详情

原文传递电动汽车电池状态估计算法及其应用研究

论文题名：	电动汽车电池状态估计算法及其应用研究
关键词：	锂离子电池;电动汽车;荷电状态;健康状态;H无穷滤波;最小二乘法
摘要：	以荷电状态（StateofCharge，SOC）和健康状态（StateofHealth，SOH）为代表的锂离子电池状态估计是电动汽车电池管理系统（BatteryManagementSystem，BMS）的核心功能，准确的电池状态估计对于高效利用电池、预估车辆续驶里程、制定能量管理策略、提升行驶安全性等具有重要意义。除电池本身复杂的时变非线性特征外，估计算法在实际应用中还受采样噪声干扰、模型参数不准确、状态耦合等因素影响，使得电池状态估算效果不佳。本文针对上述问题进行车用锂离子动力电池的SOC与SOH联合估计算法研究，完成的工作如下：　　（1）在动力电池建模与离线参数辨识方面，为平衡模型精度与计算效率，对比了结构较简单的Thevenin模型与双极化（DualPolarization，DP）模型，基于电池特性试验数据使用特征拟合法完成两种模型的离线参数辨识，并使用离线辨识参数进行模型精度的验证，研究表明DP模型具有更好的精度。研究了影响模型参数的外部因素以及各阻抗参数对模型精度的影响程度，结果表明环境温度对模型参数具有显著影响，各参数对模型精度的影响程度由高到低排序为：内阻、长时间尺度RC环节、短时间尺度RC环节。　　（2）在模型参数在线辨识与SOC联合估算方面，针对DP模型的多时间尺度效应提出了基于扩展卡尔曼滤波-H无穷滤波（ExtendedKalmanFilter-HInfinityFilter，EKF-HIF）的参数与SOC多时间尺度联合估计算法。在参数辨识方面使用EKF算法对不同频率特性的模型参数使用不同时间步长进行辨识，避免同时辨识造成模型参数不准确，在SOC估算方面使用HIF算法代替传统的EKF算法以提升SOC估算的鲁棒性。基于美国城市道路循环工况（UrbanDynamometerDrivingSchedule，UDDS）实验数据，以模型端电压预测精度、SOC估算精度及存在初始误差下算法的收敛速度为指标对提出的联合估计算法进行评价，结果表明该联合估计算法具有较好的估计精度及鲁棒性。　　（3）在SOC与SOH联合估算方面，选择容量作为SOH的计算参数，基于递推总体最小二乘法（RecursiveTotalLeastSquare，RTLS）实现SOH的估计。研究了该算法在不同时间尺度下的估算准确度及算法收敛性，确定了合适的时间尺度，并与上述的EKF-HIF算法共同构建了SOC与SOH的多时间尺度联合估计算法，基于老化电池UDDS工况实验数据以SOC估算精度、SOH估算精度以及SOH收敛速度为指标评价算法性能，结果表明该联合估计算法可以有效提升老化电池的状态估算精度。　　（4）在联合估计算法的应用方面，采用基于MPC5744P及MC33771B芯片的BMS硬件和基于PXIe-8135处理器板卡的实时仿真机构建了BMS硬件在环仿真测试平台，采用Simulink软件开发本文所提出算法并完成嵌入式代码的自动生成，编译下载至BMS中开展硬件在环仿真测试。测试结果表明，该算法在输入包含采样误差的情况下仍能准确地完成电池状态的估计，SOC估计误差最大不超过2%，SOH估计误差最大不超过3%，具有一定的工程应用价值。
作者：	邵建波
专业：	车辆工程
导师：	杜常清
授予学位：	硕士
授予学位单位：	武汉理工大学
学位年度：	2022