详情

原文传递基于容积H无穷滤波的锂电池模型参数和SOC估计方法研究

论文题名：	基于容积H无穷滤波的锂电池模型参数和SOC估计方法研究
关键词：	电动汽车;锂电池;等效电路模型;荷电状态;神经网络;智能优化算法
摘要：	在环境污染和能源危机的双重压力下，电动汽车迅速发展，数量稳步增加。其中，电池作为其主要动力来源，对整车的安全影响深远。电池管理系统（BatteryManagementSystem,BMS）可以实现电池的监测、管理和维护等功能，保障电池安全。电池的荷电状态（StateofCharge,SOC）估计是BMS的重要组成部分。准确地估计电池SOC可以防止电池过充过放，从而延长电池寿命，也便于用户合理规划路径，预测续航里程。为了得到电池SOC的精确估计结果，本文做了下列工作。　　首先，为了实现电池SOC准确估计，建立了Thevenin等效电路模型作为电池模型，利用电池开路电压（OpenCircuitVoltage,OCV）与SOC关系拟合试验，获取两者之间的拟合函数。考虑到电池的参数会随着电池老化产生不可忽略的变化，从而对SOC估计结果产生影响，因此，及时确认电池在当前老化状态下模型参数是必要的。为了获得电池整个老化过程中的模型参数变化情况，本文设计完成了电池老化试验，提取电池的容量、电阻、极化电阻和极化电容随电池充放电次数的变化情况，并在试验过程中提取易于测量的电压、电流等相关参数，作为老化特征（AgingCharacteristics,AC）用于实现后续电池模型参数估计。此外，从马里兰大学高级寿命周期工程中心（CenterforAdvancedLifeCycleEngineering,CALCE）的电池试验数据中也提取了相关参数，为后续的方法验证提供了补充数据。　　其次，采用布谷鸟优化-BP算法（CuckooSearch-BackPropagation,CS-BP）对电池模型参数进行估计。BP算法对于估计电池模型参数这类非线性问题有较好的适用性，但是在使用过程中，初始权值和阈值的选取不当可能引起梯度爆炸或者梯度消失，导致估计失败。为了解决这一问题，本文采用布谷鸟算法（CuckooSearch,CS）对初始权值和阈值进行优化，并在权值更新的过程中加入与前一次权值更新相关的动量项，提高了神经网络的稳定性的同时，在同样的迭代次数下，也提高了算法的精度。采用提取得到的实验室锰酸锂电池和CALCE钴酸锂电池数据对算法进行验证，仿真结果证明了本文提出的方法的普适性和有效性。利用估计得到的电池模型参数，进一步完善了电池等效电路模型，为后续SOC估计建立了精确的电池模型。　　最后，基于前文建立的电池等效电路模型以及估计得到的模型参数，采用花朵授粉优化-容积H无穷滤波算法（FlowerPollinationAlgorithm-CubatureHInfinityFilter,FPA-CHIF）进行了电池SOC估计。考虑到电池模型是一个内部反应复杂的非线性模型，本文将容积法则和HIF算法相融合，在保留了HIF算法精确度和鲁棒性的基础上，提高了HIF算法对电池模型等非线性系统的适应性，而且最大程度的抑制了非高斯噪声的影响。此外，本文采用FPA对估计得到的电池模型参数进行优化，在估计过程中实时更新模型参数，进一步提高模型和SOC估计的精度。考虑到转换概率作为FPA的重要参数，调节算法的全局寻优和局部寻优比例，本文采用自适应转换概率代替原有的固定转换概率，提高了算法的寻优效果。最后，由于CALCE给出的电池数据有限，本文仅采用实验室电池数据，设计了在电池不同老化程度下短期内的SOC估计仿真，以及电池老化程度交替的长期SOC估计仿真。仿真结果表明，改进后的算法在两种情况下均能实现SOC准确估计，而且和未经优化的HIF算法以及不考虑模型参数变化的CHIF算法估计结果相比，SOC估计精度得到了明显的提高。
作者：	姚美好
专业：	控制科学与工程
导师：	马彦
授予学位：	硕士
授予学位单位：	吉林大学
学位年度：	2023