详情

原文传递动力电池荷电状态估算方法研究

论文题名：	动力电池荷电状态估算方法研究
关键词：	电动汽车;动力电池;荷电状态估算;BP神经网络;安时积分法
摘要：	随着全球环境污染问题与能源危机日益严峻，新能源的开发与利用成为未来发展的新趋势。电动汽车是新能源在汽车行业的应用，以其高性能、低污染的优势列入我国七大战略性新型产业之中。　　电池作为电动汽车的核心部件，需要电池管理系统（BatteryManagementSystem，BMS）对其进行有效的管理，以提高整车系统的高效性与稳定性。BMS的主要功能包括电池状态分析、数据采集、能量控制管理、安全保护、均衡控制、电池信息管理等。其中，电池状态分析所包含的荷电状态（StateofCharge，SOC）预测是BMS研究的重点和难点，该功能对于整车电池状态的控制和车辆行驶里程的预测具有重要意义。本文从实用性角度出发，对SOC预测的精度和效率进行均衡优化。主要研究内容如下：　　（1）首先，交代了新能源汽车的发展背景，回顾了新能源汽车的研究现状，总结了目前常见的电池模型。通过对目前主流的SOC预测算法进行分析，归纳出各自的适用条件与优缺点；其次，介绍了几类重要的动力电池，包括其组成结构与工作原理，并选择电池领域广泛认可的Maryland大学CALCEBatteryGroup提供的数据作为实验样本；最后，从动力电池的工作原理入手，解释了电池的性能参数，阐述了电池SOC的定义，分析了温度、电流、电压等因素对预测动力电池SOC的影响。　　（2）详细介绍BP（Back-Propagationneuralnetwork，BP）神经网络的工作原理及其在SOC中的应用，并引入思维进化算法（MindEvolutionaryAlgorithm，MEA）。针对MEA的初始个体分布随机、重复搜索等问题，提出了混合思维进化算法（HybridMindEvolutionaryAlgorithm，HMEA），将其用于优化BP神经网络的初始权值和阈值。　　（3）优化后的BP神经网络在预测SOC过程中依旧存在计算成本高、误差波动大等其他问题，而传统的安时（Ampere-hour，Ah）积分法预测效率高，但无法消除累积误差。本文选择把BP神经网络与Ah积分法进行结合，提出改进Ah积分法以降低神经网络法的计算成本，同时减小Ah积分法的预测误差。通过使用MATLAB仿真测试表明，改进Ah积分法的预测精度高于标准Ah积分法，克服了神经网络法预测误差波动大、新型智能算法计算成本高的缺陷，具有较高的实用价值。
作者：	戚海涛
专业：	计算机技术
导师：	倪水平;陈永锋
授予学位：	硕士
授予学位单位：	河南理工大学
学位年度：	2020