磷酸铁锂电池建模及其荷电状态估计算法研究

发布时间：2017-08-27 02:08

  本文关键词：磷酸铁锂电池建模及其荷电状态估计算法研究

  更多相关文章： 磷酸铁锂电池 卡尔曼滤波器 强跟踪算法 多采样率数字控制系统 荷电状态估计

【摘要】：锂电池自问世以来就以其良好的充放电性能且无记忆效应被广泛应用于手机、电动车或者其它电气设备。本文以磷酸铁锂电池作用研究对象,为深海作业机器的电池储能系统提供可靠及精确的荷电状态估计值(State of Charge, SOC),并将此估计值作为能量管理系统的重要动作指标。磷酸铁锂电池具有自放电现象弱、能量密度大和化学结构稳定等优点。由于锂离子脱嵌过程中,锂电池端电压稳定在3.2V附近,因此磷酸铁锂电池充放电特性曲线的中部存在非常长的平台期,而在充放电开始或者结束处其电压会突升或者突降,使得该特性曲线呈现强烈的非线性特征。计算荷电状态的普遍方法是利用安时积分法,该方法容易受到荷电状态初始误差和过程误差的干扰而使得估计值精确度降低。磷酸铁锂电池荷电状态值对电池能量管理系统的有效性起到关键作用,考虑到卡尔曼滤波算法可以很好降低初值误差和过程噪声对状态量估计值的影响,故将卡尔曼滤波算法应用于磷酸铁锂电池荷电状态估计过程中。由于卡尔曼滤波框架对模型精确度要求较高,因此本文基于Labview搭建电池性能测试平台,获得磷酸铁锂电池充放电数据,利用实验法提取SOC和电池等效电动势(Voltage of Open Circuit, Uoc)数据特征,使用Curvefit Toolbox对二者关系进行拟合并得到描述其非线性特征的函数表达式。根据实验数据,基于MATLAB/SIMSCAPE平台搭建二阶RC等效电路电池模型,以SIMSCAPE提供的Parameter Estimation Toolbox对等效电路中的RC参数进行估计,建立了与实际电池充放电特性匹配的等效电路模块。在已建立的磷酸铁锂电池RC等效电路基础上,建立相应的状态空间模型。使用扩展卡尔曼滤波器(Extended Kalman Filter, EKF)对电池荷电状态进行估计,EKF估计结果可以很好地在荷电状态具有初始误差的情况将SOC估计值收敛于真值。针对深海探测器在加速时要求电池瞬时大功率放电而导致SOC突变的情况,采用强跟踪扩展卡尔曼滤波器(Strong Tracking Extended Kalman Filter, STEKF)实现电池的SOC估计,从而使得滤波器可以很好地跟踪荷电状态实际值。为增强STEKF算法稳定性,本文引入特征值分解对STEKF中的状态量先验估计值误差协方差阵计算方式进行修正,得到性能更好的滤波器。对于连续物理系统中各处信号变化速率不同的情况,本文利用多采样率控制策略对EKF和STEKF进行改进,经理论推导分别得到输入多采样率扩展卡尔曼滤波算法、输入多采样率强跟踪扩展卡尔曼滤波算法、输出多采样率扩展卡尔曼滤波算法和输出多采样率强跟踪扩展卡尔曼滤波算法。为验证以上叙述算法的有效性,本文NEDC (New European Driving Cycle)电动车实验放电序列考查了在采样倍率为2和4的情况下,算法的SOC估计精度。
【关键词】：磷酸铁锂电池 卡尔曼滤波器 强跟踪算法 多采样率数字控制系统 荷电状态估计
【学位授予单位】：西南交通大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TM912
【目录】：

• 摘要6-8
• Abstract8-12
• 第1章 绪论12-19
• 1.1 研究背景12
• 1.2 课题研究来源12-13
• 1.3 国内外发展现状13-18
• 1.3.1 蓄电池的分类13-14
• 1.3.2 磷酸铁锂电池发展及现状14-15
• 1.3.3 磷酸铁锂电池荷电状态估计研究现状15-18
• 1.4 论文的主要研究和工作内容18-19
• 第2章 实验用磷酸铁锂电池概述19-25
• 2.1 SOC定义19-20
• 2.2 磷酸铁锂电池工作原理20-21
• 2.3 磷酸铁锂电池电压性21
• 2.4 磷酸铁锂电池内阻特性21-22
• 2.5 磷酸铁锂电池容量特性22-24
• 2.6 本章小结24-25
• 第3章 基于MATLAB/SIMSCAPE的LIFEPO_4建模方法及电池参数估计25-37
• 3.1 基于Labview的磷酸铁锂电池性能测试平台25-26
• 3.2 磷酸铁锂电池SOC与Uoc的关系曲线26-29
• 3.3 基于MATLAB/SIMSCAPE的磷酸铁锂电池模型29-36
• 3.3.1 LiFePO_4戴维南等效电路29-31
• 3.3.2 LiFePO_4的MATLAB/SIMSCAPE模型及参数估计31-36
• 3.4 本章小结36-37
• 第4章 卡尔曼滤波算法研究及其在磷酸铁锂电池SOC估计中的应用37-52
• 4.1 离散线性卡尔曼滤波器37-39
• 4.2 扩展卡尔曼滤波器EKF39-41
• 4.3 强跟踪滤波算法41-44
• 4.4 基于特征值分解的改进强跟踪滤波算法44-51
• 4.4.1 STEKF问题分析44-46
• 4.4.2 基于特征值分解的改进STEKF(MSTEKF)46-49
• 4.4.3 MSTEKF算法估计结果分析49-51
• 4.5 本章小结51-52
• 第5章 多采样率控制系统算法研究及其在磷酸铁锂电池SOC估计中的应用52-74
• 5.1 引言52-53
• 5.2 多采样率控制理论概述53-56
• 5.2.1 输入多采样率数字控制系统54-55
• 5.2.2 输出多采样率数字控制系统55-56
• 5.2.3 广义多采样率数字控制系统56
• 5.3 基于输入多采样率的卡尔曼滤波器56-63
• 5.3.1 基于输入多采样率的EKF算法56-59
• 5.3.2 基于输入多采样率的STEKF算法59-63
• 5.4 基于输出多采样率的卡尔曼滤波器63-67
• 5.4.1 基于输出多采样率的EKF算法63-66
• 5.4.2 基于输出多采样率的STEKF算法66-67
• 5.5 基于多采样率卡尔曼滤波器状态估计结果分析67-74
• 5.5.1 情况一：算法的SOC初值精确67-70
• 5.5.2 情况二：算法的SOC初值存在误差70-74
• 总结和展望74-76
• 致谢76-77
• 参考文献77-81
• 攻读硕士学位期间发表的论文81

【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 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

2 潘贵财;基于神经网络的电池组容量检测系统设计[D];大连理工大学;2015年

3 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

4 杨潇;基于模糊算法的风储联合系统控制策略研究[D];山东大学;2016年

5 林鹏峰;磷酸铁锂电池建模及其荷电状态估计算法研究[D];西南交通大学;2015年

6 周旋;纯电动物流车电池荷电状态估计方法研究[D];电子科技大学;2016年

7 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

8 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

9 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

10 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

，

本文编号：743848