基于强跟踪卡尔曼滤波的车用锂电池SOC估计算法的研究

摘要

随着能源短缺及环境污染问题的日益凸显，新能源电动汽车逐渐受到了人们的关注，而电池管理系统作为电动汽车的重要组成部分也成为各大汽车厂商及学者的研究热点。电池荷电状态SOC是电动汽车电池管理系统实现高效管理的关键性能指标，它相当于传统汽车的油量表，直接反应电池的剩余电量，其估计精确与否不仅直接关系到电池管理系统的整体性能，而且也是电动汽车能否商业化的一个重要因素。由于电池在不同工作状态下的动态特性呈现高度非线性特性，反应过程相当复杂，所以精确估计其值存在困难。国内外对SOC估计精度问题处在研究阶段，仍然存在一定不足，找到一种合适的方法来提高SOC估计精度对电动汽车的发展具有至关重要的意义。
　　本文以锂电池作为研究对象，利用Matlab软件，在试验数据基础上，完成电池建模、参数辨识及SOC估计仿真等工作。所作具体工作如下:
　　首先，分析了放电倍率、温度及循环次数对电池容量的影响，确定放电倍率对锂电池可用容量的补偿关系。然后通过脉冲放电试验及间歇充放电试验分析锂电池回弹电压特性及开路电压特性，并根据响应电压曲线指导后文对锂电池的建模。
　　其次，通过比较电池电化学模型、神经网络模型及等效电路模型，选择二阶RC模型作为电池等效电路模型，并结合安时积分方程建立电池的状态空间模型。考虑到模型参数时变的特点，通过HPPC试验数据，采用指数拟合的方法分别对不同SOC时刻的阻抗参数进行辨识。在Matlab/Simulink中搭建电池模型，验证电池模型及辨识参数的准确性。
　　最后，基于电池系统的非线性特点，首先采用可用于非线性系统状态观测的扩展卡尔曼滤波算法实现锂电池SOC估计，并与传统的安时积分算法估计SOC的效果进行对比，仿真结果表明，扩展卡尔曼滤波算法相比安时积分法具有更好的消除累积误差及修正初始误差的能力。然后基于扩展卡尔曼滤波算法依赖电池模型精度和跟踪突变能力差的缺点，论文提出一种强跟踪卡尔曼滤波算法，在扩展卡尔曼滤波算法基础上，通过引入次优渐消因子，强行使输出残差序列保持正交，提高状态突变及模型不确定情况下算法的跟踪能力。通过自定义的脉冲充放电试验进行仿真，验证了该算法相比扩展卡尔曼滤波算法具有更快的收敛速度及更高的估计精度。

目录

摘要

1 绪论

1．1 研究背景与意义

1．2 电池SOC估计研究现状

1．2．1 电池SOC估计方法

1．2．2 电池SOC估计的国内外研究现状

1．3 论文研究的主要内容

2 SOC概述与锂电池特性分析

2．1 常用动力蓄电池介绍

2．2 锂电池结构及工作原理

2．3 SOC定义

2．4 电池容量的影响因素

2．4．1 放电倍率影响

2．4．2 电池温度影响

2．4．3 电池循环次数影响

2．5 锂电池测试与特性分析

2．5．1 电池充放电过程

2．5．2 电池回弹电压特性

2．5．3 电池开路电压特性

2．6 本章小结

3 电池建模与参数辨识

3．1 典型的电池等效模型

3．2 锂电池模型的建立

3．3 锂电池模型参数辨识

3．3．1 混合脉冲功率性能试验

3．3．2 电池阻抗参数辨识

3．4 电池模型仿真与验证

3．4．1 电池模型仿真

3．4．2 电池模型验证

3．5 本章小结

4 基于扩展卡尔曼滤波算法的锂电池SOC估计

4．1 卡尔曼滤波理论

4．1．1 标准卡尔曼滤波算法

4．1．2 扩展卡尔曼滤波算法

4．2 基于扩展卡尔曼滤波算法实现锂电池SOC估计

4．3 仿真分析

4．3．1 安时积分法仿真验证

4．3．2 扩展卡尔曼滤波算法仿真验证

4．4 本章小结

5 基于强跟踪卡尔曼滤波算法的锂电池SOC估计

5．1 强跟踪滤波理论

5．1．1 正交性原理

5．1．2 次优渐消因子的确定

5．2 基于强跟踪卡尔曼滤波算法实现锂电池SOC估计

5．3 仿真分析

5．4 本章小节

结论

参考文献

攻读学位期间发表的学术论文

致谢

声明