Java教程

BMS(电池管理系统)第五课 ——核心!!!SOH算法开发

本文主要是介绍BMS(电池管理系统)第五课 ——核心!!!SOH算法开发,对大家解决编程问题具有一定的参考价值,需要的程序猿们随着小编来一起学习吧!

SOH definition

  • No clear definition

  • Strong application oriented

  • Factors reflect SOH

    • Capacity

    • Internal resistance

  • Self-discharge rate

  • USABC standards

    • C <=0.8*Cnominal

    • R >=1.5*Rnominal

  • 化学原因:

    • 锂枝晶

    • 结构坍塌

    • 活性物质变少

    • 道路受阻

image

image

image

在线容量估计:最小二乘法

image

image

image

image

Blue:Estimation only if well conditioned

Red:Estimation by TSVD

Green:Estimation by restricting current offset

SOH=C/Cnom x 100%

image

在线DCR估计

• Purpose

  • Internal Impedance indicates

    • Power capability

    • State of health (SOH)

  • Internal Impedance consists of

image

Ohmic

  • Polarization

    • Electrochemical

    • Concentration

  • DCR Result

    • Left figure shows current in cycle

    • Right figure shows algorithm convergence

image

非在线估计方法:累积吞吐量法

主要原理为:计算电池当前的累积总充放电电量,然后折算为电池的等效吞吐量(主要根据充放电电流和工作温度进行修正折算),然后计算得出电池的等效循环次数N,再根据电池当前已历经的循环次数N,来判断出电池目前的寿命状态SOH。

  1. SOH~循环次数N的基础database

  2. 当前电池的等效循环次数Nk

  3. 根据Nk获得当前SOH状态

4。 应用SOH更新“敏感”参数

非在线估计方法: Smart充电法

主要原理为:在充电的过程中加入一个特殊的充电脉冲,用来测量电池当前的内阻。如果我们前期

能根据实验标定出一个基础的“内阻~SOH” database,那么就可以根据测得的电池内阻去获取电池

当前的SOH状态。

  1. 基础SOH~内阻database
  2. smart充电获得当前内阻
  3. 根据内阻查得当前SOH状态
  4. 应用SOH更新“敏感”参数

非在线估计方法:快充法

主要原理为:在电池的整个寿命期间,其快速充电的电流 I 以及充电截止电压Umax都是恒定的;这样就会致使电池,(假如电池都是从SOC为0的空电状态下开始快速充电),在不同的寿命状态(SOH)下,其最终充入总电量是不同的。那么我们就可以根据本次充电充入的电量来判断电池当前的SOH状态。

SOH~快充充入电量的基础database

  1. 本次快充充入的电量Qk
  2. 根据Qk获得当前SOH状态
  3. 应用SOH更新“敏感”参数

老化修对EKF的帮助

  1. 明确需要进行老化修正的变量,基本原则为:相关研究和实验表明其对电池老化较为敏感,需要进行老化修正。在本算法中,根据实验经验,暂定需要修正的变量主要有:电池实际容量C, SOC-OCV曲线,模型参数R1/C1和R2/C2等。

  2. 建立待修正变量的基础database,即SOH~待修正变量的database(这些database可通过相关实验来获得,然后在matlab中同样以Look_Up_Table实现)。

  3. 最后参数修正过程(初期可每三个月修正一次,在老化后期应加快修正频次):

    1. 通过标准变量倒推得到SOH值
    2. 查SOH~待修正变量的database
    3. 获取并给待修正变量赋修正后值
这篇关于BMS(电池管理系统)第五课 ——核心!!!SOH算法开发的文章就介绍到这儿,希望我们推荐的文章对大家有所帮助,也希望大家多多支持为之网!