论文部分内容阅读
日益严重的环境污染问题与化石能源紧缺问题推动了新能源汽车的发展。动力电池作为新能源汽车的辅助或主要动力源,其可靠有效的管理系统(Battery Management System,BMS)可以在相同的条件下最大程度的使用锂离子电池,是目前电动汽车相关研究领域中的重点方向。其中电池的建模以及荷电状态(State of Charge,SOC)估计是BMS的几个主要难点之一。准确的SOC估计可以保护电池,增大续航里程提高整车性能,降低对动力电池的要求,同时可以保障车辆安全稳定地运行。本文基于分数阶微积分理论通过分析锂离子电池阻抗谱图对锂离子电池进行建模,然后基于分数阶模型对电池SOC估计进行了研究。主要研究内容有:(1)介绍锂离子电池的结构原理、工作原理,分析锂离子电池的主要特性,然后搭建电池测试系统,给出锂离子电池基本参数;最后设计电池基本性能实验、工况实验和循环寿命试验及其具体的实验步骤,得到初始容量和开路电压(Open Circuit Voltage,OCV)等电池性能参数。(2)通过分析锂离子电池电化学阻抗频谱图,基于分数阶微积分理论,采用具有分数阶特性的阻抗元件对二阶RC整数阶等效电路模型进行了改进,建立电池分数阶等效电路模型,以准确描述锂离子电池电荷转移反应、双电层效应、传质、扩散等电化学过程。然后,基于混合群体的协同粒子群优化算法(Mixed-swarm-based Cooperative Particle Swarm Optimization,MCPSO),采用美国联邦城市驾驶工况(Federal Urban Driving Schedule,FUDS)的锂离子电池实验数据在时域对分数阶等效电路模型进行参数识别。最后,进行分数阶等效电路模型的仿真计算,结果表明该模型的精度较高,且具有良好的鲁棒性。(3)进行实车上经常使用的基于安时积分法与开路电压的SOC估计方法的精度分析,结果表明该方法随着时间的累积SOC估计误差也会累积增大以至于不能满足整车对于SOC估计的的要求。然后进行基于分数阶模型和卡尔曼滤波算法的双扩展卡尔曼滤波SOC估计方法和双卡尔曼滤波SOC估计方法的仿真计算,针对模型精度和SOC估计精度进行仿真对比分析,结果表明两种算法各有利弊。结合两种算法的优点提出一种基于自适应双卡尔曼滤波算法的SOC估计方法,并进行仿真验证,结果表明数学模型精度有了进一步的提高,该方法在存在系统偏差的情况下具有自动校正回归到真值的能力,且稳定后具有较高的SOC估计精度,基于不同的工况该方法仍可以准确估计SOC值,具有很强的适用性。(4)随着充放电次数的增多,锂离子电池会发生老化,容量会不断地衰减,不考虑电池老化的SOC估计误差就会逐步增大,严重影响了电池SOC估计的精度。针对上述问题,首先建立指数回归的物理失效模型,通过MATLAB拟合得到模型的初始参数,继而利用粒子滤波算法(Particle Filtering,PF)实时更新模型参数并对电池的容量进行预测。提出了考虑电池容量衰减的SOC估计方法,仿真验证表明在电池老化情况下SOC估计仍可以保持较高的精度,验证了所提出的考虑容量衰减的SOC估计方法可有效抑制电池老化对SOC估计精度的影响。