原文传递
车载锂离子动力电池荷电状态与健康状态估计研究
| 论文题名： | 车载锂离子动力电池荷电状态与健康状态估计研究 |
| 关键词： | 电动汽车;锂离子动力电池;荷电状态;自适应率;强跟踪因子;无迹卡尔曼滤波;健康状态估计 |
| 摘要： | 能源衰竭与环境污染问题日益严重，电动汽车是解决该问题的关键途径。动力电池作为电动汽车的储能部件，占电动汽车成本的1/3～1/2，其技术的发展仍无法完全满足电动汽车的需求，使其成为了制约电动汽车规模发展的关键瓶颈。动力电池作为电动汽车的能量源泉，其荷电状态(State of Charge，SOC)与健康状态(State of Health，SOH)的准确估计是保障动力电池安全高效运行的前提，而温度、老化、工况等因素造成状态的精确估计难。本文以锂离子动力电池为研究对象，对SOC与SOH的精确估计进行了研究。 首先概述了动力电池的性能及优缺点，以实验室电池测试平台为依托，设计了动力电池的测试方案，并根据实验数据对动力电池的温度特性、不同放电倍率特性、迟滞特性以及老化特性进行了分析。 对现有的电池模型对比分析后，建立了二阶RC等效电路模型。针对动力电池固有的迟滞特性，对充电和放电方向的模型参数分别辨识。根据磷酸铁锂电池和三元电池的不同特性，选择了不同的开路电压函数。通过实验验证模型的精度，并分析了误差的成因以及老化对电池模型的影响。 针对现有SOC估计方法的不足，本文采用自适应强跟踪无迹卡尔曼滤波算法估计SOC。该方法能有效的克服扩展卡尔曼滤波(Extend Kalman Filter，EKF)以及无迹卡尔曼滤波算法(Unscented Kalman Filter，UKF)对模型精度要求高，对噪声协方差初值敏感的缺点，并且无需计算复杂的雅克比矩阵。最后通过磷酸铁锂电池和三元电池的不同工况实验对比三种算法对SOC估计的精度，结果表明该算法明显提高了SOC的估计精度，且对状态突变跟踪能力强，鲁棒性好。 在分析了电池SOH定义及影响因素后，以电池的容量作为SOH的标识，对比多种电池容量衰退的模型后，选用幂函数模型来表示电池容量的衰退，并分别采用EKF以及UKF算法来估计电池的容量，研究结果表明UKF算法更能精确的估计电池容量。 |
| 作者： | 刘苗 |
| 专业： | 控制工程 |
| 导师： | 崔纳新;张洪亮 |
| 授予学位： | 硕士 |
| 授予学位单位： | 山东大学 |
| 学位年度： | 2017 |
| 正文语种： | 中文 |
检索历史
应用推荐
