英语原文共 9 页，剩余内容已隐藏，支付完成后下载完整资料
电动汽车中电池管理系统的应用
摘要：电池管理系统（BMS）包含荷电状态（SOC）的测定，电池的充电控制和优化，以及电池平衡方法。戴维南模型有一个RC网络表征电池极化可用于SOC的测定。电池模型的极化电压是使用非线性最小二乘法确定。本文提出了一种新的SOC定义方法考虑到每个单元的串联电池组SOC的限制，并分析了电池电流和极化电压的关系。之后介绍了电池充电方法：充电电流可由极化电压控制系统基于模糊控制理论的研究进行自适应调整。同时基于对电池组的容量和能量的最大利用的原则提出了电池均衡控制策略。
关键词：荷电状态测定，充电优化，电池平衡，电动汽车
基金项目：国家863计划项目（编号：2007AA11A103）
1引言
为了解决汽车带来的环境和能源问题，电动汽车（EVs）已经发展为近几年重要研究和发展的课题。电池作为电动汽车的电源十分重要，因为它对行车安全性，电动汽车的效率和经济性有显著影响。因此有必要对电池进行有效的管理，以提高电池的性能，延长其使用寿命。用于电动汽车的电池管理系统（BMS）要求严格，因为它可以在充放电条件以及不受控环境下，实时、快速地进行车辆加速和刹车[1-3]。此外，它必须与其他车载系统如电动汽车集成控制器制成接口。
电池管理系统的功能是多方面的，包括实时监测蓄电池的参数（如电压、电流、温度等），估计电池的荷定状态，能量状态（SOE），电池健康状态（SOH），电池平衡，提供最佳的电池充电算法，防止电池过充、放电、交流等。
本文将对电池管理系统的关键技术做了一些研究，包括模拟电池SOC的测定、充电控制和优化，并对细胞的平衡，以确定SOC的基础上确定的极化电压的电池组的一种有效方法，提供了一个最佳的充电模式对电池组，并实现电池均衡在线。锂离子电池，这是最常用的纯电动车（PEVs）是近年来考虑。该方法也适用于其它电池如铅蓄电池如果测试数据是可用的。
2电池动态建模
2.1模型的建立
该电池建模的目的是找到在电池端子测量电流和电压之间的关系。众所周知，电池建模研究电池的性能和特点是非常重要的。本文用于的SOC估计的戴维南模型如图1所示。这个模型中，代表电池的开路电压（OCV），这是SOC的一个功能。和分别代表欧姆电阻和欧姆电压。，和分别代表等效极化电容，等效极化电阻，极化电压，用以表示电池的极化特性。和分别描述电池的端电压和电池的工作电流（图1中标记的是电流正方向）。电路的数学模型可以表示为：
上述方程的解如下：
方程（1）的结果表明极化电压是基于戴维南电路电压的SOC估算模型的一个重要参数，极化电压识别因此成为获得精确的SOC估算的关键步骤。
图1 戴维南模型
2.2极化电压
电池的电极结构、制造工艺、温度、充电状态和电池的工作电流[4-5]等因素对电池的极化电压有影响，模型参数随着上述参数的变化而变化，且使用常数模型参数不能满足实际应用要求，因此需要对极化电压进行在线辨识以提高系统的估计精度。基于方程（2），电池端电压的增量等于在开路条件下的电池的极化电压的增量，极化电压可以使用基于由所述电池的数据的初始静置嵌合识别来识别。
在实际应用中，有效地降低电池极化的深度，减少极化电压的拟合时间是非常重要的。常用的方法有两种，一种是保持电池在开路状态下很长时间，另一种是利用反向电流法。前一种方法简单、可靠；然而，这需要很长的时间来获得电池的稳定状态。反向电流的方法可以减少消除电池的极化时间，满足极化电压的在线辨识的要求。反向电流的方法如下：电池的极化电压显示放电的偏振态作为载体，可以带电运行后，电池放电引起的极化逐渐平息在初始充电阶段，与偏振深度减小，当电池充电时，电池充电后造成的逐渐建立了极化，极化状态和充电过程增加了电池的光极化时刻，如果在这个周期的电池停止充电，电池的极化电压可以识别的基础上的数据，电池端电压在开路期使用非线性最小二乘法，从而降低识别时间，实现在线识别的极化电压。在电池在开路状态（I = 0），根据方程（2），为戴维南模式极化电压可以表示为：
偏振电压的增量可以描述如下：
方程（4）表明，极化电压的增量是非线性的。用泰勒级数展开，方程（4）的线性近似函数可表示为：
带入开路条件下采样的数据，方程（5）可表示为：
基于最小二乘法，方程（6）可以重新整理为：
假定方程（7）的右边等价于，方程（7）可整理为：
本文中FUDS的驱动周期是用来验证所提出的极化电压识别方法的精度和效率的FUDS的驱动周期曲线如图2所示。验证实验的过程可以概括如下：①电池首先进行完全充电；②最大可用容量的5%被排出，以避免电荷充电时电池的高态导致电池的过电压的出现；③各电池FUDS条件下连续测试对于N循环直到有60％放电（DOD）的深度；④电池保持在开路条件下进行10分钟，以从停车的车辆的状态模拟到充电；⑤相关电池充电，对于指定的能力；⑥电池保持在2小时开路状态，使电池获得稳定状态，其目的是比较拟合和实验极化电压来验证拟合精度之间的差异，而实际上的2小时的时间是不是在极化电压嵌合必不可少的。此外，实验中的采样间隔是1秒。
图2 FUDS的驱动周期曲线
在FUDS驱动周期下，曲线拟合的电池极化电压下DOD= 60%，如图3所示。从图3可以确定极化电压使用非线性最小二乘法与实验结果具有很好的拟合电池极化电压拟合时间也显著降低，并估计误差小于1%，满足实际应用的精度要求。
图3在FUDS驱动周期下，曲线拟合的电池极化电压下DOD= 60%
3 SOC的定义及电池组SOC的测定
电池需要使用电动汽车系列以达到所需的电压、功率和能量水平。通常用于定义SOC系列电池的方法是将电池组作为一个整体的一个“大电池”，使用SOC确定单细胞的方法和基于电池组端电压（或电池平均电压）来估计电池的SOC，以及充放电管理的基础。此外，容量和SOC与常规方法串联电池组是由单细胞的最小能力决定的。但是，作为电池的生产和使用过程中不能完全一样对方，也不可避免的存在差异，即使细胞从同一批次和同一制造商的电荷放电周期的增加，和细胞之间的不一致也逐渐扩大。因此，将电池组作为一个“大电池”的方法得到的片上系统的估计和控制电池充电和放电的基础是不合理的，电池组的芯片的估计与传统的方法是逐渐令人难以置信的电池一致性变差。
本文根据电池组的最大可用容量和电池的剩余容量，计算了电池组各电池容量和电池组之间的差异，计算了各电池的电流最大充量和最大放电容量，进而获得电池组的剩余容量和最大可用容量。具体定义步骤如下：
（1）根据每个单元的最大可用容量和电池组SOC，计算电池的最大放电容量（即剩余容量），最大放电容量（剩余容量）的电池组各单体电池的最大放电容量的最小值（剩余容量）。
（2）然后根据最大可用容量和每个单元的电池组SOC，计算电池的最大充电容量。电池的最大充电容量为各单体电池的最大放电容量的最小值。
（3）电池组的最大可用容量是其最大放电容量的总和（剩余容量）和最大容量的电池组充电。
（4）电池组的充电状态是指剩余容量和最大可用容量的百分比。
根据上述分析，电池的充电状态（）可被定义为：
其中代表电池组的充电状态；表示电池组的剩余容量；表示电池n的最大可用容量；表示电池n的充电状态。
- 如果i=j，方程（9）可以化简为：
在这种情况下，电池组的充电状态会转化为电池i的充电状态。
（2）如果ine;j，在这种情况下，如果电池组放电容量，电池i会完全放电，且。相反，如果电池组充电容量，电池j将会完全充电，从而
只要，采用串联电池组定义SOC的方法，每个电池的充电状态可以保证在，可避免电池组的过充电和过放电，提高了电池组的安全性。
在单个或连续多个充电和放电循环，电池的最大可用容量变化可以忽略。电池组的剩余容量随着充电（放电）过程而增加（降低），但是电池组的最大可用容量不会随之变化。如果电池组充电的初始状态是，在放电容量后，电池组的充电状态可由以下公式计算：
串联电池法的定义和计算公式表明，除了采用安培数计算的方法进行充电状态计算，串联电池组的充电状态估算的核心是周期性的校正每个电池的充电状态和最大可用容量。然而，电动汽车的电池组是由大量的电池串联，数据的计算过程是十分复杂的，因此，减少计算量和提高估计精度的SOC估算的出发点选择是非常重要的。结合极化电压以上的快速识别机制和电动汽车的运行特性，在充电和充电结束作为SOC修正的切入点的时候，通过估计SOC和每个电池的最大可用容量，修正的SOC估算和串联电池组的最大可用容量会达到。由于电池的最大可用容量是充电/放电循环的累积效应的结果，所以一个单一或连续几个周期的最大可用容量可以被认为是相同的。基于公式（11），可实现系统的在线估计。
4 电池充电优化
作为大规模运行的电动汽车，电池组需要充电的快速和安全地以减少对充电站的储备和建设成本的电池量。而传统的充电方法，如恒流恒压充电方法（CC-CV法）不能平衡充电时间和充电之间的生活的关系。充电优化因此成为锂离子电池管理系统的关键技术，它是在电动汽车产业化的一个关键问题。
4.1极化电荷电压控制原理
基于戴维南等效模型，提出了极化电压幅值的建立是RC参数有关，也是由当前的状态，初始SOC的影响，初始站和电池老化。因此，时域的充电极化电压可以由以下方程建立：
从方程（12）我们可以由以下公式得到充电过程中的电流I：
基于方程（13），适当的充电电流可由初始充电状态、健康状态、初始偏振态得到。同时，还可以计算出充电的能量效率。当我们控制电荷极化，我们可以同时优化充电容量，充电时间和充电寿命，实现快速和无损充电指标。
4.2恒电压充电控制策略
电荷极化电压的影响因素不仅包括线性部分，而且还具有非线性系数，且非线性系数不确定和变化，要解决上述问题，引入模糊控制算法来控制电荷极化电压，以适应调节充电电流。通过建立极化电压误差和极化电压误差的变化率，实现了基于模糊控制方法的极化电压闭环控制。基本原理如图4所示。
图4模糊控制逻辑图
在控制系统中，如图4所示，输出为充电电流和输入为极化电压。与的传递函数是已知的，但它们之间的方向关系是未知的。我们可以使模糊过程的极化电压值和作为输入变量的极化电压的变化率，并由模糊规则的获得输出电流。根据基本原理，极化电压误差可以分为几个等级，由表1所示。
表1极化电压误差的分级
我们可以得到如下分级（PB，PS，PO，NO，NS，NB），它们可以表达如下：
同样地，极化电压误差的变化率（）可以分为不同等级，如表2所示。
表2 分级
我们可以得到：
根据极化电压变化的滞后原理，采用输出电流步进频率调整，以最小采样率作为基本控制单元，根据模糊集值范围的定义，定量地对输出电流的变化进行定量分级，如表3所示。
表3 输出电流分级
n/mdSOC表示SOC在m时间后，充电电流变化nA。
基于模糊逻辑的经验，建立了用于控制偏振电压跟踪的偏振电压跟踪的定义，极化电压误差，极化电压误差的变化率，输出电流和它们的隶属关系，具体的控制逻辑在表4中示出。
表4模糊逻辑控制表
基于上述控制逻辑表，通过控制偏振电压可以自适应地调节充电电流。
4.3恒电压充电方法的性能测试
基于恒定电荷极化方法的控制逻辑，对电池进行了测试，（极化电压控制在30mV）。
恒流充放电极化控制下的调节电流的充电曲线如图5所示。
图5恒流充放电极化控制法的充电曲线
在恒极化充电模式的过程中，在初始极化电压设定一定幅度后，通过调节充电电流可以保持恒定的极化电压。换句话说，蓄电池的端电压和欧姆电压去除OCV差异应保持在恒定值。图6表明，极化电压跟踪控制方式，与化学反应过程的进行，锂离子的嵌入，电荷容量增加，但极化发生期间费用不增加，即电池到达一个新的化学平衡，和充电后的开路电压在平行的SOC曲线上均匀，电池端电压上升，对应的能量增加。
图
剩余内容已隐藏，支付完成后下载完整资料
资料编号：[147352]，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。
