论文部分内容阅读
蓄电池荷电状态是描述电池运行状态的重要参数,也是电池管理系统的核心功能,对电池荷电状态(State of Charge,SOC)进行准确的估计,可有效防止电池的过充或过放,延长其使用寿命。对锂离子电池进行准确的电池建模是实现锂离子电池荷电状态估计的一个重要前提,本文以经验模型和等效电路模型为基础,研究了基于多模型的SOC在线估计方法,主要内容有:(1)对锂离子电池的基本结构、工作原理和基本特性进行相关介绍。完成了基于LabVIEW的蓄电池性能测试及SOC估计算法的实验验证。研究了电池复合经验模型和Thevenin等效电路模型,完成了参数的离线辨识。(2)针对滤波器发散问题,以无迹卡尔曼滤波(Unscented Kalman Filter,UKF)为基础,研究了平方根无迹卡尔曼滤波法(Square Root Unscented Kalman Filter,SRUKF),为了解决算法精度依赖电池模型准确度并且容易受到不确定噪声干扰的问题,本文研究了利用变遗忘因子递推最小二乘法(Variable Forgetting Factor Recursive Least Squares,VFF-RLS)和扩维卡尔曼滤波法改进的SRUKF算法。首先,通过经验模型和Thevenin模型得到状态空间方程。紧接着,利用VFF-RLS算法实现模型参数自适应。随后,利用扩维卡尔曼滤波法实现噪声协方差在线估计。最后,设计了基于简单工况和复杂工况的物理实验,实验结果表明改进算法在估计精度上较传统算法有了很大提高,鲁棒性能出色。(3)基于本文提出的多模型和改进的SRUKF算法,研究了基于多模型的锂电池SOC在线估计算法。首先,根据对单一模型的对比分析,发现不同阶段每个电池模型的精度不同。因此,本文采用模型切换的方法,利用每个模型的优势阶段进一步提高模型精度。接着,根据多模型结构的研究,结合模型参数和噪声自适应算法,分析基于多模型的自适应算法的相应实现过程。然后,设计了基于简单工况和复杂工况的物理实验,实验结果表明该算法估计精度较传统单一模型而言有了很大提高,鲁棒性能出色。最后,为了降低老化对SOC估计的影响,基于实验平台数据分析了SOC与电池健康状态(State Of Health,SOH)之间的关系,研究了基于BP(Back Propagation,BP)神经网络的电池容量修正方法,对SOC进行老化补偿,提高了SOC估计的精度。