随着纳米制造技术的不断发展,加快了微电子、微机械、微光学、介入医学等领域的发展步伐,对微小紧凑式的加热装置的需求越来越多,微型加热装置成为学者们的研究热点。聚合物锂电池因为微型化、高密度、低危害、使用寿命长等优点被用于微型加热装置的能源模块。近年来各个国家对聚合物锂电池的研究力度逐渐加强,尤其是在电池管理系统(Battery Management System,BMS)方面,BMS通过收集聚合物锂电池内部相关数据,计算电池荷电状态(State of Charge,SOC),电芯状态等来对电池进行管控,以防止安全事故的发生。由于聚合物锂电池内部化学反应原理复杂,使得电池SOC与电芯状态的估算难度增加,所以研究微型加热装置电池管理系统有着重要的现实意义。本文的主要研究内容如下:1、针对SOC估计不准的问题,采用一种基于Elman神经网络与升降压斩波控制的BMS中SOC估计的方法。首先根据加热装置的当前电压和聚合物锂电池剩余容量建立Elman神经网络系统,通过初始数据训练得到神经元的权值和阈值;其次通过升降压斩波单元控制得到的电量和剩余容量,进而提高SOC估计的准确度;最后通过工程样机证明了本方法的可行性。2、针对环境温度对电芯状态影响的问题,采用一种基于电池温度管理(Battery Thermal Management,BTM)与安时积分(Ampere Hour Integeration,AHI)方法及其开路电压(Open Circuit Voltage,OCV)方法对BMS中电芯状态进行估计。首先,采用水泵、闸阀、球阀、流量计、直流电源和测试部分等进行BTM系统搭建,对电池内部与外部热量进行估计,对电池表面温度进行在线检测控制;然后,分别通过OCV-BTM与AHI-BTM方法对电池SOC进行估计,最后,采用平均绝对误差(Mean Absolute Error,MAE)、均方根误差(Root Mean Squared Error,RMSE)、高斯分布(Gaussian Distribution,GD)和累积频率对本文系统装置的实验结果进行定量描述。结果表明,相较于OCV与AHI方法,OCV-BTM与AHI-BTM方法受环境温度影响较小,SOC估计结果更为准确,精准度和鲁棒性更好。