华宇平台注册_一个典型的动力锂离子电池管理系统，什么功能要实现
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-20~55C，充电时0~45C（对石墨负极），而关于负极LTO充电时最低温度为-30C；工作电压一般为1.5~4.2V左右（关于LiCoO2/C、LiNi0.8Co0.15Al0.05O2/C、LiCoxNiyMnzO2/C以及LiMn2O4/C等材料体系约2.5~4.2V，关于LiMn2O4/Li4Ti5O12材料体系约1.5~2.7V，关于LiFePO4/C材料体系约2.0~3.7V）。
温度对锂离子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，锂离子电池（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，出现可燃气体将[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]）并出现氧气。当温度高于200℃时，电解液会分解并出现可燃性气体[3]，并且与由正极的分解出现的氧气剧烈反应[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出现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，并出现大量的热；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电池管理系统含义
电池管理系统的重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
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，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。关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。关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。关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相同管理电池模块，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。由于电动汽车使用环境恶劣，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，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）电压测量要高精度（特别是关于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，假如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，关于LTO/NCM电池，电池电压的测量精度要小于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，分别总结了锂离子电池组和燃料动力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，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，假如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出现影响。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，如纯电动汽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（对混合动力锂电池，温度采样率要更高一些）。
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，动力锂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，电动汽车加速时，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。
后面两天的文章中还会涉及的BMS的关键功能还有：电池状态估计，包括SOC估计方法概述，SOH估计方法概述，SOF估计方法概述，电池一致性和均衡方法概述，故障诊断概述几个部分。
参考文献
一个典型的动力锂电池管理系统，要实现什么功能（中篇）
上回书说到，锂离子电池系统庞大，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，低温时要加热，高温时要冷却。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插电式混合动力锂电池热管理分为3种模式：主动（制冷散热）、被动（风扇散热）和不冷却模式，当动力锂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含义，关于电池模块（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相同），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算法重要分为两大类，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（重要与电流传感器采样精度、采样频率有关）。但是，安时积分法的重要缺点为：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要一按时间，与荷电状态、温度等状态有关，低温下要数小时以上，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。
关于这种方法，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。
假如电池模型参数已知，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，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、相关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要有信号发生器，会新增成本；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重要包括开路电压修正、满电修正的安时积分法等。
关于纯电动汽车电池，工况较为简单，车辆运行时除了少量制动回馈充电外重要处于放电态，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汽车电池SOC的估计精度要求。
关于混合动力车电池，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，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用途。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，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，假如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，据称该方法关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，可以像单个电池相同估计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也可以像单体电池相同，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。假如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。假如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。假如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估计每个单体SOC与平均SOC之差ΔSOC。估计ΔSOC的EKF中要估计的状态量只有一个，因此算法的计算量较小。另外，考虑到ΔSOC的变化很慢，采用双时间尺度的方法可以进一步减小计算量。Zheng等提出了一种M+D模型，即一个相对复杂的电池单体平均模型M，和一个简单的单体差异模型D，利用最小二乘法计算单体与平均单体之间的差值ΔOCV，通过ΔSOC与ΔOCV的关系，可以计算每个单体的SOC值。
表2各种SOC估计方法比较
表3不同SOC估计方法的SOC估计误差。
表2中比较了不同的SOC估算算法。表3总结了每种方法的SOC估计误差。
综合比较上述常用的SOC估计方法，卡尔曼滤波等基于电池模型的SOC估计方法精确可靠，配合开路电压驻车修正是目前的主流方法。
参考文献
下篇
昨天和前天的两篇文章中，介绍的BMS功能需求包括电池电压测量、数据采样频率同步性，温度估计和SOC估计。本文，是《一个典型的动力锂电池管理系统，要实现什么功能》的最后一个部分，内涉及SOH（健康状态）估计、SOF（功能状态）估计及SOE（可用能量状态）估计、SOS（安全状态）估计。
3.3健康状态（SOH）估计
健康状态是指电池当前的性能与正常设计指标的偏离程度。电池老化是电池正常的性能衰减，不能完全代表其健康状态。而目前多数SOH的含义仅限于电池老化的范畴，没有真正涉及电池的健康状况（如健康、亚健康、轻微问题、严重问题等），因此目前的算法应该称为寿命状态。
耐久性是当前业界研究热点，表征电池寿命的重要参数是容量和内阻。一般地，能量型电池的性能衰减用容量衰减表征，功率型电池性能衰减用电阻变化表征。为了估计电池的衰减性能，首先要了解电池的衰减机理。
锂离子电池衰减机理。锂离子电池为摇椅式电池，正负极的活性材料可以看作容纳锂离子的两个水桶，锂离子相当于桶里的水。电池的性能衰减可以理解为水变少（即活性锂离子损失），或桶变小（正极或负极活性物质变少），如下图所示。导致活性锂离子损失的重要原因是：电极与电解液副反应形成钝化膜（如SEI膜）；由于充放电电池膨胀收缩疲劳导致电极龟裂，导致电极与电解液副反应形成新的SEI膜，消耗锂离子；不当充电导致的析锂与电解液反应消耗锂离子。导致活性材料损失的重要原因包括：材料中的锰、铁或镍等离子溶解；活性材料颗粒脱落；活性材料晶格塌陷。目前SOH估计方法重要分为耐久性相关经验模型估计法和基于电池模型的参数辨识方法。
锂离子电池双水箱模型
1）耐久性相关经验模型估计法
耐久性相关经验模型估计法是基于电池耐久性测试数据标定获得的模型，直接预测容量衰减和内阻的变化。电池的耐久性模型可以分为耐久性机理模型和耐久性外特性模型，两者的重要差别在于，前者侧重于对电池内部副反应机理的研究，并以SEI膜内阻、离子浓度等微观量为观测对象；而后者从试验规律出发，重点关注电池循环过程中表现出来的容量衰减与内阻新增。有文献根据正负极衰老机理，基于循环锂离子损失机理以及电池内部的材料腐蚀机理，建立了电池SEI膜内阻新增模型以及循环衰减后的端电压模型。由于详细的锂离子电池衰减机理十分复杂，目前还很难准确确定模型的参数，同时运算量也较大，一般不用于车用电池管理中。
基于电池外特性的模型，已经有较多文献涉及，最常见的性能衰减模型是基于Arrhenius规律的模型。Toshiba的手册中给出了钴酸锂离子电池贮存寿命模型
式中，Closs为容量损失百分比，%；T为温度，K；t为时间，月。Bloom等进行了不同环境温度下电池衰减率的试验与分析，试验了以温度为加速应力的电池容量衰减模型，讨论了电池容量保持率与环境温度和循环时间的关系，提出
式中，Qloss为阻抗新增率（areaspecificimpedance，ASI）或最大输出功率，W/s或W；A为常数；Ea为反应活化能，J；R是气体常量，J/(molK)；T是绝对温度，K；t是时间，h；z是时间模态，简单情况下可取1/2。其中A、Ea/R、z都可以通过试验数据用拟合的方法得到。
Wang等基于Bloom等的工作，提出了以Ah循环总量为变量的双因素模型，将放电倍率乘入原有的时间项，得到以温度和放电倍率为加速应力的电池寿命模型，实现了双应力加速下20%以内的预测误差，即
式中，Qloss为容量损失百分比，%；Ah为安时循环总量，Ah；其他参数的含义与前面公式相同。
Matsushima研究了大型锂离子电池的性能衰减，发现容量的衰减与时间呈1/2次方关系，即Qloss=Kf×t^(1/2)，并发现容量衰减在30%以内时的系数Kf与容量衰减大于30%时的系数Kf不相同。前者较大，说明前30%容量衰减的速度快。Kf服从阿伦尼乌斯定律。进一步地，基于Arrhenius模型的扩展模型，如黎火林、苏金然根据对钴酸锂离子电池循环寿命的试验，提出了如下的Arrhenius扩展模型：
式中，Cτ为容量衰减率，%；nc为充放电循环寿命，次；T为绝对温度，K；I为放电电流，A；a、b、c、l、m、f、α、β、λ、η均为常数，可以通过试验拟合确定。
Li等考虑了电池寿命的多个影响因素，如环境温度、放电倍率、放电截止电压、充电倍率和充电截止电压等，提出了基于耦合强度判断和多因素输入的寿命建模方法（模型中温度的影响也参考了Arrhenius建模方法、电物理量的影响参考逆幂规律），并基于模型的因素敏感性分析了各因素对电池寿命影响的权重，耐久性模型对电池寿命的预测误差为15%以内。
Han等在分析电池性能衰减基础上，认为以石墨为负极的锂离子电池的性能衰减重要是因为负极SEI膜增厚消耗活性锂离子，正常的SEI膜增厚消耗的锂离子与时间呈1/2次方关系，但一般电池存在疲劳龟裂消耗了更多的活性锂离子，因此性能衰减与时间的关系大于1/2次方。基于Arrhenius模型建立了4款以石墨为负极的锂离子电池的性能衰减离散模型，并提出基于该离散模型的闭环参数修正方法，经过几次容量修正后，模型参数趋于稳定。
其他外特性建模方法还有神经网络模型，如Jungst等在研究以LiNi0.8Co0.15Al0.05O2为正极材料的电池贮存寿命时建立的神经网络模型。借鉴机械疲劳研究成果，Safari等采用机械疲劳研究中常用的Palmgren-Miner（PM）法则预测电池容量在简单和复杂工况下的衰减情况，并与损害时间累计法（capacity-lossaccumulationovertime，LAT）进行比较，结果表明PM法好于LAT法。
2）基于电池模型参数辨识法
参数辨识方法重要基于已有的电池模型，采用最优状态估计技术，如最小二乘法、卡尔曼滤波等算法，根据运行的数据，对电池模型参数如容量、内阻等进行辨识，从而获得电池的寿命状态。
Plett将内阻和容量作为系统状态参数，构建了内阻估计状态方程和容量估计状态方程。采用扩展的双卡尔曼滤波方法获得内阻和容量。Gould也基于卡尔曼滤波方法和线性拟合方法辨识电池模型中的容量，继而获得容量随运行循环数的衰减情况。还有将电池等效电路模型中的内阻视为低频阻抗，采用滑模控制技术进行辨识。Remmlinger介绍了一种用于混合动力车的电池内阻在线辨识方法，为了实现在线应用，改进了二阶RC模型，然后基于特殊的负载信号（发动机启动时的短暂电压及电流），采用线性最小二乘法获得电池模型的内阻值。Verbrugge认为假如对系统状态参数、测量参数和噪音的演变过程比较了解，采用卡尔曼滤波优化算法来递归辨识是最具有代表性的方法。假如缺乏对状态参数、测量参数、噪音的全面了解，采用具有时间指数遗忘因子的加权递推最小二乘法将是一个较为务实的方法。Wang发现Verbrugge采用叠加积分计算电压的电池模型递推算法在采样频率较高时变得不是很稳定。据此改进了电池模型的算法，并同样也采用指数遗忘因子的加权递推最小二乘法辨识电池参数（开路电压及内阻等）。Chiang采用线性或非线性系统控制中常用的自适应控制方法，建立了基于电池等效电路模型的参数估计框架，其中为了便于采用自适应控制技术，锂离子电池等效电路模型采用状态方程来描述，可用于在线监测电池内阻及OCV，分别用于确定SOH和SOC。Einhorn根据ΔSOC=ΔAh/C的关系，估计容量的大小，方法为：
式中，任意两个时刻（α，β）的SOC由OCV查表得到，该方法可在实际中应用，可以取若干个点，两两搭配计算出多个容量值，再取平均值或中位数。这种方法比较简单，但关键在于OCV能否精确辨识。
3）电池组SOH估计
在不进行均衡的条件下，电池组的容量衰减将远大于单体的容量衰减，郑岳久等提出用两维散点图解释电池组容量衰减的机理，指出电池组的容量衰减量为剩余充电电量最小单体的容量损失与单体间负极的活性锂离子损失差异之和。为了得到电池组的容量，要首先获得单体的容量。单体容量获取可以通过上述基于模型参数的辨识方法获得，也可以通过充电电压曲线变换方法获取。
3.4功能状态（SOF）估计
估计电池SOF可以简单认为是在估计电池的最大可用功率。一般而言，电池的最大可用功率受到电流、电压、SOC、温度等参数的限制，还与电池的老化程度、故障状态等有关。常用的SOF估计方法可以分为基于电池MAP图的方法和基于电池模型的动态方法两大类。
1）基于MAP图算法
基于电池测试（通常为HPPC测试）数据和最大、最小电压限制，可以获得在不同SOC下的最大充放电功率。在不同温度、不同衰减程度下进行电池测试，可以建立最大充放电功率与温度、SOC、SOH的关系，得到最大充放电功率MAP图。基于MAP图，实车BMS可以通过插值得到电池的最大充放电功率，实现SOF估计。
Do等分别研究了不同SOC、温度、累计放电容量下的最大充放电功率，并建立了最大充放电功率的函数解析式，实现了对SOF的预测。基于MAP图的估计方法简单直接，但要存储多维MAP图，并且只考虑了静态特性，而对动态工况下的充放电功率估计有一定的局限性。
2）基于电池模型的动态算法
根据电池模型，综合考虑电池的电流、电压、SOC、功率等限制，可以得到最大充放电电流，从而计算得到电池的最大充放电功率。韩雪冰根据电池模型，给出不同电流输入情况下电池的端电压情况，通过迭代计算，获得电池单体在电压限制条件下所允许的最大电流Imax,voltage和最小电流Imin,voltage，并且从电池的机理出发，考虑了电池副反应速率限制下的最大最小电流，其方法类似于求取端电压限制下的最大充放电电流。最后综合考虑上述限制，获得电池单体的最大最小电流。Sun等分析比较了几种最大可用功率预测方法，包括HPPC法、SOC限制法、电压限制法，以及基于动态模型的多参数估计法，并通过HPPC测试得到充放电电阻，基于Rint模型，利用端电压限制，估计电池的最大充放电功率。但这种方法估计的实际上是瞬时最大功率。并且由于Rint模型不够精确，可能过于乐观地估计了功率，还可能引起过充过放。与前述方法基本相同，Sun等认为若允许的SOC变化范围很大，计算出的最大最小电流可能很大，并不合理，应与其他方法联合使用。电压限制法考虑在端电压限制下一段时间内的最大充放电功率，但仍使用了Rint模型，原理上与前述方法类似，只是算法上并没有采用迭代估计的方法，而是基于模型直接计算电流限值。基于动态模型的多参数估计方法实质上是基于Thevenin模型的电压限制法，综合SOC与电流的限制，进而得到最大充放电电流。
以上是获得电池单体最大充放电电流的方法。实车上电池组由众多电池单体组成，由于单体之间存在不一致性，若要单独计算每个电池单体的最大可用功率，计算量太大，
韩雪冰提出了充、放电关键电池单体的概念，以减少计算量。综合考虑各种限制条件，可以得到最终的最大最小电流Imax,total和Imin,total，将Imax,total、Imin,total代入电池模型中可计算得到对应的端电压Umax,total，Umin,total，进一步可以得到最大充放电功率，即
3.5剩余能量（RE）或能量状态（SOE）估计
剩余能量（RE）或能量状态（SOE）是电动汽车剩余里程估计的基础，与百分数的SOE相比，RE在实际的车辆续驶里程估计中的应用更为直观。在电动汽车使用过程中，电池的剩余能量（RE）是指以某一工况行驶时，从当前时刻直至电池放电截止过程中，电池累计供应的能量。RE可以由电池端电压Ut与相应的累积放电容量Qcum组成的坐标系上的面积表示，如下图所示。
电池剩余能量示意图
当前时刻t的电池端电压为Ut(t)，放电截止时刻记为tlim，对应的端电压为电池允许的最低放电电压Ut(tlim)。当前时刻的荷电状态为SOC(t)，已累积的放电容量为Qcum(t)。放电截止时刻tlim对应的SOC和累积容量分别记为SOClim和Qcum(tlim)。图中，端电压变化表示为绿色曲线，曲线下围成的（绿色斜线）面积对应电池当前时刻在此种工况下的剩余能量RE(t)，其计算过程对应公式如下。
由于不同的充放电情况对应的端电压响应不同，使得电池在同一时刻t供应的剩余能量RE(t)也不相同。此处用一组标准电流倍率下的放电情况作对照，标准情况的端电压Ut,st如图中蓝色曲线（Qcum-Ut,st）所示。由电池SOC和标准放电容量的含义，此时放电截止位置的SOC值SOClim,st为0，累积放电容量Qcum,st等于电池标准容量Qst。标准放电工况下对应的剩余能量REst(t)与之前的RE(t)有明显的差距。电池剩余放电能量的差异同样可以由当前的RE(t)与理论上最大的剩余放电能量（电池开路电压OCV曲线围成的面积，图中黑色虚线所示）进行比较。
不同放电工况下电池的能量损失不同，因此只有预测某一特定功率需求下的电池电压响应过程，才能获得准确的RE预测值。由于锂离子电池的特点，其电压输出受到很多变量的影响，如当前SOC、温度、衰减程度SOH，因此在能量预测过程中除传统的SOC估计模型外，还要一个专门的电压预测模型。刘光明等提出一种适用于动态工况的电池剩余放电能量精确预测方法EPM（energypredictionmethod），如下图所示，该方法基于当前的电池状态和未来的电流输入，根据电池模型对未来放电过程的电压变化进行预测，并计算放电过程中的累积能量。预测过程中，根据当前的电压、电流测量值对模型参数进行修正，对端电压序列与RE的预测结果进行更新。
电池剩余放电能量预测方法（EPM）结构
3.6故障诊断及安全状态（SOS）估计
故障诊断是保证电池安全的必要技术之一。安全状态估计属于电池故障诊断的重要项目之一，BMS可以根据电池的安全状态给出电池的故障等级。目前导致电池严重事故的是电池的热失控，以热失控为核心的安全状态估计是最迫切的需求。导致热失控的重要诱因有过热、过充电、自引发内短路等。研究过热、内短路的热失控机理可以获得电池的热失控边界。Feng等研究了一款三元电池的热失控行为，获得了3个特点温度。Ouyang等研究了一款复合三元材料电池的过充电热失控行为，获得了4个过充电特点阶段。这些研究为电池的安全状态估计供应了基础。
故障诊断技术目前已发展成为一门新型交叉学科。故障诊断技术基于对象工作原理，综合计算机网络、数据库、控制理论、人工智能等技术，在许多领域中的应用已经较为成熟。锂离子电池的故障诊断技术尚属于发展阶段，研究重要依赖于参数估计、状态估计及基于相关经验等方法（与上述SOH研究类似）。Bohlen等通过电池内阻模型的在线辨识实现了电池在线诊断。Sun等铅酸电池的健康状态（SOH）上，假设正常状态的恒流充放电电压曲线是光滑的，通过观察其充放电曲线的变化辨识电池组可能存在的故障。电动汽车动力往往由成百上千个电池单体串并联构成，个体之间存在一定的差异，即不一致性。一般地，不一致性服从统计分布规律，这为电池组的故障诊断供应了一种理论依据。
Zheng等建立了一种考虑接触电阻的电池分频模型，以代表低频的电池平均模型研究电池组总体行为，以代表高频的差异模型研究电池组一致性问题，成功辨识了电池组内的接触电阻故障。Ouyang等同样采用分频模型，通过内短路电池造成一致性变差特性来诊断内短路的发生。
参考文献
纯电动乘用车总布置设计研究
旺材电动汽车
随着以石油为代表的不可再生矿物能源的逐渐消耗,能源危机、环保、可持续发展成了摆在人们面前亟待解决的问题。在占世界能源消耗大约1/3的汽车方面,世界范围内,以美国、日本、欧洲等发达国家为首,世界上大部分有实力的国家都投入巨资进行电动汽车的研发,日本三菱的i?miev及日产的leaf等纯电动乘用车将于近一两年内逐步上市。纯电动汽车以其环保、高效和可持续发展的巨大优势吸引着人们的目光。
由于跟传统汽车差别较大,纯电动乘用车在结构方面要较大变化的设计和布置才能满足一定的性能需求。本文将从纯电动乘用车几个关键部件及系统的总布置方面进行论述,同时结合项目实际过程中的一些问题进行阐述。
1纯电动乘用车整体结构
图1所示为纯电动乘用车的关键部件位置。纯电动乘用车重要由电池ESS系统总成、驱动电机及减速箱总成、电机控制器、充电器、充电口及其他相关附属部件组成。
在实际设计的过程中,兼顾空间和轴荷匹配、高压安全等方面考虑,关键部件的布置显得特别重要。一方面,这些部件大部分工作在高压状态,假如布置在很容易变形或者磕碰的地方,那么可能会造成系统的漏电,对人员安全造成极大威胁;另一方面,这些部件普遍重量较大,假如不进行整车特别是底盘的动力、操控性能的全面分析,部件重量分布不合理,对整车的性能和安全同样会留有很大的隐患。
因此,根据对底盘和整车性能的分析,以及对高压安全等角度的考虑,对纯电动乘用车的关键部件进行了多轮的验证性布置,逐渐趋于图1所示位置。
整车采用前置动力前驱的方式,电机及减速箱、电机控制器布置在前舱内,有利于提高驱动效率;电池布置于底板下面,有利于平衡前后轴荷,提高操控性能,同时,利于电池的安装,为以后电池快换技术留有可研究的余地;充电器放在后部,在防水和防尘方面具有很大的优势。充电口放在原加油口位置,有利于减少车身的变化量,提高与传统车的兼容效率。
2整车动力系统选型计算及布置
2.1整车动力性能计算
本车定位为A00级车型,相关参数需求见表1。
2.2电机选用及相关传动形式定型
目前,电动乘用车驱动电机主流有两种形式的驱动电机:永磁同步交流电机和永磁异步交流电机。
电机是电动汽车最为核心的零部件之一,根据电动汽车的需求,对驱动电机有以下要求:结构紧凑、尺寸小,重量轻,可靠性高、失效模式可控,效率高,成本低,低噪声、低震动,恒功率调速范围宽。
受电流以及电压的限制,以及根据以上要求和计算的结果,选用永磁同步交流电机。并通过设计特殊的水冷系统和匹配相应的电力电子系统尽量满足电动乘用车对驱动电机的要求。在同样功率输出的情况下,匹配合理的减速机,有利于提高输出扭矩,增强电动汽车的加速性能和优化传动效率,根据计算匹配,本车专门设计了一个单级减速器,实现上述功能;同时,由于差别于传统的内燃机,电动机无法实现辅助制动的功能,减速器还设计了驻车锁止机构以及倒车机构。
3前舱关键零部件的布置设计
在传统汽油机车上,前舱是核心部件的集成地,发动机、变速器等关键零部件基本都布置在前舱里面。同样,电动汽车也把一定的关键部件放在了前舱,重要有:电机控制器、电机、减速器、电动真空泵、电动空调等,重要是因为以下几个方面的原因。
(1)电动汽车专用零部件比较多,整车内其它位置基本已经没有空间,而前舱去掉了发动机、变速器等相关零部件后,空出了一定的空间。
(2)关于电动乘用车来说,前置动力前驱依然是比较有效的驱动形式,因此目前大部分车型均将驱动电机布置在前舱内。
(3)电机控制器、电机等都是大体积零部件,并且集成在一起更加有利于整体的工作效率,加上减速器,要一个更加有效的布置方式,因此,基本选择在前舱。
当然,在实际的项目设计过程中,由于A00级纯电动乘用车前舱空间有限,同时,因零部件多、高压走线等方面的原因,布置起来非常困难,要进行多轮协调和相关零部件不断改进。目前由于国内的技术水平原因,驱动电机以及电力电子箱普遍在重量和体积方面要比国外(欧美等国家)超标很多,而且接口技术不成熟,造成空间需求过大,同时,电动汽车额外新增了电动真空泵、电动空调压缩机、高压电器盒等部件,这些部件基本都布置在前舱,对空间需求提出了很大的挑战,如何做好前舱的布置工作十分关键。这些零部件的布置,不仅关系到各个部件功能的实现,同时也关系到整车性能,比如,对整车轴荷的影响、转向性能的影响、制动性能的影响、电子电器元件的电磁干扰影响。各部件的距离,对高压电的电磁防护、运动干涉、碰撞安全、高压安全等都对前舱的总布置工作提出了非常苛刻的要求。
根据本项目的实际布置相关经验,重要依据以下原则进行:
(1)重要零部件按等级划分、按照重要程度进行优先布置;
(2)按照占据空间的程度进行;
(3)对有高压电磁干扰要求的零部件进行隔离或者布置在安全距离;
(4)依据制造、安装、维修的相关要求;
(5)依据碰撞的要求;
(6)相关零部件集成的可行性分析;
(7)国家法规中行人保护的要求;
(8)避开运动件的要求;
(9)机械振动的要求。
4动力锂电池系统的布置
动力锂电池是电动汽车上最核心的部件,动力锂电池是纯电动汽车唯一的能源供应者,它决定了电动汽车的续驶里程、输出动力最为关键的两个参数。
由于目前世界范围内动力锂电池技术不成熟,能量密度较低,以磷酸铁锂离子电池为例,以纳米科技制作的单体,能量密度基本处于120~140Wh/kg的水平,而系统的能量密度基本上都低于90Wh/kg,整个能量密度仅相当于传统化石燃料的几十分之一,这就决定了要达到相应续驶里程,要庞大的电池系统。
基于以上原因,再加上布置对象为A00级乘用车,空间有限,还要搭载接近300kg的电池系统,对总布置提出了非常苛刻的要求。根据总结,动力锂电池系统对整车布置具有以下要求:
(1)要250L左右比较齐整的空间;
(2)具有承载300kg左右的车身结构;
(3)具有防护一定碰撞的要求;
(4)具有密封等级的要求;
(5)具有一定隔热和散热性能的要求。
以上要求对整车的布置影响很大,由于A00级小车离地间隙小,整车宽度较小,前发动机舱以及行李舱容积很小。
目前关于动力锂电池的主流布置位置重要有:在行李舱、前后座椅底下、前舱以及行李舱、地板下面。以上4种布置各有其优劣,比较见表2。
根据上表分析,综合各种因素,以及目前世界上比较先进的纯电动乘用车基本也布置在地板,第4种布置方法是比较有优势的,因此,本车选用了布置在地板下面的方法。
但是,关于A00级车来说,大多数采用的是非独立悬架,进一步减少和限制了电池的布置空间,加剧了动力锂电池的布置难度,如图2。
此种非独立悬架摆臂较长,在纵向空间上占比较大的位置,同时,有一根较粗的贯通轴连接两端轮毂,悬架运动的时候很容易跟动力锂电池系统干涉,因此,此种悬架方式关于电池的布置不利,要对电池系统进行比较大的形状改进,以便于能安装以及规避与悬架的运动干涉,如图3所示。
综上所述,动力锂电池布置既要满足能量密度的要求,同时也要满足空间的要求,综合考虑分析碰撞安全,运动件干涉等方面,才能减少对整车性能的影响,提高系统的协调性。
5车载充电器、快慢充电口的布置
动力锂电池是纯电动汽车的唯一能源供应者,因此,在一段时间的使用后,要进行充电以补充能量。根据我国的实际情况,晚间谷电比较便宜,同时在家里就能充电,所以要一个车载充电器和慢充接口,用于家庭充电用。
由于目前的纯电动汽车续驶里程普遍比较低,如要进行长途旅行或者由于驾驶者忘记充电而造成电池电量不足,又不能返回家中进行充电,这时就要进行快速充电,以能继续旅程。根据调查和现有的技术,目前消费者能接受的充电时间普遍低于20min。而由于电池的技术尚没有大的突破,80%的充电量依然要30min的时间。
纯电动汽车在充电上还面对一个非常大的障碍,那就是各个公司、国家的接口不相同,欧洲、日本的接口有5PIN、7PIN,国内的标准也没有统一,同时,快充接口的通讯协议也没有统一的标准,这在一定程度上阻碍了整个纯电动汽车行业的发展。
由于没有统一的标准,在车上的布置就比较困难,本项目先按照与国家电网等相关合作公司的约定进行设计和布置。
充电器由于体积比较大,而且有一定发热量,对空间需求较大,同时要进行强制冷却,因此可以考虑布置在行李舱或者前舱。假如布置在前舱的话,可以借助前舱风扇自然冷却;假如布置在行李舱,那么就要设计专用的排风管道,用于充电器的强行制冷。
充电口的布置形式也比较多,目前主流的布置重要有以下几种:
(1)快慢充电口均布置在原来的加油口位置;
(2)快慢充电口分开布置在加油口位置,车身一边一个;
(3)布置在前舱盖前端位置。考虑其他关键零部件的空间布置,同时综合人机工程、高压走线等方面的因素,本项目布置在原来加油口位置,并分开布置,即第二种布置方式。