基于滑模观测器的锂离子电池荷电状态与健康状态估计算法研究

发布时间：2020-07-17 22:31

【摘要】：现如今,传统化石能源汽车在逐渐被电动汽车所取代。动力电池作为汽车储能部件,占电动汽车生产研发的近半成本,是制约电动汽车发展的瓶颈。动力电池的荷电状态(State of Charge,So C)与健康状态(State of Health,So H)是电池管理系统的基础,其精确估计值直接关系到汽车运行的效率以及安全性。但由于电池反应的非线性特性及众多环境因素的干扰,精确估计电池状态的难度非常大。本论文以目前主流的锂离子动力电池作为对象,对电池的So C与So H的估计算法进行了探究。首先,论文阐述了锂电池的工作原理,给出了电池荷电状态与健康状态的定义。并且以马里兰大学CALCE(Center for Advanced Life Cycle Engineering)电池研究中心的电池测试项目,对动力电池的测试方案与结果进行了阐述,并根据实验数据分析了电池的温度特性与迟滞特性等重要特性。接下来,经过对比现有电池模型,选择了一阶戴维南等效电路模型。利用递推最小二乘法进行电池参数辨识,包括开路电压与So C的关系函数,电池的内阻,极化电阻以及电池的极化电容等。并且通过不同工况,对模型进行了对比实验验证,证明了模型的有效性。在模型基础上,论文以滑模观测器为基础,设计了全阶终端滑模观测器来估计电池So C。该方法为在线估计算法,继承了滑模观测器鲁棒性好的特性,避免了现今So C估计算法或者只能离线估计,以及去除了在线估计对模型精度要求高的弊端。同时突破了线性滑模渐进收敛的限制,克服了抖振的问题,并且无需使用滤波器,从而极大减轻了了系统运算及内存负担。通过两种标准汽车工况实验对比两种算法进行了测试,结果显示,该算法实现了电池So C的高精度估计,对比线性滑模状态跟踪更好,精度更高,现今针对电池SoH的在线估计算法研究较少。该论文针对汽车常见应用情况,确定了电池的内阻与容量作为电池So H的标识。利用电池状态参数变化较缓慢的特性,构建了交替更新的电池双滑模观测器系统。通过两种标准汽车工况实验对比两种算法进行了测试,结果显示,该算法能够以较高的精度进行So H的实时观测,具有较好的应用价值。
【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】：2018
【分类号】：TM912
【图文】：

测试系统

ArbinBT2000电池充放电测试系统

基于滑模观测器的锂离子电池荷电状态与健康状态估计算法研究

ESPECPRA-3AP温度控制箱

示意图,电池测试,数据格式

额定容量 2000mAh标准充电 CCCV，1A, 4.20±0.05V, 100mA 截止标准放电 CCCV，4A, 4.20±0.05V, 100mA 截止充电时间标准充电：180min/100mA 截止快速充电：50min（25℃）/100mA 截止大放电电流 22A（25℃），60% 持续 250 循环周期充电温度放电温度0~50℃（建议循环充电小于45℃）-20~75℃（建议循环放电小于 60℃）.2 电池测试方案针对电池 SoC 的估计，进行了 4 种电池测试：恒流恒压充放电、混合动力脉特性测试(Hybrid Pulse Power Characteristic，HPPC)、动态应力工况测试(Dynamicess Test，DST)以及联邦城市动态应力工况测试(Federal Urban Dynamic Stressst，FUDS)。原始实验数据以 Microsoft Excel 文档的形式保存，其中每个测试数据量以 1s采样时间，其格式示意图如图 2-3 所示。由于数据量过大，平均每个测试约有一个测试点，论文将其导入 Matlab 采用依测试时间绘制数据图的形式展示数据。

【参考文献】