一起看看BMS的关键技术.docx
- 文档编号:25005311
- 上传时间:2023-06-03
- 格式:DOCX
- 页数:26
- 大小:687.37KB
一起看看BMS的关键技术.docx
《一起看看BMS的关键技术.docx》由会员分享,可在线阅读,更多相关《一起看看BMS的关键技术.docx(26页珍藏版)》请在冰豆网上搜索。
一起看看BMS的关键技术
电池管理系统,BMS(BatteryManagementSystem),是电动汽车动力电池系统的重要组成。
它一方面检测收集并初步计算电池实时状态参数,并根据检测值与允许值的比较关系控制供电回路的通断;另一方面,将采集的关键数据上报给整车控制器,并接收控制器的指令,与车辆上的其他系统协调工作。
电池管理系统,不同电芯类型,对管理系统的要求往往并不一样。
一起看看BMS的关键技术,整体内容分成上中下三个部分。
一个典型的动力电池管理系统,需要实现哪些功能(上篇)
1简介
电动汽车用锂离子电池容量大、串并联节数多,系统复杂,加之安全性、耐久性、动力性等性能要求高、实现难度大,因此成为影响电动汽车推广普及的瓶颈。
锂离子电池安全工作区域受到温度、电压窗口限制,超过该窗口的范围,电池性能就会加速衰减,甚至发生安全问题。
目前,大部分车用锂离子电池,要求的可靠工作温度为,放电时-20~55°C,充电时0~45°C(对石墨负极),而对于负极LTO充电时最低温度为-30°C;工作电压一般为1.5~4.2V左右(对于LiCoO2/C、LiNi0.8Co0.15Al0.05O2/C、LiCoxNiyMnzO2/C以及LiMn2O4/C等材料体系约2.5~4.2V,对于LiMn2O4/Li4Ti5O12材料体系约1.5~2.7V,对于LiFePO4/C材料体系约2.0~3.7V)。
温度对锂电池性能尤其安全性具有决定性的影响,根据电极材料类型的不同,锂电池(C/LiMn2O4,C/LMO,C/LiCoxNiyMnzO2,C/NCM,C/LiFePO4,C/LiNi0.8Co0.15Al0.05O2,C/NCA)典型的工作温度如下:
放电在-20-55℃,充电在0-45℃;负极材料为Li4Ti5O12或者LTO时,最低充电温度往往可以达到-30℃。
当温度过高时,会给电池的寿命造成不利影响。
当温度高至一定程度,则可能造成安全问题。
如图所示图1中,当温度为90~120℃时,SEI膜将开始放热分解[1~3],而一些电解质体系会在较低温度下分解约69℃[4]。
当温度超过120℃,SEI膜分解后无法保护负碳电极,使得负极与有机电解质直接反应,产生可燃气体将[3]。
当温度为130℃,隔膜将开始熔化并关闭离子通道,使得电池的正负极暂时没有电流流动[5,6]。
当温度升高时,正极材料开始分解(LiCoO2开始分解约在150℃[7],LiNi0.8Co0.15Al0.05O2在约160℃[8,9],LiNixCoyMnzO2在约210℃[8],LiMn2O4在约265℃[1],LiFePO4在约310℃[7])并产生氧气。
当温度高于200℃时,电解液会分解并产生可燃性气体[3],并且与由正极的分解产生的氧气剧烈反应[9],进而导致热失控。
在0℃以下充电,会造成锂金属在负极表面形成电镀层,这会减少电池的循环寿命。
[10]
过低的电压或者过放电,会导致电解液分解并产生可燃气体进而导致潜在安全风险。
过高的电压或者过充电,可能导致正极材料失去活性,并产生大量的热;普通电解质在电压高于4.5V时会分解[12]
为了解决这些问题,人们试图开发能够在非常恶劣的情况下进行工作的新电池系统,另一方面,目前商业化锂离子电池必须连接管理系统,使锂离子电池可以得到有效的控制和管理,每个单电池都在适当的条件下工作,充分保证电池的安全性、耐久性和动力性。
2电池管理系统定义
电池管理系统的主要任务是保证电池系统的设计性能,可以分解成如下三个方面:
1)安全性,保护电池单体或电池组免受损坏,防止出现安全事故;
2)耐久性,使电池工作在可靠的安全区域内,延长电池的使用寿命;
3)动力性,维持电池工作在满足车辆要求的状态下。
锂离子电池的安全工作区域如图1所示。
图1为锂离子电池的安全操作窗口
BMS由各类传感器、执行器、控制器以及信号线等组成,为满足相关的标准或规范,BMS应该具有以下功能。
1)电池参数检测。
包括总电压、总电流、单体电池电压检测(防止出现过充、过放甚至反极现象)、温度检测(最好每串电池、关键电缆接头等均有温度传感器)、烟雾探测(监测电解液泄漏等)、绝缘检测(监测漏电)、碰撞检测等。
2)电池状态估计。
包括荷电状态(SOC)或放电深度(DOD)、健康状态(SOH)、功能状态(SOF)、能量状态(SOE)、故障及安全状态(SOS)等。
3)在线故障诊断。
包括故障检测、故障类型判断、故障定位、故障信息输出等。
故障检测是指通过采集到的传感器信号,采用诊断算法诊断故障类型,并进行早期预警。
电池故障是指电池组、高压电回路、热管理等各个子系统的传感器故障、执行器故障(如接触器、风扇、泵、加热器等),以及网络故障、各种控制器软硬件故障等。
电池组本身故障是指过压(过充)、欠压(过放)、过电流、超高温、内短路故障、接头松动、电解液泄漏、绝缘降低等。
4)电池安全控制与报警。
包括热系统控制、高压电安全控制。
BMS诊断到故障后,通过网络通知整车控制器,并要求整车控制器进行有效处理(超过一定阈值时BMS也可以切断主回路电源),以防止高温、低温、过充、过放、过流、漏电等对电池和人身的损害。
5)充电控制。
BMS中具有一个充电管理模块,它能够根据电池的特性、温度高低以及充电机的功率等级,控制充电机给电池进行安全充电。
6)电池均衡。
不一致性的存在使得电池组的容量小于组中最小单体的容量。
电池均衡是根据单体电池信息,采用主动或被动、耗散或非耗散等均衡方式,尽可能使电池组容量接近于最小单体的容量。
7)热管理。
根据电池组内温度分布信息及充放电需求,决定主动加热/散热的强度,使得电池尽可能工作在最适合的温度,充分发挥电池的性能。
8)网络通讯。
BMS需要与整车控制器等网络节点通信;同时,BMS在车辆上拆卸不方便,需要在不拆壳的情况下进行在线标定、监控、自动代码生成和在线程序下载(程序更新而不拆卸产品)等,一般的车载网络均采用CAN总线技术。
9)信息存储。
用于存储关键数据,如SOC、SOH、SOF、SOE、累积充放电Ah数、故障码和一致性等。
车辆中的真实BMS可能只有上面提到的部分硬件和软件。
每个电池单元至少应有一个电池电压传感器和一个温度传感器。
对于具有几十个电池的电池系统,可能只有一个BMS控制器,或者甚至将BMS功能集成到车辆的主控制器中。
对于具有数百个电池单元的电池系统,可能有一个主控制器和多个仅管理一个电池模块的从属控制器。
对于每个具有数十个电池单元的电池模块,可能存在一些模块电路接触器和平衡模块,并且从控制器像测量电压和电流一样管理电池模块,控制接触器,均衡电池单元并与主控制器通信。
根据所报告的数据,主控制器将执行电池状态估计,故障诊断,热管理等。
10)电磁兼容。
由于电动车使用环境恶劣,要求BMS具有好的抗电磁干扰能力,同时要求BMS对外辐射小。
电动汽车BMS软硬件的基本框架如图2所示。
图2车载BMS的软硬件基本框架
3BMS的关键问题
尽管BMS有许多功能模块,本文仅分析和总结其关键问题。
目前,关键问题涉及电池电压测量,数据采样频率同步性,电池状态估计,电池的均匀性和均衡,和电池故障诊断的精确测量。
3.1电池电压测量(CVM)
电池电压测量的难点存在于以下几个方面:
(1)电动汽车的电池组有数百个电芯的串联连接,需要许多通道来测量电压。
由于被测量的电池电压有累积电势,而每个电池的积累电势都不同,这使得它不可能采用单向补偿方法消除误差。
图3OCV曲线和每毫伏电压的SOC的变化(在25℃测量,休息时间3小时)
(2)电压测量需要高精度(特别是对于C/LiFePO4电池)。
SOC估算对电池电压精度提出了很高的要求。
这里我们以C/LFP和LTO/NCM型电池为例。
图3显示了电池C/LiFePO4和LTO/NCM的开路电压(OCV)以及每mV电压对应的SOC变化。
从图中我们可以看到LTO/NCM的OCV曲线的斜率相对陡峭,且大多数SOC范围内,每毫伏的电压变化对应的最大SOC率范围低于0.4%(除了SOC60~70%)。
因此,如果电池电压的测量精度为10mV,那么通过OCV估计方法获得的SOC误差低于4%。
因此,对于LTO/NCM电池,电池电压的测量精度需要小于10mV。
但C/LiFePO4OCV曲线的斜率相对平缓,并且在大多数范围内(除了SOC<40%和65~80%),每毫伏电压的最大相应SOC变化率达到4%。
因此,电池电压的采集精度要求很高,达到1mV左右。
目前,电池电压的大部分采集精度仅达到5mV。
在文献[47]和[48]中,分别总结了锂电池组和燃料电池组的电压测量方法。
这些方法包括电阻分压器方法,光耦合隔离放大器方法,离散晶体管的方法[49],分布式测量方[50],光耦合中继方法[51]等等。
目前,电池的电压和温度采样已形成芯片产业化,表1比较了大多数BMS所用芯片的性能。
表1统计电池管理和均衡芯片
3.2数据采样频率同步性
信号的采样频率与同步对数据实时分析和处理有影响。
设计BMS时,需要对信号的采样频率和同步精度提出要求。
但目前部分BMS设计过程中,对信号采样频率和同步没有明确要求。
电池系统信号有多种,同时电池管理系统一般为分布式,如果电流的采样与单片电压采样分别在不同的电路板上;信号采集过程中,不同控制子板信号会存在同步问题,会对内阻的实时监测算法产生影响。
同一单片电压采集子板,一般采用巡检方法,单体电压之间也会存在同步问题,影响不一致性分析。
系统对不同信号的数据采样频率和同步要求不同,对惯性大的参量要求较低,如纯电动车电池正常放电的温升数量级为1℃/10min,考虑到温度的安全监控,同时考虑BMS温度的精度(约为1℃),温度的采样间隔可定为30s(对混合动力电池,温度采样率需要更高一些)。
电压与电流信号变化较快,采样频率和同步性要求很高。
由交流阻抗分析可知,动力电池的欧姆内阻响应在ms级,SEI膜离子传输阻力电压响应为10ms级,电荷转移(双电容效应)响应为1~10s级,扩散过程响应为min级。
目前,电动车加速时,驱动电机的电流从最小变化到最大的响应时间约为0.5s,电流精度要求为1%左右,综合考虑变载工况的情况,电流采样频率应取10~200Hz。
单片信息采集子板电压通道数一般为6的倍数,目前最多为24个。
一般纯电动乘用车电池由约100节电池串联组成,单体电池信号采集需要多个采集子板。
为了保证电压同步,每个采集子板中单体间的电压采样时间差越小越好,一个巡检周期最好在25ms内。
子板之间的时间同步可以通过发送一帧CAN参考帧来实现。
数据更新频率应为10Hz以上。
一个典型的动力电池管理系统,需要实现哪些功能(中篇)
上篇说到,锂电池系统庞大,需要电池管理系统的监督和优化,以维护其安全性、耐久性和动力性。
上篇中提及的BMS功能需求包括电池电压测量、数据采样频率同步性。
本文继续,中篇讲述温度估计和SOC估计。
预报,明天的下篇中会包括电池状态包括SOH(健康状态估计)、SOS(安全状态估计)、SOF(功能状态估计)及SOE(可用能量状态估计)。
这些功能是期望BMS具备的,但实际应用中,出于客户要求、车型要求以及成本等等的考虑,实际设计到系统中的可能只是其中的几个。
3.3电池状态估计
电池状态包括电池温度、SOC(荷电状态估计)、SOH(健康状态估计)、SOS(安全状态估计)、SOF(功能状态估计)及SOE(可用能量状态估计)。
各种状态估计之间的关系如图4所示。
电池温度估计是其他状态估计的基础,SOC估计受到SOH的影响,SOF是由SOC、SOH、SOS以及电池温度共同确定的,SOE则与SOC、SOH、电池温度、未来工况有关。
图4.BMS状态估计算法框架
3.3.1电池温度估计
温度对电池性能影响较大,目前一般只能测得电池表面温度,而电池内部温度需要使用热模型进行估计。
常用的电池热模型包括零维模型(集总参数模型)、一维乃至三维模型。
零维模型可以大致计算电池充放电过程中的温度变化,估计精度有限,但模型计算量小,因此可用于实时的温度估计。
一维、二维及三维模型需要使用数值方法对传热微分方程进行求解,对电池进行网格划分,计算电池的温度场分布,同时还需考虑电池结构对传热的影响(结构包括内核、外壳、电解液层等)。
一维模型中只考虑电池在一个方向的温度分布,在其他方向视为均匀。
二维模型考虑电池在两个方
向的温度分布,对圆柱形电池来说,轴向及径向的温度分布即可反映电池内部的温度场。
二维模型一般用于薄片电池的温度分析。
三维模型可以完全反映方形电池内部的温度场,仿真精度较高,因而研究较多。
但三维模型的计算量大,无法应用于实时温度估计,只能用于在实验室中进行温度场仿真。
为了让三维模型的计算结果实时应用,研究人员利用三维模型的温度场计算结果,将电池产热功率和内外温差的关系用传递函数表达,通过产热功率和电池表面温度估计电池内部的温度,具有在BMS中应用的潜力。
图5所示为电池内部温度的估计流程。
图5电池内部温度估计流程
一般地,锂离子电池适宜的工作温度为15~35℃,而电动汽车的实际工作温度为-30~50℃,因此必须对电池进行热管理,低温时需要加热,高温时需要冷却。
热管理包括设计与控制两方面,其中,热管理设计不属于本文内容。
温度控制是通过测温元件测得电池组不同位置的温度,综合温度分布情况,热管理系统控制电路进行散热,热管理的执行部件一般有风扇、水/油泵、制冷机等。
比如,可以根据温度范围进行分档控制。
Volt插电式混合动力电池热管理分为3种模式:
主动(制冷散热)、被动(风扇散热)和不冷却模式,当动力电池温度超过某预先设定的被动冷却目标温度后,被动散热模式启动;而当温度继续升高至主动冷却目标温度以上时,主动散热模式启动。
3.2荷电状态(SOC)估计
SOC(StateofCharge),可用电量占据电池最大可用容量的比例,通常以百分比表示,100%表示完全充电,0%表示完全放电。
这是针对单个电池的定义,对于电池模块(或电池组,由于电池组由多个模块组成,因此从模块SOC计算电池组的SOC就像电池电池单体SOC估计模块SOC一样),情况有一点复杂。
在SOC估计方法的最后一节讨论。
目前,对SOC的研究已经基本成熟,SOC算法主要分为两大类,一类为单一SOC算法,另一类为多种单一SOC算法的融合算法。
单一SOC算法包括安时积分法、开路电压法、基于电池模型估计的开路电压法、其他基于电池性能的SOC估计法等。
融合算法包括简单的修正、加权、卡尔曼滤波(或扩展卡尔曼滤波)以及滑模变结构方法等。
1)放电测试方法
确定电池SOC的最可靠方法是在受控条件下进行放电测试,即指定的放电速率和环境温度。
这个测试可以准确的计算电池的剩余电量SOC,但所消耗的时间相当长,并且在测试完毕以后电池里面的电量全部放掉,因此这个方法只在实验室中用来标定验证电池的标称容量,无法用于设计BMS做车辆电池电量的在线估计。
2)安时积分法
安时积分计算方法为:
式中,SOC为荷电状态;SOC0为起始时刻(t0)的荷电状态;CN为额定容量(为电池当时标准状态下的容量,随寿命变化);η为库仑效率,放电为1,充电小于1;I为电流,充电为负,放电为正。
在起始荷电状态SOC0比较准确情况下,安时积分法在一段时间内具有相当好的精度(主要与电流传感器采样精度、采样频率有关)。
但是,安时积分法的主要缺点为:
起始SOC0影响荷电状态的估计精度;库仑效率η受电池的工作状态影响大(如荷电状态、温度、电流大小等),η难于准确测量,会对荷电状态误差有累积效应;电流传感器精度,特别是偏差会导致累计效应,影响荷电状态的精度。
因此,单纯采用安时积分法很难满足荷电状态估计的精度要求。
3)开路电压(OCV)法
锂离子电池的荷电状态与锂离子在活性材料中的嵌入量有关,与静态热力学有关,因此充分静置后的开路电压可以认为达到平衡电动势,OCV与荷电状态具有一一对应的关系,是估计荷电状态的有效方法。
但是有些种类电池的OCV与充放电过程(历史)有关,如LiFePO4/C电池,充电OCV与放电OCV具有滞回现象(与镍氢电池类似),并且电压曲线平坦,因而SOC估计精度受到传感器精度的影响严重,这些都需要进一步研究。
开路电压法最大的优点是荷电状态估计精度高,但是它的显著缺点是需要将电池长时静置以达到平衡,电池从工作状态恢复到平衡状态一般需要一定时间,与荷电状态、温度等状态有关,低温下需要数小时以上,所以该方法单独使用只适于电动汽车驻车状态,不适合动态估计。
4)基于电池模型的开路电压法
通过电池模型可以估计电池的开路电压,再根据OCV与SOC的对应关系可以估计当前电池的SOC。
等效电路模型是最常用的电池模型。
对于这种方法,电池模型的精度和复杂性非常重要。
华等人收集了12个常用等效电路模型,包括组合模型,Rint模型(简单模型),具有零状态滞后模型的Rint模型,具有单态滞后模型的Rint模型,具有两个低通滤波器增强型自校正(ESC)模型,具有四个低通滤波器的ESC模型,一阶RC模型,一个状态滞后的一阶RC模型,二阶RC模型,具有单态滞后的二阶RC模型,三阶RC模型和具有单态滞后的三阶RC模型。
电化学模型是建立在传质、化学热力学、动力学基础上,涉及电池内部材料的参数较多,而且很难准确获得,模型运算量大,一般用于电池的性能分析与设计。
如果电池模型参数已知,则很容易找到电池OCV。
然后使用通过实验得出的OCV-SOC查找表,可以容易地找到电池SOC。
研究人员使用这种方法,并分别采取RINT模型,一阶RC,二阶RC模型,发现使用二阶RC模型的最大估计误差是4.3%,而平均误差是1.4%。
图6充放电C/的LiFePO的OCV曲线4(在25℃测量,休息时间3小时)
5)神经网络模型方法
神经网络模型法估计SOC是利用神经网络的非线性映射特性,在建立模型时不用具体考虑电池的细节问题,方法具有普适性,适用于各种电池的SOC估计,但是需要大量样本数据对网络进行训练,且估算误差受训练数据和训练方法的影响很大,且神经网络法运算量大,需要强大的运算芯片(如DSP等)。
6)模糊逻辑方法
模糊逻辑法基本思路就是根据大量试验曲线、经验及可靠的模糊逻辑理论依据,用模糊逻辑模拟人的模糊思维,最终实现SOC预测,但该算法首先需要对电池本身有足够多的了解,计算量也较大。
7)基于电池性能的SOC估计法
基于电池性能的SOC估计方法包括交流阻抗法、直流内阻法和放电试验法。
交流阻抗法是通过对交流阻抗谱与SOC的关系进行SOC估计。
直流内阻法通过直流内阻与电池SOC的关系进行估计。
交流阻抗及直流内阻一般仅用于电池离线诊断,很难直接应用在车用SOC实时估计中,这是因为,采用交流阻抗的方法需要有信号发生器,会增加成本;电池阻抗谱或内阻与SOC关系复杂,影响因素多(包括内阻一致性);电池内阻很小,车用电池在毫欧级,很难准确获得;锂离子电池内阻在很宽范围内变化较小,很难识别。
8)融合算法
目前融合算法包括简单修正、加权、卡尔曼滤波或扩展卡尔曼滤波(EKF)、滑模变结构等。
简单修正的融合算法主要包括开路电压修正、满电修正的安时积分法等。
对于纯电动车电池,工况较为简单,车辆运行时除了少量制动回馈充电外主要处于放电态,站上充电时电池处于充电态,开路电压的滞回效应比较容易估计;电池容量大,安时积分的误差相对较小;充满电的机率大,因此,采用开路电压标定初值和满电修正的安时积分方法可以满足纯电动车电池SOC的估计精度要求。
对于混合动力车电池,由于工况复杂,运行中为了维持电量不变,电流有充有放;停车时除了维护外,没有站上充电的机会;电池容量较小,安时积分的相对误差大。
因此,简单的开路电压修正方法还不能满足混合动力车电池SOC的估计精度要求,需要其他融合方法解决。
加权融合算法是将不同方法得到的SOC按一定权值进行加权估计的方法。
MarkVerbrugge等采用安时积分获得SOCc与采用具有滞回的一阶RC模型获得SOCv的加权方法估计SOC,计算公式为
式中,w为权值。
该算法已经在GM混合动力系统中应用。
卡尔曼滤波是一种常用的融合算法。
由于SOC不能直接测量,目前一般将两种估计SOC的方法融合起来估计。
SOC被当成电池系统的一个内部状态分析。
又由于电池系统为非线性系统,因此采用扩展的卡尔曼滤波方法,通常采用安时积分与电池模型组成系统进行计算。
Plett等研究了安时积分与组合模型、Rint模型(简单模型)、零状态滞回Rint模型、一状态滞回Rint模型、加强自修正模型的卡尔曼滤波融合算法。
Wang等研究了安时积分与二阶RC模型的卡尔曼滤波融合算法。
夏超英等研究了安时积分与一阶RC模型的卡尔曼滤波算法,指出EKF作为一个状态观测器,其意义在于用安时积分法计算SOC的同时,估计出电容上的电压,从而得到电池端电压的估计值作为校正SOC的依据,同时考虑噪声及误差的大小,确定每一步的滤波增益,得到开路电压法在计算SOC时应占的权重,从而得到SOC的最优估计。
这样就把安时积分法和开路电压有机地结合起来,用开路电压克服了安时积分法有累积误差的缺点,实现了SOC的闭环估计。
同时,由于在计算过程中考虑了噪声的影响,所以算法对噪声有很强的抑制作用。
这是当前应用最广的SOC估计方法。
Charkhgard等采用卡尔曼滤波融合了安时积分与神经网络模型,卡尔曼滤波用于SOC计算的核心是建立合理的电池等效模型,建立一组状态方程,因此算法对电池模型依赖性较强,要获得准确的SOC,需要建立较为准确的电池模型,为了节省计算量,模型还不能太复杂。
Ouyang等提出一种实时性好的基于电化学机理的等效电路模型的SOC卡尔曼滤波算法,在保证计算速度基础上,提高了SOC的估计效果,尤其是低SOC区的估计精度。
但是卡尔曼滤波法的缺点还有卡尔曼增益不好确定,如果选择不好状态将发散。
Kim等提出采用滑模技术克服卡尔曼滤波的缺点,据称该方法对于模型参数不确定和干扰具有较强的鲁棒性。
9)电池组SOC估计
电池组由多节电池串并联组成,由于电池单体间存在不一致性,成组后的电池组SOC计算更为复杂。
由多个电芯并联连接的电池模块可以被认为是具有高容量的单个电池,并且由于并联连接的自平衡特性,可以像单个电池一样估计SOC。
图7电池模块的无用容量和剩余容量(以2个电池的电池模块为例)
在串联连接条件下,粗略的估计电池模块的SOC也可以像单体电池一样,但考虑到电池的均匀性,情形会有些不同。
假设电池模块中每个单体电池的容量和SOC是已知的。
如果有一个非常高效且无损的能量均衡装置,则电池模块的SOC:
其中,SOCM表示电池模块的SOC,SOCi表示第i个电池单元的SOC,Ci表示第i个电池单体的容量。
如果平衡装置不是那么有效,真正的电池模块的SOC与该平衡装置的实际性能有关。
如果只有耗散式的被动均衡功能或者没有均衡功能,则电芯中存在一部分无法利用的容量如图6所示,并且随着电池差异性的加剧,这种浪费的容量的比例会越来越大。
因此,电池模块的容量表示为:
电池模块可用容量表示为:
电池模组的荷电状态表示为:
由此,在每一节电池单体SOC都可估计的前提下,就可以得到电池组的SOC值。
要获取单体的SOC值,最直接的方法就是应用上述SOC估计方法中的一种,分别估计每一个单体的SOC,但这种方法的计算量太大。
为了减小计算量,部分文献[43~45]在估计电池成组的SOC方法上做了一些改进研究。
Dai等[44]采用一个EKF估计电池组平均SOC,用另一个EKF估计每
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 一起 看看 BMS 关键技术
![提示](https://static.bdocx.com/images/bang_tan.gif)