基于DSP的混合动力汽车电池信号监测及SOC估计研究

动力电池是混合动力汽车主要的能量来源之一,其性能的优劣直接影响到混合动力汽车的整车性能,在诸多动力电池中,锂电池凭借其高比能量、高放电率的优点,被认为是最有发展潜力的动力电池种类。由于锂电池的电压低的特点,通常是几百节串联使用,为了使电池组稳定、高效、安全的工作在最佳状态,并且消除锂电池的安全隐患问题,因此好的电池管理系统必不可少。电池管理系统可以监测每一节电池的信号,对单体电池进行合理的管理,可以有效提高动力电池的性能,延长使用寿命。 动力电池的荷电状态(State-of-Charge, SOC)是表征电池剩余容量的重要参数,SOC值是电池管理系统控制电池充放电的重要依据,而且还是制定能量管理策略的一个重要参数,其估计精度直接影响电池的使用寿命和成本。但是由于电池工作时内部复杂的电化学反应以及使用过程中表现出的较强的非线性特性,使得SOC难以精确估计,成为电动汽车领域的技术难题之一。研究和解决混合动力汽车动力电池SOC估计问题对于推动混合动力汽车的发展至关重要。本文对混合动力汽车电池管理系统中的信号监测和动力电池的SOC估计进行了研究,主要工作如下： 首先介绍了混合动力汽车(Hybrid Electric Vehicles, HEV)的研究背景及其分类、HEV发展现状和特点,然后着重介绍了电池管理系统的关键技术和动力电池SOC估计的研究现状、存在的不足以及改进方向。 采用TI公司的TMS320F2812作为主控芯片,设计了电池管理系统中的电池信号监测模块,实现电池组中单节电池的电压、电流、温度信号的检测。文章介绍了模块的硬件电路设计以及软件编程。并通过实验验证了信号检测模块的检测精度。 在分析了现有的几种SOC估计方法之后；针对传统SOC估计方法的不足,分别研究了基于安时法和卡尔曼滤波的动力电池SOC估计方法。文章首先使用安时法对电池进行SOC估计,并将估计结果作为准确值,然后分别以低阶的Thevenin模型和RC模型为基础建立数学模型并利用卡尔曼滤波方法对电池进行SOC估计,最后分别以恒流放电和脉冲放电两种方式进行放电实验,将卡尔曼滤波估计结果与安时法的估计结果进行比较；实验表明卡尔曼滤波估计可以有效的克服安时法误差积累的缺点,而且基于RC模型的SOC估计具有更高的精度。