電動汽車能源管理系統(tǒng)演示文稿

電動汽車能源管理系統(tǒng)演示文稿目前一頁\總數(shù)三十五頁\編于十七點電動汽車能源管理系統(tǒng)目前二頁\總數(shù)三十五頁\編于十七點復雜控制實驗室一、當今電動汽車的關鍵技術當今電動汽車三項關鍵技術尚未有突破性進展。1、總體機電一體化匹配設計及車身技術電動汽車由于車身質量、空間和能源的矛盾，因此設計時采用輕質材料以減輕汽車自身質量；充分利用空間的情況下，盡可能增大車廂內部成員空間的同時，最大限度地降低空氣阻力系數(shù)和滾動阻力系數(shù)，以求減小行駛阻力，利用機電一體化匹配設計，在具體工況條件下，求得電動汽車整車參數(shù)達到最優(yōu)設計。目前三頁\總數(shù)三十五頁\編于十七點復雜控制實驗室2、電動機及其控制技術2.1、驅動電機電動汽車用電動機主要有直流電動機、感應電動機、永磁無刷電動機和開關磁阻電動機。要使電動汽車有良好的使用性能，驅動電機應具有較寬的調速范圍及較高的轉速，足夠大的啟動扭矩，體積小、質量輕、效率高且有能量回饋的性能。目前電動汽車所采用的電動機中，直流電動機基本上已被交流電動機、永磁電動機或開關磁阻電動機所取代。電動汽車所用的電動機正在向大功率、高轉速、高效率和小型化方向發(fā)展。目前四頁\總數(shù)三十五頁\編于十七點復雜控制實驗室2.2、電機控制技術隨著電機及驅動系統(tǒng)的發(fā)展，控制系統(tǒng)趨于智能化和數(shù)字化。變結構控制、模糊控制、神經網絡、自適應控制、專家系統(tǒng)、遺傳算法等非線性智能控制技術，都將各自或結合應用于電動汽車的電機控制系統(tǒng)。它們的應用將使系統(tǒng)結構簡單、響應迅速、抗干擾能力強，參數(shù)變化具有魯棒性，可大大提高整個系統(tǒng)的綜合性能。

目前五頁\總數(shù)三十五頁\編于十七點復雜控制實驗室3、動力電池及其管理系統(tǒng)3.1、動力電池常用的動力電池為鉛酸電池、鎳氫電池和鋰離子電池。動力電池新品種不斷出現(xiàn)，性能不斷提高技術不斷進步，但動力電池仍然是動力汽車的瓶頸，具有能量密度低，快速充電能力差、價格昂貴等缺點。

目前六頁\總數(shù)三十五頁\編于十七點復雜控制實驗室

3.2、電池管理系統(tǒng)：電動汽車上對電池實施管理的具體設備就是電池管理系統(tǒng)（batterymanagementsystem,BMS）,使電池工作在合理的電壓、電流、溫度范圍內。BMS是電池組熱管理和SOC估計等技術的應用平臺。BMS對于電池組的安全、優(yōu)化使用和整車能量管理策略的執(zhí)行都是必要的。

目前七頁\總數(shù)三十五頁\編于十七點復雜控制實驗室二、電池管理系統(tǒng)1、電池模型電動汽車電池性能模型又可分為簡化的電化學模型、等效電路模型、神經網絡模型、部分放電模型和特定因素模型1.1簡化的電化學模型Peukert(普克特)方程（1）式（1）中，I為放電電流；n為電池常數(shù)；為電流的放電時間目前八頁\總數(shù)三十五頁\編于十七點復雜控制實驗室Shepherd模型（2）式2中，為電池端電壓；為電池完全充滿時的開路電壓；為歐姆內阻；為極化內阻；I為瞬時電流；為由安時積分法算得的電池凈放電量。目前九頁\總數(shù)三十五頁\編于十七點復雜控制實驗室1.2等效電路模型等效電路模型基于電池工作原理用電路網絡來描述電池的工作特性，適用于多種電池。根據(jù)電路元件的特點，可分為線性等效電路模型和非線性等效電路模型。目前十頁\總數(shù)三十五頁\編于十七點復雜控制實驗室1.2.1基本電路模型基本電路模型是其他復雜等效電路模型的基礎。Thevenin模型如圖1所示，是最有代表性的電路模型。電容C與電阻R2并聯(lián)（描述超電勢）后與電壓源Voc（描述開路電壓）、電阻R1（電池內阻）串聯(lián)。由于隨著電池工作條件和內部狀態(tài)的變化，Thevenin電池模型參數(shù)無法隨之變化，因此準確性較差。目前十一頁\總數(shù)三十五頁\編于十七點復雜控制實驗室圖1Thevenin電池性能模型

目前十二頁\總數(shù)三十五頁\編于十七點復雜控制實驗室1.2.2線性電路模型線性電路模型如圖2所示，此模型是對Thevenin電池模型的改進。開路電壓Voc為電壓源Eo和電容Cb兩端的電壓，與之串聯(lián)的是一個由3個電容C1、C2、C3和3個電阻R1、R2、R3組成的電路網絡（描述超電勢），與所有這些元件并聯(lián)的是自放電電阻Rp。線性電路模型的參數(shù)不受溫度等因素影響。目前十三頁\總數(shù)三十五頁\編于十七點復雜控制實驗室圖2線性等效電路模型目前十四頁\總數(shù)三十五頁\編于十七點復雜控制實驗室1.2.3非線性電路模型線性電路模型經過非線性化得到,圖3所示的非線性模型。模型中電池容量用電容Cb表示；電阻Rp與Cb并聯(lián)，表示電池自放電；開路電壓Voc為Cb和Rp兩端的電壓；超電動勢由電容、電阻并聯(lián)網絡模擬，該網絡與Cb和Rp串聯(lián)，網絡中的電阻R1由兩個反向理想二極管并聯(lián)來模擬，表示在放電和充電時過壓阻抗的差異；目前十五頁\總數(shù)三十五頁\編于十七點復雜控制實驗室R1表示內阻，RS與R1-C1并聯(lián)網絡、RP-Cb并聯(lián)網絡串聯(lián)。電池內阻是R1與RS的和,RS表示電解液、極板和流動內阻,R1表示電解液擴散的內阻；和R1一樣，RS由兩個理想二極管反向并聯(lián)，用以描述充電和放電狀態(tài)的差異。模型中Cb、RS、RP和R1都是電壓的函數(shù)，RP隨溫度的變化而變化，只有C1為常數(shù)。目前十六頁\總數(shù)三十五頁\編于十七點復雜控制實驗室圖3非線性等效電路模型

目前十七頁\總數(shù)三十五頁\編于十七點復雜控制實驗室1.3神經網絡模型電池是一個高度非線性的系統(tǒng)，神經網絡具有非線性的基本特性，具有并行結構和學習能力，對于外部激勵能給出相對應的輸出響應，適合進行電池建模。如圖所示，采用三層神經網絡來估計電池SOC，此神經網絡采用BP算法來訓練，中間層神經元響應函數(shù)為。神經網絡輸入變量的選擇和數(shù)量影響模型的準確性和計算量。神經網絡方法的誤差受訓練數(shù)據(jù)和訓練方法的影響很大，所有的電池試驗數(shù)據(jù)都可用來訓練模型并優(yōu)化模型性能。目前十八頁\總數(shù)三十五頁\編于十七點復雜控制實驗室圖4用于估計電池SOC的典型神經網絡結構目前十九頁\總數(shù)三十五頁\編于十七點復雜控制實驗室

1.4、溫度模型電池在其最佳工作溫度范圍外工作時容量會發(fā)生衰減，(3)式是描述溫度對電池容量影響的最常用模型。(3)式3中，C為電池在溫度T時的容量；C25為電池在25℃時的容量;為溫度系數(shù)Ah/℃，不同種類或型號電池的溫度系數(shù)不同，需要通過試驗得到；T為電池工作溫度。還有以其它影響因素為研究對象的電池模型，如循環(huán)壽命、容量衰減。由于電池性能影響因素多，且具有高度非線性，至今還沒有建立起涵蓋了所有影響因素的高精度通用電池性能模型。目前二十頁\總數(shù)三十五頁\編于十七點復雜控制實驗室2、電池管理系統(tǒng)圖5所示，BMS的主要工作原理可簡單歸納為:數(shù)據(jù)采集電路首先采集電池狀態(tài)信息數(shù)據(jù),再由電子控制單元(ECU)進行數(shù)據(jù)處理和分析,然后根據(jù)分析結果對系統(tǒng)內的相關功能模塊發(fā)出控制指令,并向外界傳遞信息。增設熱管理系統(tǒng)、安全裝置、充電系統(tǒng)以及與PC機的通信聯(lián)系。另外還增加與電動機控制器的通信聯(lián)系,實現(xiàn)能量制動反饋和最大功率控制。

目前二十一頁\總數(shù)三十五頁\編于十七點復雜控制實驗室圖5：BMS結構示意圖

BMS通常包含以下功能組成部分:數(shù)據(jù)采集、剩余容量(SOC)的估算、電氣控制(充放電控制、均衡充電等)、熱管理、安全管理和數(shù)據(jù)通信。目前二十二頁\總數(shù)三十五頁\編于十七點復雜控制實驗室2.1數(shù)據(jù)采集在BMS中,采集到的數(shù)據(jù)是對電池作出合理有效管理和控制的基礎。因此電壓、電流、溫度數(shù)據(jù)的采樣精度、采樣頻率和數(shù)據(jù)過濾就非常重要。

目前二十三頁\總數(shù)三十五頁\編于十七點復雜控制實驗室2.2SOC的估算SOC的確定是BMS中的重點和難點,由于電動汽車電池在使用過程中表現(xiàn)的高度非線性,使準確估計SOC具有很大難度。傳統(tǒng)的SOC基本估算方法有開路電壓法、內阻法和安時法等。近年來又相繼研發(fā)出許多對電池SOC的新型算法,例如模糊邏輯算法模型、自適應神經模糊推斷模型、卡爾曼濾波估計模型算法以及新出現(xiàn)的線性模型法和阻抗光譜法等。目前二十四頁\總數(shù)三十五頁\編于十七點復雜控制實驗室2.2.1安時法安時法是目前最常用的傳統(tǒng)方法,且常與其它方法組合使用,如安時內阻法、安時-Peukert方程法、安時開路電壓法等。SOC狀態(tài)可由公式（4）計數(shù)。（4）式中，為起始狀態(tài)；為額定容量；I為電池電流；為充放電效率。目前二十五頁\總數(shù)三十五頁\編于十七點復雜控制實驗室為了更準確估算SOC,在算法中還需要考慮對電池的溫度補償、自放電和老化等多方面因素。例如,對電池SOC

的估算中考慮電池的實際可用容量(包含了對溫度的考慮)、自放電率和電池老化對容量的影響,提出了SOC計算公式為：SOC

(%)=100%×(額定容量+容量補償因數(shù)+自放電效應+老化效應-放電量+充電量)/額定容量(5)其SOC估算精確度在±3%內。目前二十六頁\總數(shù)三十五頁\編于十七點復雜控制實驗室2.2.2動力電池SOC的神經網絡估計電動汽車的運行情況是十分復雜的，電池的SOC受到環(huán)境溫度、初始電壓、電池內阻、工作時間等很多因素的影響。理想的神經網絡模型當然是輸入量越多越全面，輸出結果的映射就越好，也就越接近實際的工況。下面建立兩個輸入量的電池神經網絡模型。以放電電壓V和放電時間T，作為一組輸入變量，采用三層BP神經網絡，即輸入層、輸出層和一個隱層。在V－T神經網絡模型中采用了50個神經元，輸出層采用的是線性輸出，因為這種輸出可以得到比較準確的映射結果。目前二十七頁\總數(shù)三十五頁\編于十七點復雜控制實驗室圖6：動力電池SOC估計兩輸入神經網絡模型目前二十八頁\總數(shù)三十五頁\編于十七點復雜控制實驗室?。┥窠浘W絡模型建立后，首先用C/3放電的實驗數(shù)據(jù)來訓練神經網絡模型，經過多次的訓練可以得到比較好的仿真結果。圖7是C/3放電時的容量仿真曲線和實驗曲線的對比情況，吻合得非常好，可見該神經網絡模型上是正確的。圖7：C/3放電實驗曲線和仿真曲線的對比目前二十九頁\總數(shù)三十五頁\編于十七點復雜控制實驗室ⅱ）利用神經網絡模型最終希望得到的是能夠估計任意放電電流的情況下電池組的剩余容量情況。所以對V-T模型用1C和2C放電的試驗數(shù)據(jù)大量訓練，模型訓練結束以后，用它來估計電池組其他放電電流時的放電容量。本文是在知道電池組1C放電容量和2C放電容量的情況下，利用該模型估計1.5C的放電容量，估計結果如圖8，從圖8中可以看出，估計曲線與實驗曲線基本吻合，最大值百分誤差小于8％，可以滿足使用要求。目前三十頁\總數(shù)三十五頁\編于十七點復雜控制實驗室該模型估計出1.5C的放電容量，就可以估計出任意放電電流時的電池組的放電容量?？梢娫撃Ｐ驮诶碚撋鲜钦_的，可以用作電池組的SOC估計。圖8：利用V-T神經網絡模型估計1.5C放電容量目前三十一頁\總數(shù)三十五頁\編于十七點復雜控制實驗室2.3電氣控制電氣控制需要實現(xiàn)的功能有:控制充電過程,包括均衡充電，根據(jù)SOC、電池健康狀態(tài)(SOH)和溫度來限定放電電流。電氣控制中需要結合所使用的電池技術和電池類型來設定