锂离子电池的剩余电量和峰值功率估计
发布时间：2022-01-10 15:08
随着环境污染的加剧和化石能源的紧缺,发展电动化或混动化汽车已经成为一种必然趋势。其中,电池作为纯电动汽车的唯一动力来源,电池相关技术的发展决定了电动汽车行业的发展。为了保证纯电动汽车的动力电池安全可靠的工作,就必须对电池进行必要的控制和管理,因此电池管理系统（battery management system,BMS）被得到广泛的研究。BMS主要包含电池状态（state of charge,SOC）估计、电池峰值功率（state of power,SOP）估计、电池健康状态（state of health,SOH）估计和均衡策略模块等。精确的SOC估计可以延长电池寿命、提高单次充满电的续航里程和防止电池发生起火爆炸等;精确的SOP估计有利于优化电池功率分配、提高电池组的利用效率和防止电池过充或过放等。因此,本文以锂电池的SOC估计和SOP为研究目标,开展了以下研究:（1）介绍了锂电池的种类和反应的基本原理,并建立了锂电池测试实验平台。基于建立的实验平台进行了一系列充放电实验,对锂电池内阻、极化效应、开路电压与SOC关系式等方面有了充分的了解。（2）根据对锂电池充放电特性的探究结果,建立...
【文章来源】：西南交通大学四川省 211工程院校 教育部直属院校
【文章页数】：81 页
【学位级别】：硕士
【部分图文】：
戴维南等效电路模型
西南交通大学硕士研究生学位论文第3页用。此时，需要建立一个简单的、并且高精度的数学模型来描述锂电池内部的化学反应。在此需求下，电池的等效电路模型被广泛研究和应用[18-21]。等效电路模型是由一个理想电压源、若干个电容和电阻之间经过串并联组成的电路来描述锂电池充放电的物理特性，并能较好的描述不同材料锂电池的充放电特性，具有一定的普适性。目前，研究过程中常用的等效电路模型主要有：戴维南模型[4,22-24]、PNGV模型[25-27]、二阶电阻电容（Resistor-Capacitor，RC）模型[10,28,29]。1.2.1.1戴维南模型戴维南等效电路模型是由一个电压源、一个欧姆内阻、一个RC回路组成的串联电路。如图1-1所示，Uoc表示理想电压源，是锂电池当前状态下的开路电压（Opencircuitvoltage，OCV），一般认为与SOC存在非线性关系；R0表示欧姆内阻，反映了刚出现充放电电流时的电压突变过程；R1、C1组成的RC回路用来描述充放电过程中的极化效应，即充放电过程中电压的渐变过程。图1-1戴维南等效电路模型1.2.1.2PNGV模型PNGV模型是一种常用的等效电路模型，由一个理想电压源、一个欧姆内阻、一个RC回路和一个大容量电容组成的串联电路。如图1-2所示，Uoc表示理想电压源，表示锂电池当前状态下的OCV，一般认为与SOC存在非线性关系；R0表示欧姆内阻，反映了刚出现充放电电流时的电压突变过程；R1、C1组成的RC回路表示充放电过程中的极化效应；C0描述负载电流时间累积引起的OCV变化现象。图1-2PNGV电路模型1.2.1.3二阶RC模型二阶RC等效电路模型是一个理想电压源，一个欧姆内阻，两个RC回路组成的串联电路。如图1-3所示，Uoc表示理想电压源，表示锂电池当前状态下的开路电压，一
西南交通大学硕士研究生学位论文第4页般认为与SOC存在非线性关系；R0表示欧姆内阻，反映了刚出现充放电电流时的电压突变过程；锂电池的极化现象更细致地可以分为浓差极化和电化学极化，其中，R1C1描述了锂电池在充放电过程中的浓差极化现象，即锂电池端电压快速上升和快速下降的过程（不是电压突变过程）；锂电池在充放电过程中的电化学极化现象则用R2C2进行描述，即锂电池端电压缓慢上升和缓慢下降的过程。图1-3二阶RC电路模型在以往的SOC估计方法的研究中，上述的等效电路模型都取得了较好的结果。但随着电动汽车行业的发展，对SOC估计精度要求越来越高，上述模型的精度已经不能满足更高SOC估计精度建模的要求，需要寻求精度更高的电池模型。1.2.2参数辨识方法研究现状锂电池的等效电路模型经过参数辨识可以用来描述锂电池的物理特性。参数辨识的好坏决定了所建立的电池模型误差的大小，从而影响状态估计的精度。一组不合适的参数将导致状态估计结果的发散，使状态估计失去意义，甚至可能引起安全事故的发生。因此为了精确地估计电池的SOC，选择合适的参数辨识方法是非常重要的。电池等效电路模型的参数辨识方法一般可以划分为两种，分别是离线参数辨识和在线参数辨识。离线参数辨识方法通过使用最小二乘法对实验得到的电流和电压数据进行拟合，从而得到全局最优解，并将辨识得到的结果作为锂电池全寿命周期和全SOC范围下的模型参数（即参数值不变），模型误差一般小于100mV。在线参数辨识方法则不同，最大的区别就是它可以实时更新模型参数，其中双扩展卡尔曼滤波器[30]就是一种常用的在线参数估计方法，具体实施步骤如下：（1）利用离线参数辨识的方法得到电池模型参数的初始值；（2）基于扩展卡尔曼滤波器（ExtendedKalmanFilter，
【参考文献】：
期刊论文
[1]基于分数阶理论的车用锂离子电池建模及荷电状态估计[J]. 刘树林,崔纳新,李岩,张承慧. 电工技术学报. 2017(04)
[2]基于粒子群算法的电池模型参数辨识[J]. 陈康,辛华辉,邓曦,盛禄. 价值工程. 2016(22)
[3]基于神经网络的磷酸铁锂电池SOC预测研究[J]. 尹安东,张万兴,赵韩,江昊. 电子测量与仪器学报. 2011(05)
博士论文
[1]动力锂电池的建模、状态估计及管理策略研究[D]. 汪玉洁.中国科学技术大学 2017
[2]锂离子电池成组应用技术及性能状态参数估计策略研究[D]. 黄凯.河北工业大学 2016
[3]基于数据模型融合的电动车辆动力电池组状态估计研究[D]. 熊瑞.北京理工大学 2014
硕士论文
[1]基于H无穷观测器的锂电池剩余电量估计[D]. 熊能.西南交通大学 2018
[2]考虑温度影响的动力锂电池SOC估计算法和验证[D]. 孙志祥.吉林大学 2018
[3]基于自适应卡尔曼滤波的电动汽车动力电池SOC估计[D]. 张頔.吉林大学 2012
本文编号：3580917
【文章来源】：西南交通大学四川省 211工程院校 教育部直属院校
【文章页数】：81 页
【学位级别】：硕士
【部分图文】：
戴维南等效电路模型
西南交通大学硕士研究生学位论文第3页用。此时，需要建立一个简单的、并且高精度的数学模型来描述锂电池内部的化学反应。在此需求下，电池的等效电路模型被广泛研究和应用[18-21]。等效电路模型是由一个理想电压源、若干个电容和电阻之间经过串并联组成的电路来描述锂电池充放电的物理特性，并能较好的描述不同材料锂电池的充放电特性，具有一定的普适性。目前，研究过程中常用的等效电路模型主要有：戴维南模型[4,22-24]、PNGV模型[25-27]、二阶电阻电容（Resistor-Capacitor，RC）模型[10,28,29]。1.2.1.1戴维南模型戴维南等效电路模型是由一个电压源、一个欧姆内阻、一个RC回路组成的串联电路。如图1-1所示，Uoc表示理想电压源，是锂电池当前状态下的开路电压（Opencircuitvoltage，OCV），一般认为与SOC存在非线性关系；R0表示欧姆内阻，反映了刚出现充放电电流时的电压突变过程；R1、C1组成的RC回路用来描述充放电过程中的极化效应，即充放电过程中电压的渐变过程。图1-1戴维南等效电路模型1.2.1.2PNGV模型PNGV模型是一种常用的等效电路模型，由一个理想电压源、一个欧姆内阻、一个RC回路和一个大容量电容组成的串联电路。如图1-2所示，Uoc表示理想电压源，表示锂电池当前状态下的OCV，一般认为与SOC存在非线性关系；R0表示欧姆内阻，反映了刚出现充放电电流时的电压突变过程；R1、C1组成的RC回路表示充放电过程中的极化效应；C0描述负载电流时间累积引起的OCV变化现象。图1-2PNGV电路模型1.2.1.3二阶RC模型二阶RC等效电路模型是一个理想电压源，一个欧姆内阻，两个RC回路组成的串联电路。如图1-3所示，Uoc表示理想电压源，表示锂电池当前状态下的开路电压，一
西南交通大学硕士研究生学位论文第4页般认为与SOC存在非线性关系；R0表示欧姆内阻，反映了刚出现充放电电流时的电压突变过程；锂电池的极化现象更细致地可以分为浓差极化和电化学极化，其中，R1C1描述了锂电池在充放电过程中的浓差极化现象，即锂电池端电压快速上升和快速下降的过程（不是电压突变过程）；锂电池在充放电过程中的电化学极化现象则用R2C2进行描述，即锂电池端电压缓慢上升和缓慢下降的过程。图1-3二阶RC电路模型在以往的SOC估计方法的研究中，上述的等效电路模型都取得了较好的结果。但随着电动汽车行业的发展，对SOC估计精度要求越来越高，上述模型的精度已经不能满足更高SOC估计精度建模的要求，需要寻求精度更高的电池模型。1.2.2参数辨识方法研究现状锂电池的等效电路模型经过参数辨识可以用来描述锂电池的物理特性。参数辨识的好坏决定了所建立的电池模型误差的大小，从而影响状态估计的精度。一组不合适的参数将导致状态估计结果的发散，使状态估计失去意义，甚至可能引起安全事故的发生。因此为了精确地估计电池的SOC，选择合适的参数辨识方法是非常重要的。电池等效电路模型的参数辨识方法一般可以划分为两种，分别是离线参数辨识和在线参数辨识。离线参数辨识方法通过使用最小二乘法对实验得到的电流和电压数据进行拟合，从而得到全局最优解，并将辨识得到的结果作为锂电池全寿命周期和全SOC范围下的模型参数（即参数值不变），模型误差一般小于100mV。在线参数辨识方法则不同，最大的区别就是它可以实时更新模型参数，其中双扩展卡尔曼滤波器[30]就是一种常用的在线参数估计方法，具体实施步骤如下：（1）利用离线参数辨识的方法得到电池模型参数的初始值；（2）基于扩展卡尔曼滤波器（ExtendedKalmanFilter，
【参考文献】：
期刊论文
[1]基于分数阶理论的车用锂离子电池建模及荷电状态估计[J]. 刘树林,崔纳新,李岩,张承慧. 电工技术学报. 2017(04)
[2]基于粒子群算法的电池模型参数辨识[J]. 陈康,辛华辉,邓曦,盛禄. 价值工程. 2016(22)
[3]基于神经网络的磷酸铁锂电池SOC预测研究[J]. 尹安东,张万兴,赵韩,江昊. 电子测量与仪器学报. 2011(05)
博士论文
[1]动力锂电池的建模、状态估计及管理策略研究[D]. 汪玉洁.中国科学技术大学 2017
[2]锂离子电池成组应用技术及性能状态参数估计策略研究[D]. 黄凯.河北工业大学 2016
[3]基于数据模型融合的电动车辆动力电池组状态估计研究[D]. 熊瑞.北京理工大学 2014
硕士论文
[1]基于H无穷观测器的锂电池剩余电量估计[D]. 熊能.西南交通大学 2018
[2]考虑温度影响的动力锂电池SOC估计算法和验证[D]. 孙志祥.吉林大学 2018
[3]基于自适应卡尔曼滤波的电动汽车动力电池SOC估计[D]. 张頔.吉林大学 2012
本文编号：3580917
本文链接：https://www.wllwen.com/kejilunwen/qiche/3580917.html
