原文传递
噪声干扰下电动汽车动力电池荷电状态自适应估计研究
| 论文题名： | 噪声干扰下电动汽车动力电池荷电状态自适应估计研究 |
| 关键词： | 动力电池;噪声干扰;小波降噪;参数辨识;SOC估计 |
| 摘要： | 电动汽车产业是我国重点发展的战略性新兴产业之一，是我国应对能源和环境挑战、实现汽车技术弯道超车的重要举措，传统燃油汽车被电动汽车取代的趋势已经不可逆转。而车用动力电池及其相关技术正成为时下的研究热点，荷电状态(StateofCharge,SOC)估计则是该领域最重要的研究方向之一。三元锂离子电池能量密度高、一致性好。本文的研究基于三元锂离子动力电池展开，以提高在噪声干扰的情况下SOC值估计的准确性为研究目标。 首先通过电池的测试实验进行标准可用容量以及开路电压和SOC函数关系的标定。为准确模拟电池的外部特性，搭建双极化等效电路模型的结构。为提高电池模型中输入信号和观测信号的质量，采用小波阈值降噪算法对电流和电压信号分别进行降噪处理，并用信噪比来衡量信号的降噪效果。 电池模型的结构确定后，还需要获取模型中的阻容参数，即参数辨识。首先通过最小二乘拟合法在特定工况下离线辨识出模型参数，在此基础上，提出一种改进的遗传算法用于离线辨识，使算子随着个体的优劣自适应变化，并且改进了子代的重组方式。为进一步提高模型的适应性，遗忘因子递推最小二乘算法和卡尔曼滤波算法被分别用于参数的在线辨识中，根据不断更新的电流和电压数据实时更新模型参数。最后，在递推最小二乘算法的基础上引入偏差补偿的思想，用于提高在线辨识算法在噪声干扰环境中的参数辨识精度。 在SOC估计方面，基于双极化(DualPolarization,DP)模型，首先结合离线辨识得到的参数，分别搭建扩展卡尔曼滤波算法和平方根容积卡尔曼滤波算法的SOC估计模型，并在此基础上分别引入基于协方差匹配的遗忘因子自适应算法和移动窗口自适应算法，在线预测噪声的统计特性。为提高SOC值的估计精度，搭建基于带噪声方差补偿的遗忘因子递推最小二乘算法和自适应平方根容积卡尔曼滤波算法的双层估计结构，协同估计出SOC值和模型参数。 针对电流信号受到有色噪声干扰时，SOC估计误差急剧增大的问题，提出一种基于状态扩维的在线DP模型和自适应平方根容积卡尔曼滤波(AdaptiveSquareRootCubatureKalmanFilter,ASRCKF)相结合的三层估计算法，同时实现电流信号的校正、电池模型参数的在线更新以及SOC估计。实验和仿真结果表明，提出的三层估计算法能够在电流信号出现采样偏差的情况下实现SOC值的高精度估计。 |
| 作者： | 李猛猛 |
| 专业： | 机械工程 |
| 导师： | 刘涛 |
| 授予学位： | 硕士 |
| 授予学位单位： | 哈尔滨工业大学 |
| 学位年度： | 2021 |
检索历史
应用推荐
