基于双AEKF算法的锂离子电池全寿命SOC估计算法研究

发布时间：2021-03-07 05:47

　　近年来,电动汽车行业在世界范围获得了飞速发展,而车载电池管理系统（Battery Management System,简称BMS）的性能对电动汽车的能量管理、安全性有较大影响。电池的荷电状态（State of Charge,简称SOC）估计是BMS的核心功能之一,BMS的SOC估计精度是衡量其性能的关键性指标之一。目前主流的SOC估计算法均未考虑电池老化的情况,在电池寿命周期的中后段其估计精度会大幅下降。本文针对这一现状,设计了一种基于改进单粒子模型（Improved Single Particle Model,简称SP+）及双自适应扩展卡尔曼滤波算法（Dual Adaptive Extended Kalman Filter,简称双AEKF）的锂离子电池全寿命SOC估计算法,相对于传统的SOC估计算法,该算法在电池的整个寿命周期均有更高的SOC估计精度。具体工作如下:首先,针对当前SOC估计相关研究工作未考察电池老化的情况,本文实施了锂离子电池老化实验以探究老化过程中电池参数变化情况,而后基于上述电池老化数据对各模型参数进行了敏感度分析以考察锂离子电池各模型参数变化对SOC估计精度的影... 

【文章来源】：哈尔滨工业大学黑龙江省 211工程院校 985工程院校

【文章页数】：81 页

【学位级别】：硕士

【部分图文】：

锂离子电池模型分类

度在电池寿命周期的中后段会不可定的模型参数在 SOC 估计算法中进章将实施 1C 及 1.5C 两个循环倍率离子电池 SP+模型参数敏感度分析而后依据敏感度分析的结果进行 SO计算法中进行在线修正的参数。流程在不同老化倍率下的退化情况，本文，两组实验除循环倍率不同外其他介绍本实验的基本流程。验所使用的电池为日本三洋公司生产其标称容量为 840mAh，使用的电池能测试仪，具体实验流程见图 2-1。

图 2-2 动态辨识工况 2-2 所示，用于辨识模型参数的动态工况由一系列充放电激励应在时间常数上的差异，在动态工况的部分区段，会有特定位，SP+模型的参数辨识正是通过在这些特定区段解析电流、具体过程如下：辨识基本工作过程对应的 5 个模型参数，基本工作过程决定电势，在小倍率放电条件下开路电势取值与锂离子电池端电压本工作过程对应参数使用 0.02C 的小倍率放电实验进行，获取流数据后使用最小二乘法拟合即可得到所需参数。辨识欧姆极化相关参数 Rohm，欧姆极化过程在上述机理过程此对锂离子电池施加高频电流激励时产生的过电势与欧姆过用的锂离子电池内阻测试仪即基于上述原理对欧姆极化过程 Rohm。辨识反应极化相关参数 Pact，反应极化过程时间常数比欧姆极识工况中施加电流激励瞬间产生的过电势即为欧姆极化过电

【参考文献】：
期刊论文
[1]电动汽车电池管理系统研究现状及发展趋势[J]. 符晓玲,商云龙,崔纳新.  电力电子技术. 2011(12)
[2]电动汽车与动力电池[J]. 艾新平,杨汉西.  电化学. 2011(02)
[3]数据驱动控制理论及方法的回顾和展望[J]. 侯忠生,许建新.  自动化学报. 2009(06)



本文编号：3068508