原文传递
电动汽车锂电池健康状况评估和优化技术研究
| 论文题名： | 电动汽车锂电池健康状况评估和优化技术研究 |
| 关键词： | 电动汽车;锂离子电池;健康状况评估;BP神经网络;遗传算法 |
| 摘要： | 随着全球能源危机日益加剧，新能源汽车越来越受到重视。其中，电动汽车因其能耗低、排放无污染等优势，成为各国关注的热点，而动力电池作为电车的核心部件，由于储存能量利用率低、寿命短等劣势一直制约着电动汽车的发展。所以，有效辨识等效电路模型的参数，准确检测电池剩余电量和健康状况，对电动汽车的发展起到促进作用。 本文研究的对象是电车广泛应用的磷酸铁锂电池。通过国内外研究发现，电池的相关参数对电池的荷电状态(State of Charge,SOC)有一定的影响，因此有必要对电池的基本特性进行相关实验分析。从模型的复杂性和实用角度考虑，选择戴维南模型和二阶阻容模型作为电池的等效电路模型，通过混合脉冲动力特性实验(Hybrid Pulse Power Characteristic,HPPC)离线辨识戴维南模型的参数，再选择带遗忘因子的递推最小二乘法(Recursive Least Squares With Forgetting Factor,FFRLS)在线辨识二阶阻容模型中的参数。结果表明在线辨识在相对复杂的模型下仍能表现稳定，具有较好的鲁棒性和估算精度。参数辨识后，选择20节退役电池通过自组织特征映射网络(Self-Organizing Map,SOM)进行归类。 采用遗传算法(Genetic Algorithm,GA)优化BP神经网络对电池的开路电压(Open Circuit Voltage,OCV)进行估算，构建了三层网络系统并引入遗传算法，利用该算法获取BP网络的最优权重。通过恒流放电实验得到神经网络的样本，训练后使GA-BP神经网络根据输入的工作电压和电流准确预测出锂电池的开路电压，由OCV-SOC曲线来输出电池的剩余电量,最后导入100组测试样本进行仿真，验证预测结果的准确性。同时建立了电池健康状态(State of Health,SOH)预测模型，分析了长短期记忆(Long Short-Term Memory,LSTM)网络的拓扑及原理，并在此基础上引入了粒子群(Particle Swarm Optimization,PSO)算法。网络样本使用的是NASAPCoE研究中心公开的锂电池数据，将数据解析成时间序列作为LSTM网络的输入，获得电池健康状态的预测结果。 最后，本文研究了分布式电池管理系统(Battery Management System,BMS),采用意法公司的STM32F072RBT6单片机作为主芯片，通过模拟前端芯片SH367306采集电池的电压、温度等参数。利用GA-BP神经网络建立工作电流(恒定)、电压与电池开路电压的输入-输出关系模型，依据建立的模型通过硬件实现锂电池SOC的估计。因此，从电动汽车安全行驶角度考虑，电池管理系统为驾驶员提供了安全保障，促进了电车产业的发展。 |
| 作者： | 滕鉴 |
| 专业： | 控制工程 |
| 导师： | 方宇;周柳明 |
| 授予学位： | 硕士 |
| 授予学位单位： | 扬州大学 |
| 学位年度： | 2023 |
检索历史
应用推荐
