动力电池参数辨识和荷电状态估计研究

发布时间：2020-06-22 17:52

【摘要】：随着新能源汽车技术的飞速发展,纯电动汽车因其能源清洁、环境友好的特点,已经成为全球汽车研发的主要方向。动力电池作为新能源汽车的核心部件和主要动力来源,通过电池管理系统对动力电池进行合理、完善的监控能够有效提高电动汽车的行驶里程。而动力电池的荷电状态是电池管理系统中最重要的状态量。电池SOC的精确估计为电池能量的管理和分配提供了依据,因此具有非常重要的工程价值。电池SOC无法直接测量,只能先建立准确的电池模型,然后再利用控制算法对电池SOC进行估计。为了更好的了解锂离子电池的特性,建立了电池测试平台,完成了不同温度下电池容量衰减度、最大可用容量、充放电倍率和开路电压的测试。根据测试分析,建立了变阶RC等效电路模型,兼顾了模型适用性和简易性的特点。基于BIC准则完成对电池模型阶数的选择。采用含遗忘因子的最小二乘算法对模型参数进行实时更新。在建立电池模型之后,通过在恒温条件和变温条件下的充放电测试,验证了与固定阶数的模型相比,变阶模型具有更高的辨识精度,辨识精度在2.8%以内。在建立电池动态模型之后,提出基于自适应协方差匹配的双卡尔曼滤波算法,对电池SOC进行实时估计。该算法针对双卡尔曼滤波算法中系统噪声的协方差固定不变的缺点,引进自适应协方差匹配法对系统噪声特性进行实时在线修正,从而达到抑制滤波发散,提高估算精度的目的。通过对恒温条件和变温条件下电池的充放电实验,使用扩展卡尔曼滤波算法、双卡尔曼滤波算法和本文提出的估计算法对SOC估算结果进行对比分析,验证了基于自适应协方差匹配的双卡尔曼滤波算法具有更好的估算精度,误差在3.5%以内,并且算法具有较强的鲁棒性。最后对动力电池包的SOC估计方法与单体电池的估算的不同进行了简单的介绍,提出了一种基于电池包简化的模型的SOC估算。为了验证算法在工程中的应用能力,对电池包进行自定义充放电测试,通过采集电池包的电压、电流和温度等数据,并导入电池测试设备中,获得SOC的理论值。然后将数据输入自适应双卡尔曼滤波算法中,获得估计值。将估计值和理论值进行对比分析,对比误差在5%以内。从对比结果中可以验证该算法具有实用价值。
【学位授予单位】：江苏科技大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TN713;U469.72
【图文】：

RM凡结构劝能采章图

图 1.2 电化学模型Fig.1.2 Electrochemical model即经验模型，主要是通过对电池做大量的充放参数的数学表达式来描述该模型。目前，经验模niversal 模型和 Nernst 模型[12-13]。虽然经验模型简单，忽略了环境温度、电池充放电倍率等因应用中不具备扩展性。模型是一种可以模仿人脑处理信息和学习记忆输入层、隐含层和输出层三层互联的计算机体。

【相似文献】

相关期刊论文 前10条

1 吴怀宇;;卡尔曼滤波算法及其在真实成绩预测中的应用[J];中国新通信;2018年23期

2 毛秀华;吴健;;卡尔曼滤波算法研究[J];舰船电子对抗;2017年03期

3 刘润生;董秀珍;刘锐岗;;线性卡尔曼滤波算法在磁感应断层成像技术中的仿真研究[J];医疗卫生装备;2016年01期

4 王秋平;庄园;李凤;;基于线性分式变换的U卡尔曼滤波算法[J];信息与控制;2013年05期

5 余小琴;沈文苗;;扩展卡尔曼滤波算法初值选取方法[J];声学与电子工程;2012年01期

6 李恒;张静远;罗轩;谌剑;;无味卡尔曼滤波算法形式及性能研究[J];弹箭与制导学报;2012年03期

7 孙秋云;;改进的卡尔曼滤波算法在行驶汽车状态估计中的应用现状[J];价值工程;2011年19期

8 李莉;宋志强;;转换坐标卡尔曼滤波算法在雷达数据融合中的应用[J];仪器仪表用户;2011年04期

9 王建文;税海涛;马宏绪;李迅;刘述田;;优化卡尔曼滤波算法中的目标函数选择[J];系统工程与电子技术;2009年01期

10 曲毅;刘忠;孙世言;;纯方位被动目标运动分析的衰减记忆卡尔曼滤波算法[J];武汉理工大学学报(交通科学与工程版);2006年05期

相关会议论文 前10条

1 刘栋;王惠林;;卡尔曼滤波算法在目标定位系统中的应用[A];第九届全国光电技术学术交流会论文集（上册）[C];2010年

2 陈婧;谢磊;李备;;水路交通中的卡尔曼滤波算法综述[A];第七届中国智能交通年会论文集[C];2012年

3 周红波;耿伯英;;基于目标跟踪的无偏转换测量卡尔曼滤波算法研究[A];2007中国控制与决策学术年会论文集[C];2007年

4 刘健;刘忠;玄兆林;;纯方位目标运动分析的自适应扩展卡尔曼滤波算法[A];2005年全国水声学学术会议论文集[C];2005年

5 余小琴;刘贯领;沈文苗;;多基地浮标目标运动分析[A];2009年中国东西部声学学术交流会论文集[C];2009年

6 程慧俐;王纪文;张洪钺;;在未知噪声统计情况下的一种新的自适应卡尔曼滤波算法[A];1994中国控制与决策学术年会论文集[C];1994年

7 赵汝祺;赵祚喜;赵汝准;;基于多项式卡尔曼滤波算法的车辆定位试验研究[A];中国农业工程学会2011年学术年会论文集[C];2011年

8 郑家旺;刘有源;;离散型卡尔曼滤波在汽车零部件检测中的应用[A];湖北省机械工程学会设计与传动专业委员会暨武汉机械设计与传动学会第十九届学术年会论文集[C];2011年

9 沈国华;吴雨翠;童长青;王艳;陈臻尧;;基于LC801E平台卡尔曼滤波算法与控温算法结合的技术实现[A];第十五届中国航天电子技术研究院学术交流会优秀论文集[C];2018年

10 沈晔青;龚华军;熊琰;;精确制导系统中的目标跟踪与卡尔曼滤波[A];2006年全国光电技术学术交流会会议文集（A 光电系统总体技术专题）[C];2006年

相关博士学位论文 前10条

1 赵伟;基于容积规则的鲁棒卡尔曼滤波算法研究与应用[D];燕山大学;2017年

2 冯波;线性滤波估计算法研究及在惯性导航系统中的应用[D];北京理工大学;2014年

3 张金良;基于卡尔曼滤波算法的感应电机无传感器直接转矩控制技术研究[D];华南理工大学;2016年

4 赵红宇;惯性行人导航系统的算法研究[D];大连理工大学;2015年

5 沈悦;基于导航通信多模应用的位置服务技术研究[D];中国科学技术大学;2012年

6 黄锦旺;传感器网络中的信号分离与重构[D];华南理工大学;2014年

7 王小刚;非线性滤波方法在无人机相对导航上的应用研究[D];哈尔滨工业大学;2010年

8 周聪;基于非线性估计理论的线控转向汽车状态估计研究[D];西南交通大学;2012年

9 刘真通;基于模型的纯电动车辆动力系统故障诊断研究[D];北京理工大学;2016年

10 孟军英;基于粒子滤波框架目标跟踪优化算法的研究[D];燕山大学;2014年

相关硕士学位论文 前10条

1 许跃千;基于非线性滤波的水下目标跟踪技术研究[D];哈尔滨工程大学;2019年

2 周韦润;动力电池参数辨识和荷电状态估计研究[D];江苏科技大学;2019年

3 Muhammad Ijaz;无人机INS/GPS组合导航算法研究[D];哈尔滨工业大学;2018年

4 刘瑞腾;目标跟踪滤波方法研究[D];西安电子科技大学;2018年

5 陆晓忆;时频双选信道环境下OFDM系统的信道估计技术研究[D];南京航空航天大学;2018年

6 刘建伟;多路径激光雷达三维数据处理技术研究[D];电子科技大学;2018年

7 郭辉;柔性针软组织穿刺控制方法及实验研究[D];东北大学;2017年

8 王新霞;低粘着状态下机车粘着状态估计方法研究[D];西南交通大学;2018年

9 方健豪;电动汽车动力电池的健康状态与荷电估计研究[D];河南科技大学;2018年

10 高文敬;动力电池SOC估算方法研究与BMS开发[D];山东理工大学;2018年

本文编号：2726031