APP下载

锂离子电池状态估算与寿命预测综述

2020-06-28姚芳,张楠,黄凯

电源学报 2020年3期
关键词:卡尔曼滤波模型

姚 芳 ,张 楠 ,黄 凯

(1.河北工业大学电气工程学院,省部共建电工装备可靠性与智能化国家重点实验室,天津300130;2.河北工业大学电气工程学院,河北省电磁场与电器可靠性重点实验室,天津300130)

电池衰退会直接影响荷电状态SOC(state-ofcharge)、健康状态 SOH(state-of-health)和剩余寿命RUL(remaining useful life)预测精度,进而影响电池管理系统 BMS(battery management system)及其安全性[1]。近年来锂离子电池技术的研究主要涉及退化机理、状态监测和寿命预测,典型综述的核心论题包括健康监测[2]、寿命预测[3]、失效机理[4]、性能衰减机理及寿命预测[5]、寿命试验及健康状态估算[6]、退化状态识别和寿命预测[7]、剩余寿命的预测方法与影响主因[8]、容量衰减等失效现象对性能的影响[9]等。以上综述从状态监测、衰减或失效机理分析和寿命预测等不同视角进行总结论述,在状态估算及寿命预测等方面尚需相对系统的汇总和梳理。

因此,本文对锂离子电池的状态估算及寿命预测等方面的研究现状进行归纳总结。

1 锂离子电池SOC与SOH估算

1.1 SOC估算

SOC代表的是电池使用一段时间或长期搁置不用后的剩余容量与其满充容量的比值[3],是锂电池管理系统的重要参数,其准确实时预测关系到电池充放电控制和电动汽车的优化管理,直接影响锂电池的使用寿命[10]。

估算SOC常用方法有:放电实验法、安时积分法、开路电压法、卡尔曼滤波法和神经网络法等,SOC估算流程如图1所示。

放电实验法估算电池SOC最可靠,该方法在可控状况下进行,但需要不断再充电,耗时大,应用性不强[11];……

登录APP查看全文

猜你喜欢

卡尔曼滤波模型
一半模型
重尾非线性自回归模型自加权M-估计的渐近分布
改进的扩展卡尔曼滤波算法研究
基于递推更新卡尔曼滤波的磁偶极子目标跟踪
3D打印中的模型分割与打包
基于模糊卡尔曼滤波算法的动力电池SOC估计
FLUKA几何模型到CAD几何模型转换方法初步研究
基于扩展卡尔曼滤波的PMSM无位置传感器控制
基于EMD和卡尔曼滤波的振荡信号检测
基于卡尔曼滤波的组合导航误差补偿