原文传递
动力锂电池模型参数辨识与荷电状态估计
| 论文题名： | 动力锂电池模型参数辨识与荷电状态估计 |
| 关键词： | 电动汽车;动力锂电池模型;参数辨识;荷电状态估计 |
| 摘要： | 世界各国为了缓解能源危机和环境污染所带来的一系列问题，在新能源汽车的研发上都给予了极大的重视。动力锂电池作为新能源汽车重要组成部分，迅速成为世界各国研究的热点，而如何准确估计电池荷电状态(State of Charge，SOC)是新能源汽车研发的重要问题。本文主要研究了新能源汽车电池模型参数辨识和SOC估计的相关算法，并做了以下研究工作: (1)通过对一种三元锂电池进行实验，获得其电池实际容量，并在不同循环工况进行相关实验。这些实验数据为接下来的电池模型参数辨识与SOC估计奠定数据基础。 (2)通过对常见的电池模型种类进行介绍，在均衡计算量和精度的基础上，选用二阶RC等效电路模型作为本文电池模型，并以此深入研究模型参数辨识的方法。首先，对传统离线参数辨识算法中的最小二乘法(Least Square，LS)和优化算法进行研究，在脉冲放电工况下对其所辨识的模型精度进行分析。然后，针对离线参数辨识存在的问题，对在线参数辨识进行研究，主要是分为两个方面:一是递推最小二乘法(Recursive Least Square，RLS)系列的在线参数辨识，二是卡尔曼滤波算法(Kalman Filter，KF)系列的在线参数辨识。最后，在美国城市道路驾驶工况(Urban Dynamometer Driving Schedule，UDDS)下对这两种参数辨识所得模型的误差进行研究，选择了无迹卡尔曼滤波算法(Unscented Kalman Filter，UKF)作为本文参数辨识算法。 (3)将模型参数辨识与SOC联合估计。首先，分析了未结合在线参数辨识的传统单一扩展卡尔曼滤波算法(Extended Kalman Filter，EKF)，并针对该算法因噪声固定而产生的误差，提出改进自适应滤波器的AEKF算法，实现SOC估计过程的噪声自适应。接着，将单一的SOC估计算法与之前研究的在线参数辨识UKF算法相融合，并引入多时间尺度理论，提出多时间尺度下的UKF-AEKF算法，在UDDS工况下通过实验验证了算法的精度和鲁棒性。最后，通过联邦城市驾驶工况（Federal Urban Driving Schedule，FUDS）实验进一步说明UKF-AEKF算法在不同工况的适应性。 (4)针对本文提出的UKF-AEKF算法可能存在的影响因素，依次分析了不同SOC初值、不同时间尺度、不同温度对算法带来的影响。通过实验结果分析证实了本算法的优越性，同时针对不理想的情况做了分析，进一步提出接下来的验证和改进想法。 |
| 作者： | 郭敏 |
| 专业： | 电气工程 |
| 导师： | 邢丽坤 |
| 授予学位： | 硕士 |
| 授予学位单位： | 安徽理工大学 |
| 学位年度： | 2021 |
检索历史
应用推荐
