摘要 - 电池监控对大多数电动汽车（EV）来说至关重要，因为电池系统关系着乘客的安全出行甚至生命。这种属性是电池管理系统（BMS）的主要功能，用于在其规定的安全操作条件下检查和控制电池的状态。在本文中，已经提出了使用各种功能块的典型的BMS框图。利用库仑计数和开路电压法实现了充电状态（SOC）估计，从而消除了独立库仑计数法的局限性。SOC作为状态变量之一，可以通过将SOC模型化从而准确的估计SOC，这也可以通过卡尔曼滤波法进行进一步校正。电池参数作为实验结果集成在模型中，仿真结果通过实验得到验证。
指标术语 - 电池管理系统（BMS），电动车辆（EV），充电状态（SOC）。
一、引言
电池是电动汽车中最常见的电能量储存装置。电池连接到负载源时的性能是基于电池内部的化学反应。随时间和使用情况下降，化学品反映了电池能量储存容量的逐渐降低。即使在各种负载条件下，通过控制充电和放电效果，也可以通过适当调整电池来降低电池的过程。通常，当电池在宽的热条件和频繁充电和深度放电循环下运行时，尤其是在高脉冲电流条件下，电池寿命将会减少。当与带有安全功能和自动关机的电力调节系统一起使用时，尽管有爆炸或故障的报告，电池也是安全的。传统的低成本电池充电器使用少量用于该电池的保护功能，因此缺乏灵活性和全面保护。因此，电池管理系统（BMS）可以灵活地保护不同类型的电池并提供所有安全功能，是电动汽车（EV）和替代能源系统中最近开发和研究的主题。
SOC是确保安全充放电所需的重要参数之一。 SOC被定义为以其额定容量表示的电池的当前容量。 SOC提供电池的当前状态，并使得电池能够以适于电池寿命增强的水平安全地充电和放电。 因此，SOC非常有助于电池的管理。然而， SOC不能直接被测量出来，因为电池的电池电压，电流，温度和其它信息都会对其产生影响。
通过SOC的精确估计可防止电池损坏或快速老化，避免不合适的过充电和过放电。使用库仑计数法的常规SOC估计存在误差，导致不准确的估计。此外，充电和放电条件下的有限电池效率和化学反应会导致温度升高，从而影响SOC估计。因此，需要精确的算法来建模SOC估计电池。在电动汽车中，电池数量串联并联，以满足负载要求。由于制造过程差异，充电过程中并非所有电池都能同时达到全电压。这种情况导致不同电池之间的电压不平衡，从而导致整个电池串的容量较低。因此，具有100％SOC的电池可能不一定表示真实的SOC。因此，SOC的准确计算必须伴随着对电池的实际容量的连续监测，其中多个电池的测量反映了实际和实际确定电池的不同路况和驾驶模式的能力。
BMS是一个具有硬件和软件连接到电池充电器的单独的实体，而不是集成在充电器内。BMS将在算法中使用的电池参数的多个感测装置用于SOC估计包括监视。任何BMS的显着块是电池模型块，需要详细了解电池特性以获得准确的SOC估计。该模型通常来源于电池的充电和放电曲线。本文提出了一种基于状态空间技术的先进电池模型。
本文的结构如下。 第二节讨论了所提出的BMS。第三节介绍了SOC估计技术。 所选LiFeO4的实验结果在第四节中进行，模拟结果在第五节讨论，其次是第六节的结论。
二、电池管理系统代表
A 测量模块
测量模块捕获电池组不同点的单个电池电压，电池电流和电池温度以及环境温度，并将其转换为数字值。然后，所有这些数据用于在稍后阶段估计电池状态。 电池电压测量块包括照片继电器矩阵。 在每个采样周期中，只有一个单元电压连接到中央处理单元的模数（A-D）接口。 测量单个电池电压的优点是增加硬件的成本，因为它可以在电池级别实现电池平衡和过充电保护。
B 电池算法模块
电池算法块是电池的条件状态块。其主要功能是使用测量的电池变量（如电池电压，电流和温度）来估算SOC和SOH。 SOC被定义为电池的容量，以其额定容量的百分比表示。它看起来像车辆的“燃油表”，但它表示电池中剩余的能量。当电池放电时，SOC的估计对于了解电池的剩余容量是非常有用的。该条件允许从电池的可用容量估计EV的行驶距离。 SOC受温度，运行周期和放电速率的影响。因此，BMS应该包含一个考虑到这些因素影响SOC的电池模型。模型的典型输入包括电压，电流和温度，它们由相应的传感器获得。传感器提供使用A-D转换器数字化的模拟输入。微处理器定期监视输入。
SOC指标仅用于估计运行距离，另外，为了将电池保持在指定的SOC以提供和接受充电，而不会有电池过度放电或过度充电的风险。在典型的EV中，电池通常由于再生制动而经受电荷倾倒，导致电池的过度充电，特别是当电池的SOC高时。在这种情况下，BMS应监视SOC并控制在再生制动期间倾倒到电池中的电量，以防止电池过度充电。
SOC是BMS最重要的输出之一。有几种技术可以根据电池电压，电流和温度来确定SOC。最原始的方法是直接测量，即测量OCV或负载的电池电压，然后从预先存储的放电特性推断SOC。这种方法对锂离子电池不能起到明显的作用，因为锂离子电池的放电曲线的中间部分是非常大的。哪怕很小的测量误差也会导致SOC的变化很大。直接测量可以不用考虑温度和老化效应。
C 能力估计模块
SOC和SOH被确定之后，BMS必须按照某种算法根据任何一个瞬间的放电电流确定最大充电电量。这个模块的输出被提供给车辆ECU从而电池不进行充电或放电超出SPECI音响编限制。估计模块的功能是将充电和放电信息发送至ECU。 该信息对于电池的安全运行非常重要，可以防止意外违反电池规格。
基于输入的最大放电和充电电流的控制规律如图1和2所示。 图5和图6描述了允许的充电和放电电流之间的关系，以不同电池参数值的最大充电/放电电流表示。充电/放电因素如图。 图5和6分别是允许的充放电电流，以最大充电和放电电流表示（充电系数是最大充电电流的百分比）。
根据图5所示，BMS将根据温度，SOC和电池电压的功能来限制充电电流。 例如，如果温度在30℃-40℃的范围内，则必须降低充电电流。类似地，电池可以充电SOC的最大电流和电池电压。 请注意，根据电池规格，不建议以最低规格的温度（即小于-20◦C）对电池进行放电。实际上，C速率将非常低。电池制造商的数据表中列出了最大的放电和充电速率。 C表示电池的标称容量。
D 电池均分模块
由于目前制造工艺的限制，所有的电池都不一样。电池容量的变化在几个百分比至15％的范围内是常见的。诸如内阻和充电/放电特性的其他变化是不可避免的。电池平衡对于最大化可用电池组容量和使用寿命至关重要。
该模块比较电池电压和最差电压单元与最低电压单元之间的差值（见图7）。如果差大于预设阈值，则停止充电，并且通过放电电阻器放电最高电压单元。一旦差异减小，放电结束。这种方法称为耗散电池平衡。另一种电池平衡技术是主动平衡，其通过单独的充电器对每个电池充电或将电荷从最高电压电池转移到最低电压电池。在性能和能源效率方面，积极的平衡明显优越，但成本敏感的汽车行业的成本也令人望而却步。
许多复杂的电池均衡电路使用具有多个次级绕组的放电电容器，dc-dc转换器和可以对电池组中最弱电池充电的单个直流转换器。实施成本取决于均衡时间，而平均时间依次取决于辅助电源的额定功率。
E 热管理模块
BMS中热管理块的边界图估计电池温度，如图1所示。 温度估计基于非常简单的一维温度估计方法。 热管理是指监测和控制电池温度，以使电池不受非常高或极低温度的伤害。 该块的输出控制风扇和电加热器，尝试将电池温度保持在最佳范围内。
热管理块读取环境温度和电池温度，启动冷却或加热操作，并在温度异常升高的情况下向ECU发送紧急信号。
三、费用估算状态
本文开发的模型是基于[16]中提出的状态空间方法，其中SOC是系统的状态，OCV是使用多项式方程预测的。 然后将预测的OCV用于计算电池的端子电压，并将计算出的端子电压与实际电池电压进行比较。然后使用计算值与实际电池电压之间的误差来计算卡尔曼滤波器中的滤波器增益，以更新状态SOC。 因此，该模型用于估计电池的SOC。 电池模型对电池控制策略进行了研究。在该模型中，电池被模拟。从所选LiFePO4电池的实验数据中提取了模型中的参数。
SOH定义为标称容量的百分比。 老化和充放电循环是减少过剩SOH的两个主要因素。 在1000次充放电循环后，平均锂离子电池的SOH降低到80％。
图9所示的简单通用模型不考虑温度和放电电流速率的影响，因此，实际实现结果不准确。 它在实际应用中缺乏准确性。 以下部分给出了基于状态空间方程的模型的开发，其中将SOC和SOP视为状态变量。
电池算法模块如图3所示。 块的输入是电池电流，电池电压，环境温度，电池温度和模块电压。 所有这些输入都是由相应的传感器获得的。 电池的总容量是电池已经在车辆中使用的电池已经充放电的累积容量。 基于卡尔曼滤波的SOC估计[20]用于锂离子电池，用于SOC估计算法。 流程图如图10所示。
四、实验
在16°C和40°C下进行了几次电池实验，并进行了仿真实验。 实验包括以下参数：
- 恒流充电;
- 恒流放电;
- 脉冲电流充电;
- 脉冲电流放电;
- 温度特性实验;
- 可变电流实验。
在恒流充电实验中，电流为4A（0.1C），8A（0.2C）和10A（0.25C），如图1和2所示。 最大电压为3.6V。实验数据用于计算电池的额定容量。
如图11所示，当电流从0.25℃到0时，电压突然下降，这表示充电过程的终止。 当电流降低时，在充电过程中电压下降是正常的，或者当电流降低时放电期间电压增加。 在图11中，当继电器由于定时器电路而跳闸时，0.25C的实验在约3.3小时结束。 包括定时器功能以最小化由于过充电造成的危险。 如放电结束时电压曲线的增加斜率所示，如果继续充电，则电池只需要几分钟即可达到3.6V的充电电压结束。因此，当定时器功能的终止时，会导致无法挽回的错误。
在恒流放电实验中，对电池进行不同C电流的放电，例如10A（0.25C），13.3A（0.3C）和20A（0.5C），并记录每组的读数。放电结束时最小电压为2.4V。实验数据用于计算电池的额定容量。 放电图如图13所示。 脉冲电流放电曲线如图14所示。 图15显示了在两个不同温度下电池的估计容量，确定了较高温度下容量的下降。、
A 使用实验估算电池的参数
实验中提出了电池参数，包括恒流充电，恒流放电，脉冲电流充电，脉冲电流放电和可变电流充/放电。 图16显示了在0.1C，0.2C和0.25C充电期间的电池电压与SOC的关系图。图17显示了在0.25C，0.3C和0.5C放电期间的电池电压与SOC的关系曲线。图16和17从获得的V-I曲线中计算出SOC 从实验结果。 结果可用于与模拟预测的电池电压进行比较。 模拟需要电池模型的几个参数，可以如下提取。 电池模型的参数如下：
1）OCV多项式的系数;
2）电池内阻，Rn（欧姆）;
3）电池额定容量（安培小时）;
4）双层容量，Qd（安培小时）;
5）极化系数alpha;，beta;和gamma;。
可以从实验数据中提取一些参数，并且可以从制造商的规范中提取剩余的参数。 参数提取说明如下。
1) 根据充放电实验数据，得到电池的V-I数据。 然后，创建一个向量，可以得到一个OCV与SOC的关系图，从中可以得到一个多项式函数（见图18）。
2) 图19示出了充电内阻（3.47-3.33）/ 18 =0.007778Omega;。
3）参数QR是电池制造商的额定容量（以安培为单位），因为QR取决于电池温度，因此可以在查找表中进行调整。
4）Qd是双层容量（安培小时）。根据脉冲充电或脉冲放电曲线，Qd由电池电压上升时间导出：Qd =上升时间*电流.
5）M是最大极化电压（积分），可以使用M =alpha; beta;ln| i | gamma;Delta;Soc计算。可以从脉冲电荷数据中提取参数alpha;和beta;。图20示出了在20-A脉冲充电曲线上的M。以同样的方式，得到另一个M来计算系数alpha;和beta;。
6）调整系数gamma;是可以从模拟结果与实际充放电曲线的比较中提取的一个调整因子。
图21显示了不同充电速率下的电池电压与SOC的关系。 该信息可用于获得关于SOC和OCV的功能，以预测电池的端子电压。
五、模拟仿真
进行模拟以模拟在16℃下在4A的LiFePO 4电池的充电。 模拟参数如表1所示。电池的初始SOC为零。 为了检验算法跟踪真实SOC的能力，模拟中单元的初始SOC设置为50％。图22显示出了在4-A充电下的模拟结果。 范围1表示充电电流为4A，图2显示电池电压，范围3显示计算电压。 范围4显示计算的SOC，范围5显示实际SOC，范围6显示SOC错误。 基于范围6，我们可以看到模拟和真实SOC之间的误差随着模拟进程而减小，从而确定了算法的能力。 模拟运行时间为27942秒，模拟用参数设置如表1所示。
实验和模拟结果之间的误差百分比在图23中示出，并且在图24中用于放电。 小误差使得卡尔曼滤波器准确预测SOC和电池电压的能力。 进行另一个模拟来测试SOC估计算法。 因此，电池充电为10A，初始SOC设定为0.5，但电池的真实SOC为0。 25显示充电时的模拟结果。 在卡尔曼滤波（约2000s后）之后，估计的SOC变得与真实的SOC相等，从而证明了卡尔曼滤波方法的动态可调性。
六、结论
在本文中，已经开发了BMS的功能块。 在Simulink平台中集成并模拟各种功能块，例如电池模型，热管理和电池能力估计。 使用采用OCV方法的SOC复位机制，通过库仑计数实现SOC估计，从而消除了独立库仑计数法的限制。 使用卡尔曼滤波技术来改善SOC估计技术。 卡尔曼滤波方法在电池算法中的应用
全文共5724字，剩余内容已隐藏，支付完成后下载完整资料
资料编号：[143832]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
