论文部分内容阅读
在电动汽车中,电池管理系统可以管控整个电动汽车的电能使用状态,而电池的荷电状态(SOC)估算和电池的健康状态(SOH)估算是电池管理系统的核心功能。精确的SOC估算可以了解电动汽车中电池的剩余容量以更好的安排电动汽车的运行情况;精确的SOH估算可以保证电动汽车处于健康的使用状态。本文以电动汽车中常用的18650型锂离子动力电池作为研究对象,首先在美国动态应力测试工况(DST)、中国电动汽车测试标准工况(QCT)、DST和QCT混合工况及2A恒流工况下进行电池充放电循环实验,并在不同的温度(0℃,25℃,45℃)下采用上述工况进行充放电实验,其次探究锂离子动力电池模型的参数辨识方法,最后进行SOC估算和SOH估算方法的研究和结果分析,具体内容如下:(1)建立了线性神经网络对锂离子动力电池的二阶等效电路模型进行参数辨识。辨识结果表明,在锂离子动力电池放电过程中,电化学极化电阻对放电过程的阻碍最大,并且随着电流的突变,电化学极化电阻和浓差极化电阻也会突变。同时在不同寿命情况下,欧姆电阻会随着电池寿命的衰减而明显升高,而电化学极化电阻和浓差极化电阻则不会严格随着电池寿命的衰减而升高,因此欧姆电阻可以体现电池寿命衰减的变化。(2)根据锂离子动力电池充放电数据的时间序列关系,选取长短期记忆(LSTM)可循环神经网络作为SOC的估算模型。通过分析温度、工况和寿命对SOC估算的影响,选取了电压、电流、容量、前一时刻的SOC和欧姆内阻作为模型的输入参数,为了增强估算的稳定性,采用连续3个采样点的参数作为模型的一次输入。估算结果显示,在不同温度、不同寿命和不同工况下,平均估算误差在1.6%以内,最大估算误差在2.5%以内。同时通过与误差逆传播(BP)神经网络的对比,说明了采用少量的数据集即可训练出高精度的LSTM可循环神经网络,证明了LSTM可循环神经网络在锂离子动力电池SOC估算方面具有较高的精度和鲁棒性。(3)通过分析锂离子动力电池SOH估算的影响因素可知,锂离子动力电池的SOH估算需要较多的数据来综合分析出当前循环下的寿命特性。提出了采用门控循环单元(GRU)可循环神经网络来估算锂离子动力电池的SOH,与LSTM单元相比,GRU单元的结构简单,更加适合于针对长时序关系数据进行估算。选取了电流、容量、当前时刻的SOC和欧姆内阻作为模型的输入参数,并经过参数调优得出了应该采用200次采样的参数作为一次输入。估算结果显示,在四种工况下,估算的平均误差都在2.2%以内,并且随着寿命的衰减平均误差也会相应减小。