CAT蓄电池基于代表电池的串并联电池组荷电状态估计
来源：
卡特蓄电池 发布时间：2026-03-17 10:49:23 点击： 次
图文摘要
- 下载：下载高分辨率图像（87KB）
- 下载：下载全尺寸图像
引言
全球向可持续能源转型的趋势加速了电动汽车(EVs)的普及。作为电动汽车主要储能部件的电池，对车辆性能与安全性起着至关重要的作用。每辆电动汽车都配备电池管理系统(BMS)，该系统负责监测反映电池状态的关键参数，尤其是荷电状态(SoC)——该参数不仅表征电池剩余能量，更直接影响充电间隔、可用功率等决策[1][2]。
关于SOC估算的大量研究聚焦于单体低容量电池。例如，有学者提出基于增量容量(IC)分析的方法，通过分段处理IC曲线并对各段拟合多项式函数，实现了高充电速率下锂离子电池SOC的估算[3]。Bavand等人[4]开发了一种用于在线SOC估算的一阶等效电路模型，该模型通过消除内阻和极化效应来提取开路电压(OCV)。通过采用两个局部放电区间，电池容量得以估算，并借助参考开路电压-荷电状态（OCV-SOC）曲线对荷电状态（SOC）进行校准与优化。文献[5]中采用三种不同的深度神经网络架构，针对LG 18650HG2单体电池在变温环境下的SOC估算进行研究。结果表明预测误差低于1%，且将瞬时功率作为电压、电流和温度之外的附加输入特征，进一步提升了估算的准确性与鲁棒性。Hannan等学者[6]采用电压、电流和环境温度数据训练了一个深度卷积神经网络，该网络能够在无需重新训练的情况下实现不同驾驶与温度条件下的稳健荷电状态（SOC）估计。文献[7]提出了一种名为IWOA-LSTM的模型，用于精确估算单体锂离子电池的SOC，其中通过改进版鲸鱼优化算法对长短期记忆（LSTM）网络的超参数进行了优化。该增强算法显著提升了模型在不同温度及动态运行工况下的性能表现。类似地，文献[8]开发了一种BOA-LSTM模型用于单体电池层面的荷电状态（SOC）估计，其中结合混沌映射的黑秃鹫优化算法被用于自动优化LSTM参数并提升估计精度。尽管在单体电池层面取得了进展，但由于电池组内单体间的不一致性，许多SOC估计方法仍难以推广到电动汽车所用的大规模电池组。电池组由多个以并联-串联构型连接的电池单体组成，并配备保护与热管理系统[9]。针对单体电池开发的方法通常无法准确预测整个电池组的行为特性。部分研究提出了基于单体电池荷电状态（SOC）估算的电池组剩余电荷状态评估技术。现有技术主要可分为四大类[10]：其中单一大电池模型将电池组视为一个等效单体电池，采用总端电压和电流进行建模。该方法虽简便高效，但由于忽略单体电池间的差异而导致精度不足[11]。逐电池计算法则单独估算每个电芯的荷电状态（SOC）后再求取平均值。这种方案具有高精度优势，但计算负荷较大且需获取全部电池的测量数据。关键电池估算法通过监测若干核心电芯来推算电池组SOC，在计算精度与资源消耗间取得平衡[12]。而偏差校正法则对所有电芯统一应用广义电化学模型。随后，通过辨识与参数化方法，可检测并修正行为异常。尽管该方法具有高精度，但需消耗可观的计算资源[13][14]。上述每种技术均存在独特的优势与局限性：简易方法通常速度较快但精度较低，而先进方法虽需更多时间与计算资源，却能提供更精确的结果。其中，关键电池单元估测在精度与复杂度之间实现了平衡。文献[12]选取了串联电池组中电压最高与最低的单元作为关键单元。随后，采用基于卡尔曼滤波的算法估算其荷电状态（SOC），并以两个选定电芯的SOC作为加权线性函数计算电池组整体SOC。Huang等[15]将扩展卡尔曼滤波器与递归最小二乘（RLS）算法结合，通过动态选择基于电阻、开路电压（OCV）和温度参数的参考电芯，实现模型参数更新与噪声抑制。Shuzi等[16]提出以内阻最高的电芯作为表征单元，在被动均衡条件下采用自适应卡尔曼滤波器对其进行SOC估算。Feng等[17]采用了一种带有优化权重初始化方法的后向传播神经网络，用于估计由100个串联连接的磷酸铁锂(LiFePO4)单体组成的电池组荷电状态(SOC)。文献[18]提出了一种串联锂离子电池组能量状态(SOE)估计方法。SOE表征电池剩余能量，其数值取决于单体电池的SOC与端电压。本研究基于递归最小二乘算法识别出的最低与最高内阻值来筛选代表性单体。Jiang等[19]提出以退化程度最小(容量最高)的单体作为参考基准，并通过递归最小二乘算法更新参数的等效电路模型进行建模，随后采用自适应卡尔曼滤波器对该参考单体的SOC进行估计。
本文提出了一种数据驱动的框架，用于并联-串联锂离子电池组的荷电状态（SOC）估计，旨在降低传感需求的同时保持较高的估计精度。本研究的主要贡献总结如下：
- •
基于支持向量回归（SVR）模型和表面温度测量数据，开发了一种核心温度估计方法，从而避免了侵入式传感的需求。
- •
提出了一种基于核心温度-电压联合判据的方法，用于各并联支路中代表性电池的筛选。
- •
从测量中提取的特征被提议作为荷电状态（SOC）估计模型的输入，旨在提升其估算精度。
- •
本研究开发了一种基于深度学习的框架，用于有效估算电池组的荷电状态（SOC）。
- •
设计了一套经济高效的实验装置，用于从由八个锂离子电池组成的电池组中采集数据。
