原文传递
动力锂电池组管理系统SOC估算研究
| 论文题名： | 动力锂电池组管理系统SOC估算研究 |
| 关键词： | 电动汽车;动力锂电池;管理系统;扩展卡尔曼滤波算法;神经网络;SOC估算;遗传算法 |
| 摘要： | 近些年来，国内主要城市空气污染日益严重、雾霾现象频发，严重影响了居民生产生活。电动汽车的发展与推广不仅可以提高能效比，而且能够有效减少城市交通的废气排放。电池管理系统是电动汽车的重要组成部分，对电池收集信息、保证工作安全和延长寿命有重要作用。电池SOC估算是电池管理系统的核心功能，其算法精度一直是电池管理系统研究的热点和难点。本文以电池SOC估算精度为研究对象，以锂电池电气特性及模型为基础，以工业实现为目标，设计了分布式电池管理系统软件作为实验平台，分别对安时法、扩展卡尔曼滤波算法和神经网络估算电池SOC进行研究与改进。 安时法是目前行业生产中应用最多的算法，但其存在初始误差、模型误差和时间累积误差等问题。本课设计了基于温度权重的电池容量模型以减小放电倍率、电池寿命和温度误差，借助开路电压法减小了初始误差，设计了充电校正方式以减小时间累积误差。 扩展卡尔曼滤波算法具有安时法和开路电压法的优点，具有自收敛性。本课题从戴维南模型入手，设计参数辨识实验确定了温度和电池 SOC对模型参数的作用关系，应用辨识结果设计了自适应模型扩展卡尔曼滤波算法；该算法在实验中可以校正电池 SOC初始误差，但是对电池模型参数和线性化方式依赖性强。 安时法与扩展卡尔曼滤波算法都是针对电池单体模型设计的，没有考虑电池单体不一致性。本课题采用了神经网络算法以电池单体压差、电池组过程压差、电池组过程电流差等作为输入变量，以电池SOC作为输出变量，通过遗传算法训练了神经网络权重。网络训练研究中，设计了基于权重增量编码方式的遗传算法，对比研究了基于权重值编码方式证明了前者在速度和精度的优越性；提出了网络规范化表达方法和网络相似性函数来研究神经网络同质性，区分了局部最优解和相似最优解。实验证明，该算法可以探测到电池单体不一致性引起的SOC降低。 综合，基于电池管理系统软件的实现，本课题根据系统要求和实验结果提出了SOC估计算法评测标准，并根据评测结果设计了综合算法优化方案。 |
| 作者： | 何军 |
| 专业： | 电气工程 |
| 导师： | 吴宁 |
| 授予学位： | 硕士 |
| 授予学位单位： | 哈尔滨工业大学 |
| 学位年度： | 2015 |
| 正文语种： | 中文 |
检索历史
应用推荐
