Аннотация. Представлен алгоритм оценки степени заряженности литий-ионной аккумуляторной батареи космического аппарата без использования датчика тока. Показано, что на основе модели степени заряженности аккумулятора может быть рассчитан средний ток, протекающий через батарею за период разряда. Входными данными для алгоритма являются оценка среднего напряжения аккумулятора за период от момента начала разряда до текущего момента времени и напряжение, измеренное напряжение аккумуляторов. Вычисленный средний ток разряда позволяет рассчитать отданную и оставшуюся емкость батареи. Проверка точности алгоритма выполнена на открытых наборах данных NASA data repository. Погрешность оценки степени заряженности литий-ионной аккумуляторной батареи составила от 2,2 до 11 %.

Ключевые слова: литий-ионный аккумулятор, счетчик ампер-часов, степень заряженности, остаточная емкость, внутреннее сопротивление, микроконтроллер

Список литературы:

1. Lee J., Nam O., Cho B. Li-ion battery SOC estimation method based on the reduced order extended Kalman filtering // J. Power Sources. 2007. N 174. P. 9—15.
2. Zhang C. et al. Estimation of state of charge of lithium-ion batteries used in HEV using robust extended Kalman filtering // Energies. 2012. N 5. P. 1098—1115.
3. Yu Z., Huai R., Xiao L. State-of-Charge Estimation for Lithium-Ion Batteries Using a Kalman Filter Based on Local Linearization // Energies. 2015. N 8. P. 7854—7873. DOI:10.3390/en8087854.
4. Sun F. et al. Adaptive unscented Kalman filtering for state of charge estimation of a lithium-ion battery for electric vehicles // Energies. 2011. N 36. P. 3531—3540.
5. He H. et al. State-of-charge estimation of the lithium-ion battery using an adaptive extended Kalman filter based on an improved Thevenin model // IEEE Transactions on Vehicular Technology. 2011. N 60. P. 1461—1469.
6. Mastali M. et al. Battery state of the charge estimation using Kalman filtering // J. Power Sources. 2013. N 239. P. 294—307.
7. Chang W. Y. State of charge estimation for LiFePO4 battery using artificial neural network // International Review of Electrical Engineering. 2012. Vol. 7, N 5. Р. 5800—5874.
8. Хандорин М. М., Букреев В. Г. Экспериментальная проверка алгоритма оценки остаточной емкости литий-ионной аккумуляторной батареи для применения на космическом аппарате // Авиакосмическое приборостроение. 2017. № 3. С. 45—55.
9. He H., Xiong R., Fan J. Evaluation of Lithium-Ion Battery Equivalent Circuit Models for State of Charge Estimation by an Experimental Approach // Energies. 2011. N 4. P. 582—598.
10. Хандорин М. М., Букреев В. Г. Оценка остаточной емкости литий-ионного аккумулятора на основе эталонной модели // Вестник Сиб. гос. аэрокосмич. ун-та им. акад. М.Ф. Решетнева. 2014. № 1(53). С. 94—97.
11. Хандорин М. М., Букреев В. Г. Оценка остаточной емкости литий-ионного аккумулятора в режиме реального времени // Электрохимическая энергетика. 2014. Т. 14, № 2. С. 65—69.
12. Хандорин М. М., Букреев В. Г. Методика оценки остаточной емкости литий-ионной аккумуляторной батареи // Докл. ТУСУР. 2017. Т. 21, № 2. С. 120—122.
13. Bole B., Kulkarni C., Daigle M. Randomized Battery Usage Data Set. NASA Ames Prognostics Data Repository. NASA Ames Research Center, Moffett Field, CA [Электронный ресурс]: (дата обращения: 21.05.2020).
14. Kim M. et al. State of Charge Estimation for Lithium Ion Battery Based on Reinforcement Learning // IFAC-PapersOnLine. 2018. Vol. 51, is. 28. P. 404—408.