在测量下一代汽车电池时将充电和放电分开

磷酸锂锂电池已广泛用于为电动汽车的电池供电，但与燃油箱中的汽油量不同，它们的充电状态无法直接通过物理量来测量。取而代之的是，他们使用基于电池电压和电流测量结果的算法，而电池电压和电流测量结果又会受到天气，电动状态和交通状况等条件的影响。然而，当用于实时应用中时，当前用于测量充电状态的算法各自具有缺点。

为了更好地估计磷酸锂离子电池的充电状态，中国西南西南交通大学的研究人员最近开发了一种算法，可以分别测量电池的充电和放电状态。这样一来，它就可以在初始不正确的值和测量电流的误差中发挥作用，并区分串联中每个电池的性能。

西南交通大学电气工程学院研究员朱旭表示，串联电池之间的动态特性(例如电池容量，内阻和极化电阻)的差异会导致充电状态变得不平衡，从而影响电池的充电状态。电池组的效率和寿命。

徐和她的同事本周在“可再生与可持续能源杂志”上讨论了他们改进的Thenevin电路模型。先前的工作涉及锂电池管理芯片和管理系统。

电池充电状态的初始值通常通过开路电压法计算，该方法基于充电状态与断开电路连接时设备端子之间的电势差之间的关系。但是，根据徐的说法，这种关系只能通过实验观察到，这不可避免地会带来实验误差。她说，此外，这种关系可能会因充电和放电条件而改变。

传统的估计电池充电状态的算法-安培小时积分，开路电压法，神经网络建模和卡尔曼滤波-都有缺点。安培小时积分虽然是最常用的方法，但在很大程度上依赖于初始充电状态值。开路电压法只能用于估计初始充电状态;神经网络建模对微处理器提出了巨大的要求，以使用大量的实验数据来估计多个荷电状态值。卡尔曼滤波虽然可以有效地估计动态系统中时变状态的电流，即使在初始值不正确的情况下，也高度依赖于电池模型的准确性。

在传统的戴维南等效电路模型中，这可能会成为问题。在这些模型电路中，对电池充电和放电时采用相同的内部电阻和极化电阻。然而，实际上，这些特性最终在两个状态之间变化很大，这可能导致不准确-使卡尔曼滤波不理想。

为了解决这个问题，研究人员改进的戴维南等效电路模型通过在电池充电或放电时提供不同的电流路径来工作。这使研究人员能够在充电和放电条件下分别对电池的特性进行建模，并具有卡尔曼滤波器的附加功能，可以在初始值不正确的情况下估算电池的充电状态。

“采用改进的戴维南等效电路电池模型和荷电状态估计算法，可以更准确地估计电池的荷电状态，而不会产生许多不必要的干扰，”许说。

徐竺及其同事的未来工作包括开发用于测量电池系统健康状况的系统，该系统在其当前工作条件下以理想性能的百分比表示。