原文传递
基于交互式多模型的锂离子电池全生命周期SOC估计方法
| 论文题名： | 基于交互式多模型的锂离子电池全生命周期SOC估计方法 |
| 关键词： | 锂离子电池;电动汽车;荷电状态;卡尔曼滤波;交互式多模型 |
| 摘要： | 为了减轻传统化石能源带来的环境污染，以锂离子电池为动力的电动汽车逐渐代替了以化石能源为动力的内燃机汽车。锂离子电池正常工作的基础是准确的状态估计，但是随着电池循环次数的增加，老化程度加大，内部参数会发生非线性变化，导致电池在全生命周期过程中荷电状态（SOC）准确估计存在较高的难度。因此，准确监测锂离子电池全生命周期过程中的SOC对电动汽车的安全运行十分重要。 本文以锂离子电池全生命周期的SOC估计为切入点，对商用磷酸铁锂电池进行了容量测试、脉冲放电测试和开路电压（OCV）测试分析，绘制了OCV-SOC曲线，同时对锂离子电池进行充放电试验和老化试验，探究其在不同循环测试条件下，锂离子电池SOC和健康状态（SOH）的变化情况。在分析锂离子电池多种等效电路模型特点基础上，选择二阶RC等效电路模型作为研究模型，该模型可以很好的体现电池的工作特性，拥有较高的准确性而且计算量不大。分别研究基于混合动力脉冲能力特性（HPPC）的离线辨识法和基于遗忘因子的递推最小二乘法（FFRLS）在线辨识法。由于FFRLS能解决模型参数随着电池工作条件的变化而变化的问题，可以提高SOC的估计精度。通过动态应力测试（DST）工况验证了FFRLS在线参数辨识的有效性。 为了提高SOC估计的鲁棒性和准确性，提出一种改进的SOC估计算法-强跟踪卡尔曼滤波（STKF）算法，和扩展卡尔曼滤波相比，STKF在处理不确定模型时鲁棒性强，对缓慢变化和突然变化的状态量有很好的跟踪效果，比较适合作为电池SOC估计的滤波算法。为了解决锂离子电池在全生命周期条件下SOC估计精度下降的问题，结合交互式多模型（IMM），构造一种SOC和SOH联合估计算法。在IMM中，马尔科夫转移概率矩阵控制各老化模型间的转换和信息交互，依据残差计算当前电池与各模型匹配的模型概率，然后对每个模型输出的状态估计值和对应的模型概率进行融合输出，实现锂离子电池SOC和SOH的实时估计。利用测试得到多组随机老化的电池数据对IMM-STKF算法进行实验验证，静态循环工况实验下，SOC估计最大误差不超过2.07％，最大可用容量误差不超过3.4%；DST工况实验下，SOC估计最大误差不超过1.98%，最大可用容量误差不超过2.2%。实验结果证明，IMM-STKF算法可以很好地实现对锂离子电池SOC的准确跟踪及SOH的实时估计，实现在锂离子电池全生命周期的SOC估计。 |
| 作者： | 朱秋瑾 |
| 专业： | 电气工程 |
| 导师： | 周永勤 |
| 授予学位： | 硕士 |
| 授予学位单位： | 哈尔滨理工大学 |
| 学位年度： | 2023 |
检索历史
应用推荐
