原文传递
基于卡尔曼滤波的动力电池荷电状态估计研究
| 论文题名： | 基于卡尔曼滤波的动力电池荷电状态估计研究 |
| 关键词： | 动力电池;荷电状态估计;新能源汽车;最小二乘法;卡尔曼滤波;神经网络 |
| 摘要： | 环境污染和能源缺乏的问题日益严重，为了建设生态文明和实现可持续发展，大力发展新能源汽车是目前必需的途径。新能源汽车在使用中仍然存在一系列的问题，锂离子电池荷电状态估计（StateofCharge，SOC）是我国在纯电动汽车应用中面临的技术难点。本文以磷酸铁锂电池为研究对象，对电池的建模方法及SOC的估计方法展开研究，重点涉及： （1）对动力电池SOC估计进行前期准备工作。了解电池的工作原理、种类、主要参数以及等效电路模型。使用动力电池测试仪和磷酸铁锂电池进行相应的电池特性试验。通过对锂离子电池特性的分析，确定锂离子电池的最大可用容量，选用5阶多项式方程来说明电池开路电压和电池SOC之间的关系。 （2）为提高电池模型的精度，对电池模型的算法改进。首先，利用离线参数辨识和在线参数辨识搭建一阶RC等效电路模型。其次，对在线参数辨识进行改进，采用比例控制的方法修正电压偏差。最后，在MATLAB/Simulink中，建立离线参数辨识、在线参数辨识和改进在线参数辨识的模型，用混合动力脉冲特性测试和城市道路循环工况对这三种辨识方法的电池模型精度进行了比较，试验结果证明，改进在线参数辨识所构成的模型精度更高。 （3）为提高电池SOC估计的精度，对扩展卡尔曼滤波算法（ExtendedKalmanFilter，EKF）进行改进。在EKF的基础上结合BP（BackPropagation）神经网络算法，即在EKF算法上对电池模型的SOC进行在线的修正。将在线参数辨识和BP-EKF算法相结合，实现了SOC的实时在线估计。使用混合动力脉冲特性测试和城市道路循环工况进行仿真，仿真的结果表明改进的BP-EKF算法拥有更高的准确性。 本文采用改进的在线参数辨识提高了电池模型的准确性，基于BP-EKF算法联合改进的在线参数辨识模型提高了SOC估计的精确度，对电池管理系统的运行有着重要意义。 |
| 作者： | 刘晓静 |
| 专业： | 控制工程 |
| 导师： | 南忠良;陶知非 |
| 授予学位： | 硕士 |
| 授予学位单位： | 天津科技大学 |
| 学位年度： | 2022 |
检索历史
应用推荐
