电池剩余能量状态(SOR)估计方法,提出基于信息熵理论的行驶工况识别算法,应用马尔科夫链理论构建了行驶工况预测算法,建立电动汽车系统模型,仿真获取电动汽车预测行驶工况对应的电池预测工况,实现基于电动汽车工况识别与预测的SOE估计。仿真结果验证了该方法的有效性。


  目前,电动汽车已经成为科研与汽车产业界的热点,但电汽车的“里程焦虑”问题限制着其发展[1],荷电状态(State-of-Charge,SOC)作为动力电池剩余荷电量的指标参量被广泛地应用于电动汽车中,具有提醒用户及时充电的功能。


  但由于在放电工况下动力电池的端电压呈现下降趋势,使得动力电池在SOC较大区间内的能量(W×h)供给能力降低,进而在电动汽车运行过程中SOC指标表现出加快下降的趋势。以SOC作为充电指标参量,容易导致充电时机的误判,给电动汽车用户造成了诸多不便。


  动力电池的能量状态(StateofEvergy,SOE)作为电动汽车W×h单位尺度上剩余能量的比例参数,是电池能量供给能力的直接描述,将其作为电动汽车用户充电指标参量更具优势。

过针刺 低温防爆18650 2200mah
符合Exic IIB T4 Gc防爆标准

充电温度:0~45℃
-放电温度:-40~+55℃
-40℃最大放电倍率:1C
-40℃ 0.5放电容量保持率≥70%

  目前,电池SOE估计方法通常为SOC估计算法的应用拓展,利用SOC与SOE的映射关系估计电池SOE[2,3],然而通过SOC换算得到的SOE并不准确,这是由于动力电池在实际应用中,随着车辆行驶工况的改变将造成不同程度的能量损耗,使得动力电池的实际供给能量产生变化。因此,基于未来车辆行驶工况预测的动力电池剩余可用能量状态(SOE)更具实际意义。


  而未来车辆行驶工况预测的前提是历史车辆行驶工况的识别,为此本文进行了基于电动汽车工况识别预测的锂离子电池SOE估计的研究。


  电池模型是进行电池状态估计的基础,主要可以分为电化学机理模型[4,5]、经验模型[6,7]和等效电路模型[8,9]三类。其中,因等效电路模型具有便于分析应用,通用性好的优点,取得了广泛应用。


  本文基于电池等效电路模型进行SOE估计算法研究,提出了基于模型的电池剩余能量状态(StateofResidualEnergy,SOR)估计算法、基于信息熵理论的行驶工况识别算法以及基于马尔科夫链理论的行驶工况预测算法;构建了电动汽车系统模型,获取电池预测工况,实现了基于工况识别与预测的SOE估计;仿真结果分析、验证了算法的精度。


  图1锂离子电池等效电路模型结构

无人船智能锂电池
IP67防水,充放电分口 安全可靠

标称电压:28.8V
标称容量:34.3Ah
电池尺寸:(92.75±0.5)* (211±0.3)* (281±0.3)mm
应用领域:勘探测绘、无人设备

  图2电动汽车系统模型


  图3电池SOE估计算法示意图


  结论


  本文提出了一种基于电动汽车工况识别与预测的锂离子电池SOE估计算法。


  首先,基于电极阻抗谱理论,构建了不同阶次电池等效电路模型,并应用GA算法实现了模型参数辨识;


  其次,基于AUKF,提出了基于不同阶次电池模型的SOR估计算法,仿真结果表明,该算法可以实现迅速收敛;


  再次,应用FCMIE算法,实现了电动汽车行驶工况的识别,并采用基于马尔科夫链理论的行驶工况预测算法,得到了电动汽车预测行驶工况,仿真结果表明,该算法预测工况效果良好;


  最后,将不同阶次电池等效电路模型集成于电动汽车系统模型,仿真获取了电动汽车预测行驶工况对应的电池预测工况,进行了电池预测工况下的电池能量损耗率的计算,继而实现了电池SOE的估计。


  SOE估计方均误差在2.45%以内,本文提出的电池SOE估计算法具有良好效果。


钜大锂电,22年专注锂电池定制

钜大核心技术能力