电动汽车锂电池健康状态在线估算方法研究
发布时间：2021-07-24 23:03
近年来,为应对日益突出的燃油汽车排放带来的环境污染问题,电动汽车逐渐受到国内外的广泛关注,各国政府纷纷将发展电动汽车作为国家战略,加快推进技术研发和产业发展。锂电池因其能量密度高、循环寿命长、温度适应性宽、自放电率小、绿色环保等特性逐渐成为电动汽车动力源发展的重要方向。锂电池健康状态（State Of Health,SOH）是电动汽车锂电池全生命周期下故障诊断和安全预警的重要参数,SOH精准估算对于提升锂电池整体性能具有重要的意义。目前国内外研究学者越来越关注锂电池SOH估算特别是在线估算方法的研究。而电动汽车锂电池放电容量、交直流阻抗等参数在实际使用当中难以直接测量,作为输入变量应用于在线估算模型中存在难度。本文基于在用电动汽车充电过程中可直接测量获得的充电工作电压、充电时间、充电次数和电池编号的数据,结合单次充电片段数据的容量估算模型和全生命周期衰减预测模型进行锂电池SOH在线估算方法研究。锂电池容量估算方法一般采用参数直接对容量映射的机器学习方法,由于锂电池的个体电化学差异性,很难完全覆盖所有电池个体模型。为解决容量估算模型个体差异性的问题,提出基于迭代EKF-GPR算法的锂电池...
【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】：110 页
【学位级别】：博士
【部分图文】：
基于GPR算法的容量估算结果
第3章基于迭代EKF-GPR锂电池充电可用容量估算方法研究-41-图3-12估计算法变量传递框图Fig.3-12Blockdiagramofvariabletransferofestimationalgorithm根据图3-12所示的变量传递框图，充电时间估算方法的实施流程如下，首先建立离散非线性系统，状态方程见式（3-21）。(1)(())fknUnGPUnW（3-21）式中，Wn为公式(3-19)中的基于GPR方法的充电电压预测方差，即有式（3-22）。22()212nWed（3-22）k表示为充电次数，n表示为单次充电数据序号，量测方程见式（3-6）。由系统状态方程式（3-5）将GPR非参数函数()fGP围绕状态方程初始值U(nn1)作为一阶Taylor展开，得到式（3-23）n(1)(())(())[()(1)]+fknUnGPUnUnUnUnnW（3-23）式中，n为Taylor展开后的随机外作用项，为了简化估算过程，初始值设为0。(U(n))为状态方程对U的导数，由于()fGP为非参数函数，可以利用差商近似求导，实现估计模型的迭代更新，差商的计算过程如式（3-24），也就是卡尔曼滤波中的转移矩阵：11()()(())ffknknnnGPUGPUUnUU（3-24）同样以一阶Taylor公式展开量测方程，求解观测矩阵H()如式（3-25）。1)(())kUnnhHUnU（（3-25）
第5章电动汽车锂电池组SOH在线估算方法-75-图5-4不同时间电动汽车电池组全充容量测试Fig.5-4Fullchargecapacitytestofelectricvehiclebatterypackatdifferenttimes由于在标准充电情况下，锂电池恒压充电容量仅占总容量的5%左右，且控制电池组内单体恒压充电的技术相对复杂，同时过满的对锂电池充电会造成整个电池寿命降低，因此电动汽车通常只进行恒流充电。基于电动汽车电池组进行恒流充电的特点，在不同健康状态下的电池组会有不同的充电工作电压表征，来估算电池组当前的SOH。基于对电池组充电曲线的分析，拟合出锂电池组充电过程中电压变化来估算电池组当前可用充电容量，来表征电池容量参数衰退。已知一个锂电池组的模型搭建后是固定的，模型的一些参数也需要借鉴实验室经验数据，因此在不同工况下估算准确性会有所降低。锂电池组SOH在线估算模型为了增加该模型的通用性和适应性，基于相同类型电池组历史充电数据建立根据实际的电池组性能进行实时变化的迭代化模型，实时完善估算模型，使模型接近当前电池组工作状态，提高估算准确性。重点解决在锂电池组日常训练数据不足的情况下，进行在线估算同时评定SOH估算不确定度，保证估算结果的可靠性。从数据结构上看，基于充电机直接获得的数据包括，锂电池工作电压，充电电流、充电时间、锂电池变化等参数，从单次充电数据来看，一辆电动汽车锂电池组的工作电压数据如式（5-19）。),(),(),(),(),(),(),(),(),(),(),(),(111112121111221100010102020101iNiNiMiMiiiiiNiNiMiMiiiiNNMMIuuIutIttItuIuuIutIttItuIuuIutIttItuU（5-19）式中，),(iNiNutI是一个有关电流I、时间t和电池
【参考文献】：
期刊论文
[1]磷酸铁锂电池内阻连续动态测量与分析[J]. 李扬,陈明彪,林仕立,宋文吉,冯自平,蒋海洲. 新能源进展. 2018(05)
[2]拉普拉斯正则化双曲正切低秩子空间聚类算法[J]. 张桂玲,杜艳梦. 控制与决策. 2018(01)
[3]基于蚁群神经网络算法的电池健康状态估计[J]. 肖仁鑫,李沛森,李晓宇,王泽林. 电源技术. 2017(06)
[4]基于人工神经网络估算锂离子电池的SOH[J]. 何发尧,胡欲立,郭广华,郑唯. 电源技术. 2017(05)
[5]锂电池健康状态估算方法综述[J]. 张金龙,佟微,孙叶宁,李端凯,漆汉宏,魏艳君. 电源学报. 2017(02)
[6]锂离子电池简化电化学模型:浓度分布估计[J]. 袁世斐,吴红杰,殷承良. 浙江大学学报(工学版). 2017(03)
[7]基于滑动窗自适应滤波的锂电池SOC/SOH联合估计[J]. 汪秋婷,姜银珠,陆赟豪. 电源技术. 2017(01)
[8]基于PSO-RBF神经网络的锂离子电池健康状态预测[J]. 张任,胥芳,陈教料,潘国兵. 中国机械工程. 2016(21)
[9]基于PSO-SVR优化的锂离子电池剩余容量预测[J]. 王树坤,黄妙华,张志运. 武汉理工大学学报(交通科学与工程版). 2016(02)
[10]基于神经网络建模和K-均值算法的电池健康状态评估[J]. 苏晓波,孙猛猛,潘二东,舒星,李沛森,张海洋,李晓宇. 价值工程. 2016(02)
博士论文
[1]车用锂离子动力电池组的一致性研究[D]. 郑岳久.清华大学 2014
[2]分布式环境下聚类分析新方法的研究[D]. 李成安.浙江大学 2006
硕士论文
[1]基于高斯过程回归的锂电池数据处理[D]. 叶婧.北京交通大学 2016
[2]电动汽车动力电池健康状态估计方法研究[D]. 孙培坤.北京理工大学 2016
[3]锂离子电池多因素老化模型的建立和应用[D]. 王婷婷.哈尔滨工业大学 2015
[4]动力电池SOH估计及故障预测方法研究[D]. 卢明哲.北京工业大学 2015
[5]电动汽车动力电池SOH在线实时估计算法研究[D]. 汤露曦.广东工业大学 2015
[6]纯电动汽车锂动力电池健康状态估算方法研究[D]. 徐文静.吉林大学 2012
[7]基于Elman神经网络锂电池劣化程度的预测研究[D]. 石春源.哈尔滨理工大学 2011
本文编号：3301606
【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】：110 页
【学位级别】：博士
【部分图文】：
基于GPR算法的容量估算结果
第3章基于迭代EKF-GPR锂电池充电可用容量估算方法研究-41-图3-12估计算法变量传递框图Fig.3-12Blockdiagramofvariabletransferofestimationalgorithm根据图3-12所示的变量传递框图，充电时间估算方法的实施流程如下，首先建立离散非线性系统，状态方程见式（3-21）。(1)(())fknUnGPUnW（3-21）式中，Wn为公式(3-19)中的基于GPR方法的充电电压预测方差，即有式（3-22）。22()212nWed（3-22）k表示为充电次数，n表示为单次充电数据序号，量测方程见式（3-6）。由系统状态方程式（3-5）将GPR非参数函数()fGP围绕状态方程初始值U(nn1)作为一阶Taylor展开，得到式（3-23）n(1)(())(())[()(1)]+fknUnGPUnUnUnUnnW（3-23）式中，n为Taylor展开后的随机外作用项，为了简化估算过程，初始值设为0。(U(n))为状态方程对U的导数，由于()fGP为非参数函数，可以利用差商近似求导，实现估计模型的迭代更新，差商的计算过程如式（3-24），也就是卡尔曼滤波中的转移矩阵：11()()(())ffknknnnGPUGPUUnUU（3-24）同样以一阶Taylor公式展开量测方程，求解观测矩阵H()如式（3-25）。1)(())kUnnhHUnU（（3-25）
第5章电动汽车锂电池组SOH在线估算方法-75-图5-4不同时间电动汽车电池组全充容量测试Fig.5-4Fullchargecapacitytestofelectricvehiclebatterypackatdifferenttimes由于在标准充电情况下，锂电池恒压充电容量仅占总容量的5%左右，且控制电池组内单体恒压充电的技术相对复杂，同时过满的对锂电池充电会造成整个电池寿命降低，因此电动汽车通常只进行恒流充电。基于电动汽车电池组进行恒流充电的特点，在不同健康状态下的电池组会有不同的充电工作电压表征，来估算电池组当前的SOH。基于对电池组充电曲线的分析，拟合出锂电池组充电过程中电压变化来估算电池组当前可用充电容量，来表征电池容量参数衰退。已知一个锂电池组的模型搭建后是固定的，模型的一些参数也需要借鉴实验室经验数据，因此在不同工况下估算准确性会有所降低。锂电池组SOH在线估算模型为了增加该模型的通用性和适应性，基于相同类型电池组历史充电数据建立根据实际的电池组性能进行实时变化的迭代化模型，实时完善估算模型，使模型接近当前电池组工作状态，提高估算准确性。重点解决在锂电池组日常训练数据不足的情况下，进行在线估算同时评定SOH估算不确定度，保证估算结果的可靠性。从数据结构上看，基于充电机直接获得的数据包括，锂电池工作电压，充电电流、充电时间、锂电池变化等参数，从单次充电数据来看，一辆电动汽车锂电池组的工作电压数据如式（5-19）。),(),(),(),(),(),(),(),(),(),(),(),(111112121111221100010102020101iNiNiMiMiiiiiNiNiMiMiiiiNNMMIuuIutIttItuIuuIutIttItuIuuIutIttItuU（5-19）式中，),(iNiNutI是一个有关电流I、时间t和电池
【参考文献】：
期刊论文
[1]磷酸铁锂电池内阻连续动态测量与分析[J]. 李扬,陈明彪,林仕立,宋文吉,冯自平,蒋海洲. 新能源进展. 2018(05)
[2]拉普拉斯正则化双曲正切低秩子空间聚类算法[J]. 张桂玲,杜艳梦. 控制与决策. 2018(01)
[3]基于蚁群神经网络算法的电池健康状态估计[J]. 肖仁鑫,李沛森,李晓宇,王泽林. 电源技术. 2017(06)
[4]基于人工神经网络估算锂离子电池的SOH[J]. 何发尧,胡欲立,郭广华,郑唯. 电源技术. 2017(05)
[5]锂电池健康状态估算方法综述[J]. 张金龙,佟微,孙叶宁,李端凯,漆汉宏,魏艳君. 电源学报. 2017(02)
[6]锂离子电池简化电化学模型:浓度分布估计[J]. 袁世斐,吴红杰,殷承良. 浙江大学学报(工学版). 2017(03)
[7]基于滑动窗自适应滤波的锂电池SOC/SOH联合估计[J]. 汪秋婷,姜银珠,陆赟豪. 电源技术. 2017(01)
[8]基于PSO-RBF神经网络的锂离子电池健康状态预测[J]. 张任,胥芳,陈教料,潘国兵. 中国机械工程. 2016(21)
[9]基于PSO-SVR优化的锂离子电池剩余容量预测[J]. 王树坤,黄妙华,张志运. 武汉理工大学学报(交通科学与工程版). 2016(02)
[10]基于神经网络建模和K-均值算法的电池健康状态评估[J]. 苏晓波,孙猛猛,潘二东,舒星,李沛森,张海洋,李晓宇. 价值工程. 2016(02)
博士论文
[1]车用锂离子动力电池组的一致性研究[D]. 郑岳久.清华大学 2014
[2]分布式环境下聚类分析新方法的研究[D]. 李成安.浙江大学 2006
硕士论文
[1]基于高斯过程回归的锂电池数据处理[D]. 叶婧.北京交通大学 2016
[2]电动汽车动力电池健康状态估计方法研究[D]. 孙培坤.北京理工大学 2016
[3]锂离子电池多因素老化模型的建立和应用[D]. 王婷婷.哈尔滨工业大学 2015
[4]动力电池SOH估计及故障预测方法研究[D]. 卢明哲.北京工业大学 2015
[5]电动汽车动力电池SOH在线实时估计算法研究[D]. 汤露曦.广东工业大学 2015
[6]纯电动汽车锂动力电池健康状态估算方法研究[D]. 徐文静.吉林大学 2012
[7]基于Elman神经网络锂电池劣化程度的预测研究[D]. 石春源.哈尔滨理工大学 2011
本文编号：3301606
本文链接：https://www.wllwen.com/kejilunwen/dianlidianqilunwen/3301606.html
