论文部分内容阅读
近年来,为了减缓石油资源消耗,减少汽车尾气污染,国家大力支持电动汽车产业的发展。在国家政策引导下,电动汽车的数量日益增加,电池技术及电池控制技术在电动汽车中占据十分重要的位置。随着电动汽车使用量的增加,电池管理系统的不足逐渐显现,其中续驶里程短、使用寿命短是电动汽车上比较突出的问题。为了解决目前电动汽车上存在的问题,本文基于电池荷电状态(State of Charge,SOC)对电池健康状态(State of Health,SOH)进行了预测,研究内容对于提高电动汽车的续驶里程,及延长电池使用寿命均有重要意义。本文的主要研究内容如下:(1)通过比较SOH定义参数获取的可行性,本文选择容量作为电池SOH的评估参数。(2)对电池进行基本性能测试。分析了锂离子电池的工作原理,阐释了电池性能参数。通过电池测试平台的搭建,完成了锂离子电池基本性能试验,归纳了电池SOH的影响因素。(3)电池模型的参数辨识及验证。通过分析电池模型精度以及模型计算复杂度,本文选择了Thevenin等效电路模型作为研究模型。在模型参数辨识过程中,引入了温度变量,设置三种温度范围进行参数辨识。采用了快速试验法对开路电压与SOC之间的关系曲线进行辨识;采用指数拟合法,对Thevenin模型中的RC参数进行辨识。通过逆推法,验证了Thevenin模型参数辨识结果的可靠性。(4)建立Kalman滤波的状态方程和观测方程。阐述了Kalman滤波算法原理,建立了SOH估计的状态方程及观测方程,明确了Kalman滤波算法流程。采用双扩展卡尔曼滤波算法预测电池容量的变化,通过SOH定义公式,能够根据电池容量的变化求出电池SOH的变化。通过电池循环试验验证双扩展卡尔曼滤波算法的预测精度。(5)由于双扩展卡尔曼滤波算法的预测精度较低,因此提出无迹卡尔曼滤波算法对电池SOH进行预测。无迹卡尔曼滤波算法能够解决双扩展卡尔曼滤波算法中存在的线性化误差问题,提高算法预测精度。结果表明,本文在无迹卡尔曼滤波算法的基础上进行了优化,系统噪声和观测噪声能够随着状态变量的更新而进行自动修正,可以更好地模拟电池SOH在预测模型中受到的噪声影响,降低了SOH估算结果误差,提高了SOH的预测精度。