基于纯电动汽车锂离子电池SOH估算方法研究
发布时间：2021-06-25 13:03
随着纯电动汽车行业的快速发展,锂离子动力电池作为其核心部件之一也受到了重点关注。而要想充分发挥动力电池性能、提高电池利用率和使用寿命,优秀的电池管系统必不可少。目前国内外在电池管理系统研究方面已经取得一定成果,其中关于电池荷电状态估计的技术已经较为成熟,与其相比电池健康状态估计的研究相对滞后,估算水平仍有待提升。因此本文以三元锂离子电池为研究对象,通过建立相应的锂离子电池模型对电池的健康状态估计进行深入研究。首先选取二阶RC等效电路模型作为仿真电池模型,通过混合脉冲功率特性（HPPC）测试实验对电池模型参数进行辨识,并建立Simulink仿真验证模型对不同工况下的电池模型进行验证,仿真实验结果表明所建立的电池模型能够准确地描述锂离子电池的工作特性。然后在双扩展卡尔曼滤波算法（DEKF）的基础上,提出一种基于有限差分思想的改进算法（F-DEKF）来估算电池SOH。该算法对非线性系统的线性化过程做出优化,有利于减少双扩展卡尔曼滤波算法中的线性化误差,并且由于该算法不涉及求解系统雅可比矩阵因此在模型计算量方面具有优势。最后针对DEKF算法和F-DEKF算法分别进行UDDS循环工况仿真实验和循...
【文章来源】：合肥工业大学安徽省 211工程院校 教育部直属院校
【文章页数】：79 页
【学位级别】：硕士
【部分图文】：
系统状态空间模型示意图
第一章绪论5种简单数学模型。由于该数学模型在处理能力、智能化以及容错性方面表现都比较优异，因此引起了社会各学科的广泛关注。人工神经网络相当于一个错综复杂的巨大网络，主要有许多基本节点连接而成，它本身具有高度的非线性，并且能够实现较为复杂的逻辑操作。而我们要研究的锂离子电池由于其复杂的电化学反应机理，同样被认为是一个高度的非线性系统，因此人工神经网络法的研究对锂离子电池SOH估算的发展大有裨益。利用人工神经网络法估算电池SOH主要包括两个过程，分别是学习过程和工作过程。人工神经网络一般包含一个输入层，一个或多个隐藏层和一个输出层[10]。下图所示为一个最简单的神经网络。图1.2神经网络模型示意图Figure1.2Schematicdiagramofneuralnetworkmodel在算法学习过程中，神经网络会尝试建立起系统输入和输出之间的关系[11]，然后依靠处理由电池系统参数表述的单元之间的相互作用来实现对电池SOH的估算过程。ShahriariM等人基于扩展卡尔曼滤波器采用神经网络电池模型，利用模糊逻辑和递推最小二乘法来对电池SOH进行在线估算，虽然估计效果较好但是算法计算量较大，实用性较差[12]。D.Andre等人提出了一种基于知识型的结构化神经网络算法，该算法在常规神经网络算法的基础上降低了内部网络结构的复杂程度，从而可以减小算法计算量，提高运算速度，此外该算法还可以访问神经网络模型的内部参数[13]。
第二章锂离子电池容量衰减原因及分析13图2.1锂离子电池工作原理图Figure2.1Workingprinciplediagramoflithiumionbattery该锂离子电池充电时的正负极化学反应过程为：正极反应：212i=xLCoOLiCoOxLixe（2.1）负极反应：66=xxLixeCLiC（2.2）锂离子放电时的化学反应过程与充电时相反：正极反应：122=ixLiCoOxLixeLCoO（2.3）负极反应：6=6xLiCxLixeC（2.4）不同材料的锂离子电池其工作原理都是相似的，都是通过锂离子在正负极之间的流动与在各极之间的脱嵌与嵌入来实现充放电过程的。充电时，锂离子从正极金属化合物中脱离出来变为锂离子，在电解液中经由隔膜移动到负极，嵌入负极生成负极金属化合物。放电时，锂离子从之前生成的负极金属化合物中脱离出来，在电解液中移动至正极，嵌入正极重新生成正极金属化合物。
【参考文献】：
期刊论文
[1]基于模糊卡尔曼滤波器的锂电池荷电状态与健康状态预测（英文）[J]. Daniil Fadeev,张小周,董海鹰,刘浩,张蕊萍. Journal of Measurement Science and Instrumentation. 2020(01)
[2]锂离子电池生产工艺及其发展前景[J]. 毛松科. 化工时刊. 2019(09)
[3]电池管理系统发展综述[J]. 谭泽富,孙荣利,杨芮,何德伍. 重庆理工大学学报(自然科学). 2019(09)
[4]基于双扩展卡尔曼滤波的电池荷电状态估计[J]. 华显,付子义,郭向伟. 测控技术. 2018(11)
[5]基于市场表现的中国新能源汽车产业发展政策剖析[J]. 李苏秀,刘颖琦,王静宇,张雷. 中国人口·资源与环境. 2016(09)
[6]锂电池BMS的硬件设计与实现[J]. 李林琳,段小燕,汤潮冻. 黑龙江科技信息. 2016(24)
[7]基于开路电压特性的动力电池健康状态诊断与估计[J]. 姜久春,马泽宇,李雪,张彩萍,张维戈. 北京交通大学学报. 2016(04)
[8]锂离子电池建模与参数识别[J]. 刘璇,王立欣,吕超,李俊夫. 电源学报. 2018(01)
[9]中国新能源汽车产业发展展望[J]. 唐葆君,刘江鹏. 北京理工大学学报(社会科学版). 2015(02)
[10]电动汽车电池管理系统的建立及SOC准确估计[J]. 荣雅君,杨伟,马秀蕊,王红. 电力电子技术. 2014(03)
博士论文
[1]锂动力电池健康度评价与估算方法的研究[D]. 李然.哈尔滨理工大学 2016
[2]锂离子动力电池制造关键技术基础及其安全性研究[D]. 郭永兴.中南大学 2010
硕士论文
[1]电动汽车锂离子电池SOH估算方法研究[D]. 张绍虹.太原理工大学 2019
[2]新能源汽车动力电池管理系统研究[D]. 翁志福.西南交通大学 2019
[3]基于EKF的电动汽车锂离子电池SOC、SOH估算[D]. 张民.大连海事大学 2017
[4]电动汽车动力锂离子电池健康状态估计研究[D]. 罗卫兴.重庆交通大学 2017
[5]基于改进卡尔曼滤波算法的电池健康度估算研究[D]. 周兴博.哈尔滨理工大学 2017
[6]面向电动汽车的电池管理系统关键技术研究[D]. 李维嘉.上海交通大学 2015
[7]动力锂离子电池制备工艺对一致性影响研究[D]. 罗雨.湖南大学 2012
[8]混合动力汽车镍氢动力电池管理系统的研究[D]. 李秉宇.北京交通大学 2008
[9]电动汽车电池管理系统的研究[D]. 李海军.山东理工大学 2008
[10]混合动力电动汽车电池管理系统[D]. 肖玉萍.北方工业大学 2005
本文编号：3249254
【文章来源】：合肥工业大学安徽省 211工程院校 教育部直属院校
【文章页数】：79 页
【学位级别】：硕士
【部分图文】：
系统状态空间模型示意图
第一章绪论5种简单数学模型。由于该数学模型在处理能力、智能化以及容错性方面表现都比较优异，因此引起了社会各学科的广泛关注。人工神经网络相当于一个错综复杂的巨大网络，主要有许多基本节点连接而成，它本身具有高度的非线性，并且能够实现较为复杂的逻辑操作。而我们要研究的锂离子电池由于其复杂的电化学反应机理，同样被认为是一个高度的非线性系统，因此人工神经网络法的研究对锂离子电池SOH估算的发展大有裨益。利用人工神经网络法估算电池SOH主要包括两个过程，分别是学习过程和工作过程。人工神经网络一般包含一个输入层，一个或多个隐藏层和一个输出层[10]。下图所示为一个最简单的神经网络。图1.2神经网络模型示意图Figure1.2Schematicdiagramofneuralnetworkmodel在算法学习过程中，神经网络会尝试建立起系统输入和输出之间的关系[11]，然后依靠处理由电池系统参数表述的单元之间的相互作用来实现对电池SOH的估算过程。ShahriariM等人基于扩展卡尔曼滤波器采用神经网络电池模型，利用模糊逻辑和递推最小二乘法来对电池SOH进行在线估算，虽然估计效果较好但是算法计算量较大，实用性较差[12]。D.Andre等人提出了一种基于知识型的结构化神经网络算法，该算法在常规神经网络算法的基础上降低了内部网络结构的复杂程度，从而可以减小算法计算量，提高运算速度，此外该算法还可以访问神经网络模型的内部参数[13]。
第二章锂离子电池容量衰减原因及分析13图2.1锂离子电池工作原理图Figure2.1Workingprinciplediagramoflithiumionbattery该锂离子电池充电时的正负极化学反应过程为：正极反应：212i=xLCoOLiCoOxLixe（2.1）负极反应：66=xxLixeCLiC（2.2）锂离子放电时的化学反应过程与充电时相反：正极反应：122=ixLiCoOxLixeLCoO（2.3）负极反应：6=6xLiCxLixeC（2.4）不同材料的锂离子电池其工作原理都是相似的，都是通过锂离子在正负极之间的流动与在各极之间的脱嵌与嵌入来实现充放电过程的。充电时，锂离子从正极金属化合物中脱离出来变为锂离子，在电解液中经由隔膜移动到负极，嵌入负极生成负极金属化合物。放电时，锂离子从之前生成的负极金属化合物中脱离出来，在电解液中移动至正极，嵌入正极重新生成正极金属化合物。
【参考文献】：
期刊论文
[1]基于模糊卡尔曼滤波器的锂电池荷电状态与健康状态预测（英文）[J]. Daniil Fadeev,张小周,董海鹰,刘浩,张蕊萍. Journal of Measurement Science and Instrumentation. 2020(01)
[2]锂离子电池生产工艺及其发展前景[J]. 毛松科. 化工时刊. 2019(09)
[3]电池管理系统发展综述[J]. 谭泽富,孙荣利,杨芮,何德伍. 重庆理工大学学报(自然科学). 2019(09)
[4]基于双扩展卡尔曼滤波的电池荷电状态估计[J]. 华显,付子义,郭向伟. 测控技术. 2018(11)
[5]基于市场表现的中国新能源汽车产业发展政策剖析[J]. 李苏秀,刘颖琦,王静宇,张雷. 中国人口·资源与环境. 2016(09)
[6]锂电池BMS的硬件设计与实现[J]. 李林琳,段小燕,汤潮冻. 黑龙江科技信息. 2016(24)
[7]基于开路电压特性的动力电池健康状态诊断与估计[J]. 姜久春,马泽宇,李雪,张彩萍,张维戈. 北京交通大学学报. 2016(04)
[8]锂离子电池建模与参数识别[J]. 刘璇,王立欣,吕超,李俊夫. 电源学报. 2018(01)
[9]中国新能源汽车产业发展展望[J]. 唐葆君,刘江鹏. 北京理工大学学报(社会科学版). 2015(02)
[10]电动汽车电池管理系统的建立及SOC准确估计[J]. 荣雅君,杨伟,马秀蕊,王红. 电力电子技术. 2014(03)
博士论文
[1]锂动力电池健康度评价与估算方法的研究[D]. 李然.哈尔滨理工大学 2016
[2]锂离子动力电池制造关键技术基础及其安全性研究[D]. 郭永兴.中南大学 2010
硕士论文
[1]电动汽车锂离子电池SOH估算方法研究[D]. 张绍虹.太原理工大学 2019
[2]新能源汽车动力电池管理系统研究[D]. 翁志福.西南交通大学 2019
[3]基于EKF的电动汽车锂离子电池SOC、SOH估算[D]. 张民.大连海事大学 2017
[4]电动汽车动力锂离子电池健康状态估计研究[D]. 罗卫兴.重庆交通大学 2017
[5]基于改进卡尔曼滤波算法的电池健康度估算研究[D]. 周兴博.哈尔滨理工大学 2017
[6]面向电动汽车的电池管理系统关键技术研究[D]. 李维嘉.上海交通大学 2015
[7]动力锂离子电池制备工艺对一致性影响研究[D]. 罗雨.湖南大学 2012
[8]混合动力汽车镍氢动力电池管理系统的研究[D]. 李秉宇.北京交通大学 2008
[9]电动汽车电池管理系统的研究[D]. 李海军.山东理工大学 2008
[10]混合动力电动汽车电池管理系统[D]. 肖玉萍.北方工业大学 2005
本文编号：3249254
本文链接：https://www.wllwen.com/kejilunwen/qiche/3249254.html
