锂电池荷电状态自适应估计算法研究

发布时间：2017-10-04 14:26

  本文关键词：锂电池荷电状态自适应估计算法研究

  更多相关文章： 数据与模型融合 对偶卡尔曼滤波 Arrhenius原理 荷电状态 电池健康状况

【摘要】：能源危机和环境污染的问题日益加剧致使微电网储能和电动汽车备受关注,而它们的共同点是需要电池管理系统对电池有效地管理和控制。电池状态估计既是整个系统的重点,也是难点,其关乎能量管理、循环寿命、安全和稳定的运行和成本。由于电池的运行是一个复杂的电化学反应过程,受应用环境、老化等因素的影响,实现快速、精确的电池状态估计具有挑战性。因此,电池状态估计的研究具有理论意义和应用价值。本论文针对磷酸铁锂电池(Li FePO4)展开具体的研究工作。针对锂电池的数学建模和模型参数辨识问题,本文构建了从零阶推广到n阶RC网络结构的数学模型,针对模型精度与复杂度的权衡问题,开展了以电池模型参数辨识、模型优化和模型准确度评估为核心的四步骤参数辨识方法,最终实现了电池的精确建模。在模型参数辨识方面,考虑到电池的慢时变特性,由于模型参数在线辨识需持续消耗计算量且对数据依赖性强等问题,本文给出了基于测量电流和电压驱动数据的电池模型参数离线辨识方法,得到了比较精确的数学模型。针对电池的荷电状态(State-of-Charge,SOC)估计的问题,提出了基于数据与模型融合的估计方法,该方法利用分段线性方法降低了算法的复杂度,并根据Arrhenius原理给出了电池的衰减特性,实现了在电池老化影响因素下的SOC实时精确估计。在此基础上,以电池可用容量和内阻表达电池健康状况(State-of-Health,SOH)为重要表征,提出了基于对偶卡尔曼滤波(Dual Kalman filter)的锂电池状态估计算法,实现了电池健康状况和SOC的联合估计。本论文给出的电池数学建模和模型参数辨识方法,成功解决了电池模型复杂度和模型精度的权衡。提出的分段线性方法,解决了由模型参数与SOC的非线性关系导致计算量增加的问题。为了解决电池受老化因素的影响,提出了基于Arrhenius原理来表达电池的衰减特性,在此基础上,提出了基于对偶卡尔曼滤波的估计算法,实现了电池健康状况和SOC的联合估计。
【关键词】：数据与模型融合 对偶卡尔曼滤波 Arrhenius原理 荷电状态 电池健康状况
【学位授予单位】：哈尔滨工业大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TM912
【目录】：

• 摘要4-5
• ABSTRACT5-9
• 第1章 绪论9-16
• 1.1 本论文研究的目的和意义9-10
• 1.2 国内外研究现状及发展趋势10-14
• 1.2.1 电池模型10-12
• 1.2.2 电池SOC估计12-14
• 1.3 本论文的主要研究内容14-16
• 第2章 锂离子电池建模与参数辨识16-29
• 2.1 锂电池模型解析16-22
• 2.1.1 不同RC网络阶次的等效电路模型16-17
• 2.1.2 等效电路模型的表达式17-22
• 2.2 基于数据驱动的参数辨识方法22-28
• 2.2.1 基于在线数据驱动的参数辨识方法22-23
• 2.2.2 基于离线数据驱动的参数辨识方法23-28
• 2.3 本章小结28-29
• 第3章 基于数据与模型融合的SOC估计方法29-44
• 3.1 问题描述29
• 3.2 基于自适应卡尔曼滤波的锂电池SOC估计29-36
• 3.2.1 建立系统方程30-32
• 3.2.2 状态SOC估计32-35
• 3.2.3 仿真结果及分析35-36
• 3.3 基于数据与模型融合的锂电池SOC估计36-43
• 3.3.1 当前SOC值对模型参数的影响36
• 3.3.2 电池老化程度对模型参数的影响36-38
• 3.3.3 基于当前SOC值和老化程度与模型融合的SOC估计38-39
• 3.3.4 仿真结果及分析39-43
• 3.4 本章小结43-44
• 第4章 电池模型参数与SOC的对偶估计44-52
• 4.1 问题描述44
• 4.2 基于对偶卡尔曼滤波算法的SOC与SOH的估计44-50
• 4.2.1 电池可用容量估计45-48
• 4.2.2 电池内阻估计48-50
• 4.3 仿真结果及分析50-51
• 4.4 本章小结51-52
• 结论52-54
• 参考文献54-59
• 攻读硕士学位期间发表的论文及其它成果59-61
• 致谢61-62
• 附件62-63

【相似文献】

中国期刊全文数据库 前10条

1 王福忠;邓坤;;基于区域极点配置电池荷电状态的估计方法[J];节能;2013年04期

2 赵凯;朱黎明;;无迹卡尔曼滤波的电池荷电状态估计试验研究[J];汽车工程学报;2013年05期

3 程博;韩琳;王军平;曹秉刚;;利用免疫进化网络的镍氢电池组荷电状态预测[J];西安交通大学学报;2007年11期

4 李革臣;古艳磊;;电化学阻抗谱法预测锂电池荷电状态[J];电源技术;2008年09期

5 夏晴;刘志远;;电动汽车动力电池荷电状态的滑模估计方法[J];东南大学学报(自然科学版);2011年S1期

6 麻友良,陈全世,朱元;变电流下的电池荷电状态定义方法探讨[J];电池;2001年01期

7 何鹏林;王晓冬;;串联锂离子电池组荷电状态评估方法对比[J];安全与电磁兼容;2011年01期

8 沈江;张文斌;全小红;周嵩;陈景玲;;钛酸锂电池荷电状态的试验研究[J];新技术新工艺;2014年01期

9 叶林;陈政;赵永宁;;考虑电池荷电状态的光伏功率分段平滑控制方法[J];电网技术;2014年07期

10 余运俊;谌新;万晓凤;;电动汽车电池荷电状态估计研究综述[J];电源学报;2014年03期

中国重要会议论文全文数据库 前3条

1 孙骏;李宝辉;;电动汽车电池荷电状态的估算方法研究及展望[A];2012安徽省汽车工程学会年会论文集[C];2012年

2 张秀玲;宋建军;;基于RBF神经网络的MH-Ni电池荷电状态预估模型[A];系统仿真技术及其应用（第7卷）——'2005系统仿真技术及其应用学术交流会论文选编[C];2005年

3 程艳青;高明煜;;基于卡尔曼滤波的电动汽车SOC估计[A];浙江省电源学会第十一届学术年会暨省科协重点科技活动“高效节能电力电子新技术”研讨会论文集[C];2008年

中国博士学位论文全文数据库 前1条

1 邹幽兰;基于退役锂动力电池容量、内阻和荷电状态的建模与参数估计[D];中南大学;2014年

中国硕士学位论文全文数据库 前10条

1 罗志亮;锂电池荷电状态自适应估计算法研究[D];哈尔滨工业大学;2016年

2 张树鹏;电动汽车电池荷电状态及行动力分析研究[D];上海交通大学;2015年

3 夏晴;电动汽车用锂离子电池荷电状态估计算法的研究[D];哈尔滨工业大学;2011年

4 和晓念;锂电池荷电状态预测方法研究[D];河南师范大学;2012年

5 马巍;电动汽车铅酸蓄电池特性建模与荷电状态估计[D];长安大学;2009年

6 于洋;动力锂电池荷电状态估计策略的研究[D];天津理工大学;2012年

7 郝国亮;超级电容荷电状态计算方法的研究[D];华北电力大学;2012年

8 张洪近;电动汽车电池组主控及荷电状态估测单元设计与开发[D];南京航空航天大学;2013年

9 张亚军;基于MARS的车用锂离子电池荷电状态估计的研究[D];长春工业大学;2015年

10 肖雪峰;锂电池荷电状态（SOC）自适应卡尔曼滤波估算及实现[D];湖南工业大学;2014年

，

本文编号：971174