[实用新型]一种纯电动汽车动力电池荷电状态估计系统

说明书

本实用新型涉及电动汽车动力电池技术，具体涉及一种纯电动汽车动力电池荷电状态估计系统，包括动力电池、数据采集模块、电池SOC估计模块、主控模块和LCD显示屏；主控模块分别连接动力电池、电池SOC估计模块和LCD显示屏，动力电池依次连接数据采集模块，数据采集模块与电池SOC估计模块连接。该系统可解决动力电池SOC估计精确度不高与实时参数辨识对单片机要求过高的问题。能够有效消除共模干扰，电路简单，并且很大程度减少了计算量，从而减少电池管理系统成本，还解决了静止时电池自放电而安时法无法测出的问题。

技术领域

本实用新型属于电动汽车动力电池技术领域，尤其涉及一种纯电动汽车动力电池荷电状态估计系统。

背景技术

电动汽车动力电池管理系统(BMS)很重要的一部分就是电池荷电状态(SOC,StateOf Charge)的估计，其准确性直接影响电池管理系统的控制策略，是保证电动汽车可靠运行的前提。更进一步，电池荷电状态估计需要建立准确的电池模型，在此基础上进行电路分析以及算法选择。而难点就在于电池具有高度的非线性特点，所以电池模型与动力电池的一致性要达到非常好，才能得出令人满意的电池荷电状态估计结果。目前，常用的动力电池模型有三类：电化学模型、人工神经网络模型和等效电路模型。电化学模型因为结构过于复杂，实用性较差，故很少用于电池荷电状态估计；人工神经网络模型具有高度的非线性、自学性等特点，但其不足之处在于需要大量的实验数据来预测电池的性能，且对电池历史数据的依赖性较大；等效电路模型借助传统的电阻、电容、恒压源等电路元件组成电路网络来描述动力电池的外特性，由于其结构相对简单且能较好的描述电池特性,处于性价比的考虑，研究者常选用该模型。在选定动力电池模型的基础上，动力电池SOC估计方法主要有：开路电压法、安时积分法、卡尔曼滤波法。开路电压法只能在实验室条件下实现离线估计，不能实时估计；安时积分法经典易用，但其估计精度受SOC初值和电流测量值的精度影响较大，容易形成累积误差；而卡尔曼滤波方法具有较好的跟踪性，能够比较准确的预测SOC值，是电池SOC预估研究使用最多的方法。其具体有扩展卡尔曼滤波、无迹卡尔曼滤波、自适应卡尔曼滤波等种类。

但现有的电池SOC估计存在以下问题：

1.电压采集电路无法采集到精确的端电压；

2.参数识别部分对单片机要求过高，在线识别所需计算量十分庞大；

3.电池易出现过充放现象，损伤电池使用寿命；

4.长时间停车后再启动时，自放电过程通过安时法无法检测，所以SOC估计有较大误差。

实用新型内容

本实用新型的目的是提供一种通过在一定条件下进行离线辨识电池模型参数再通过扩展卡尔曼滤波进行SOC状态值联合估计的系统。

为实现上述目的，本实用新型采用的技术方案是：一种纯电动汽车动力电池荷电状态估计系统，包括动力电池、数据采集模块、电池SOC估计模块、主控模块和LCD显示屏；主控模块分别连接动力电池、电池SOC估计模块和LCD显示屏，动力电池依次连接数据采集模块，数据采集模块与电池SOC估计模块连接。

在上述的纯电动汽车动力电池荷电状态估计系统中，数据采集模块包括基于“飞电容”技术的电压采集电路、大容量高精度霍尔电流传感器、热电偶温度传感器，分别用于采集动力电池的端电压、总电流和温度数据。

在上述的纯电动汽车动力电池荷电状态估计系统中，数据采集模块包括基于“飞电容”技术的电压采集电路选用Panasonic公司的AQS225R2S4。

在上述的纯电动汽车动力电池荷电状态估计系统中，电池SOC估计模块采用混合脉冲试验对电动汽车电池等效电路模型进行离线参数辨识，在一定循环寿命和一定温度范围内认为参数不变并将模型参数输入到动力电池SOC估计模块中估计校正；其估计校正采用开路电压法、安时积分法和扩展卡尔曼滤波方法联合对电池SOC进行估计和校正，得到电池SOC，再经过逻辑判断模块判断后输出到主控模块。