磷酸铁锂电池组SOC估计算法研究

发布时间：2017-06-24 15:11

  本文关键词：磷酸铁锂电池组SOC估计算法研究，由笔耕文化传播整理发布。

【摘要】：电动汽车的电池管理系统的需要准确了解当前电池组的荷电状态(State of charge, SOC).电池管理系统中的均衡系统以及安全管理系统,都需要使用SOC值判断电池状态以及进行控制策略的设计。而磷酸铁锂电池由于本身特性,其过放电会导致电池产生不可逆转的损伤,过充电会导致电池过热甚至爆炸,因而对电池管理系统提出了更多的要求。但如何准确测量工况下的磷酸铁锂电池的SOC仍然是世界性难题。论文从分析磷酸铁锂电池内部电化学反应开始,通过设置在不同SOC状态,不同电流工况下的充放电实验,测取电池模型SOC-OCV曲线,以及欧姆内阻,浓差阻抗等动态参数,建立出适合用于现代计算机所使用的二阶RC等效电池模型,为下一步SOC仿真提供建立模型。在二阶RC模型基础上,本文在实物设备中实现了扩展卡尔曼滤波SOC估计算法设计,证明该算法在SOC估计系统中的有效性,并分析其在不同工况下表现的差距,提出了目前所使用的经典扩展卡尔曼滤波算法的局限性与不足。针对复杂工况下磷酸铁锂动力电池组SOC估计不准确的问题,本文提出实物电池SOC估计误差主要来源之一是模型误差,特别是在复杂工况下,电池模型误差影响因素会进一步增加。因此本文提出并实现基于模型信息的噪声补偿扩展卡尔曼滤波算法,一种针对电池组工况特性下卡尔曼滤波方法,该算法基于电池组工况放电特性,提取其特征参数并进行模式分类,对扩展卡尔曼滤波模型进行不同的噪声模型数据补偿,实现优化估计。该算法可应用在系统测量噪声模型已知的SOC估计系统中,能有效避免由于多因素所引起的系统状态模型误差而导致的SOC估计发散或矫正性能差的问题。在实际电池系统中,测量噪声模型通常处于未知状态,同时也容易受到外界干扰而变化。此时噪声补偿扩展卡尔曼滤波算法难以收到良好结果。本文使用自适应滤波算法,使得滤波系统能够实现自动跟踪外界噪声模型的变化。同时针对单独的自适应滤波算法在存在SOC初值误差系统的表现较差的情况,结合多模型自适应滤波理念,实现了多模型自适应卡尔曼滤波算法。该算法具有更好的精度与收敛性能,能够适应更复杂的工况条件。
【关键词】：磷酸铁锂动力电池组 SOC 能量管理 扩展卡尔曼滤波 自适应卡尔曼滤波
【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】：U469.72
【目录】：

• 摘要6-7
• 英文摘要7-11
• 第1章 绪论11-19
• 1.1 引言11-12
• 1.2 课题来源12
• 1.3 课题研究意义12-13
• 1.4 锂电池管理系统的研究现状13-17
• 1.4.1 锂电池模型研究现状14-16
• 1.4.2 SOC估算研究现状16-17
• 1.5 研究内容与结构17-19
• 第2章 磷酸铁锂电池性能测试19-30
• 2.1 电池型号选择19-20
• 2.2 SOC定义20-21
• 2.3 基于Labview的数据采集与分析21-23
• 2.4 电池标准充放电曲线23-24
• 2.5 电池容量与倍率特性24-25
• 2.6 温度对电池性能影响25-26
• 2.7 电池SOC与OCV关系曲线26-29
• 2.8 本章小结29-30
• 第3章 磷酸铁锂电池等效电路模型30-46
• 3.1 电池等效电路模型简介30-33
• 3.2 RC模型33-35
• 3.3 一阶RC模型参数辨识35-41
• 3.4 二阶RC模型以及参数辨识41-42
• 3.5 模型验证42-44
• 3.5.1 恒流放电43-44
• 3.5.2 HPPC TEST放电44
• 3.6 本章小结44-46
• 第4章 基于扩展卡尔曼滤波算法的SOC估计46-58
• 4.1 SOC估计方法选择46-48
• 4.2 卡尔曼滤波算法48-53
• 4.2.1 卡尔曼滤波算法简介48-50
• 4.2.2 基于EKF的二阶RC模型状态空间方程50-51
• 4.2.3 EKF的初值确定51-53
• 4.3 EKF算法的实验验证53-57
• 4.3.1 恒流放电SOC估计及结果分析54-56
• 4.3.2 SOC初值错误下算法收敛性试验与结果分析56-57
• 4.4 本章小结57-58
• 第5章 基于信息融合的噪声补偿扩展卡尔曼滤波算法58-71
• 5.1 电池SOC估计不准确性原因分析58-60
• 5.1.1 状态数学模型不准确问题58-60
• 5.1.2 噪声估计模型不准确问题60
• 5.2 噪声补偿算法60-64
• 5.2.1 扩展卡尔曼滤波算法分析60-61
• 5.2.2 算法设计61-64
• 5.3 基于Matlab/Simulink仿真模型64-65
• 5.4 基于Matlab/Simulink仿真结果及分析65-69
• 5.5 本章小结69-71
• 第6章 基于多模型的自适应卡尔曼滤波算法71-90
• 6.1 自适应滤波算法简介71-72
• 6.2 自适应卡尔曼滤波算法设计72-84
• 6.2.1 自适应卡尔曼滤波简介72-75
• 6.2.2 基于Matlab/Simulink仿真结果75-82
• 6.2.3 结果分析82-84
• 6.3 基于多模型的自适应卡尔曼滤波算法84-88
• 6.3.1 多模型自适应卡尔曼滤波简介84-85
• 6.3.2 多模型自适应卡尔曼滤波设计85-88
• 6.4 本章小结88-90
• 结论与展望90-92
• 致谢92-93
• 参考文献93-97
• 附录97

【参考文献】

中国期刊全文数据库 前2条

1 邹艳碧,高鹰;自适应滤波算法综述[J];广州大学学报(自然科学版);2002年02期

2 南金瑞;孙逢春;王建群;;纯电动汽车电池管理系统的设计及应用[J];清华大学学报(自然科学版);2007年S2期

中国硕士学位论文全文数据库 前1条

1 袁闪闪;磷酸铁锂动力电池荷电状态估算方法的研究[D];重庆大学;2012年

  本文关键词：磷酸铁锂电池组SOC估计算法研究，，由笔耕文化传播整理发布。

本文编号：478596