【摘要】：隨著汽車工業(yè)的快速發(fā)展、國家政策的大力支持以及眾多企業(yè)的高度關(guān)注,開發(fā)資源節(jié)約型、環(huán)境友好型的電動(dòng)汽車成為了全球汽車技術(shù)革命的重要目標(biāo)。動(dòng)力電池的功率密度和循環(huán)壽命等關(guān)鍵問題,是制約電動(dòng)汽車產(chǎn)業(yè)化的瓶頸。除了電池材料本身之外,準(zhǔn)確的電池模型和荷電狀態(tài)(State of Charge,SOC)估計(jì)是改善以上問題的基礎(chǔ)。傳統(tǒng)的擴(kuò)展卡爾曼濾波(Extended Kalman Filter,EKF)省略泰勒展開式的高階項(xiàng)并將測量噪聲假定為均值為零的高斯白噪聲,引入了誤差。本文以磷酸鐵鋰電池為研究對象,通過采用無跡卡爾曼濾波(Unscented Kalman Filter,UKF)結(jié)合自協(xié)方差最小二乘法(Autocovariance Least Squares,ALS)來減小EKF估算SOC的誤差。本文首先對磷酸鐵鋰(Lithium iron phosphate,LiFePO_4)電池的工作原理及其基本特性進(jìn)行了研究,從SOC的定義中分析了影響SOC估算精度的因素,為下文對磷酸鐵鋰電池的精確建模以及SOC估算奠定基礎(chǔ)。對比分析常用的電池等效電路模型的優(yōu)缺點(diǎn),結(jié)合磷酸鐵鋰電池的基本特性,選擇較合適的一階等效電路模型進(jìn)行建模。為了能夠?qū)δＰ蛥?shù)自適應(yīng)調(diào)整,結(jié)合人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Networks,ANN)建立自適應(yīng)ANN控制器模型,以最佳地適應(yīng)真實(shí)的電池端電壓。實(shí)驗(yàn)結(jié)果表明自適應(yīng)ANN控制電池模型對模型的預(yù)測能力較強(qiáng),模型誤差在10mV以內(nèi)。然后,基于所建立的電池模型,本文采用UKF結(jié)合ALS算法對電池SOC進(jìn)行估算。UKF利用其無跡變換來避免EKF省略泰勒展開式的高階項(xiàng)而引入誤差,ALS通過計(jì)算測量更新中的相關(guān)性來估算測量噪聲協(xié)方差,因此ALS-UKF算法改良了傳統(tǒng)的EKF估算SOC存在的問題。實(shí)驗(yàn)從恒流放電測試和DST工況測試兩個(gè)方面,對比了EKF、EKF+ALS、UKF和UKF+ALS四種估算方法的SOC估算結(jié)果,UKF+ALS算法估算SOC的平均絕對誤差較EKF降低0.02左右。最后,搭建了鋰離子電池組的SOC估算平臺,并給出了主要的硬件選型和設(shè)計(jì)過程,以及主要的軟件設(shè)計(jì)流程,針對搭建好的SOC估算平臺進(jìn)行了信息測量測試和SOC估算測試,結(jié)果表明所提出的SOC估算方法有效提高了估算精度,具有一定的實(shí)際應(yīng)用價(jià)值。
【學(xué)位授予單位】：湖北工業(yè)大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2019
【分類號】：U469.72;TM912
【圖文】：

研究對象為 26650 型磷酸鐵鋰電池，標(biāo)稱電壓為 3.3V，標(biāo)驗(yàn)設(shè)備由電池測試系統(tǒng) Arbin BT2000、可程式恒溫箱和 PCT2000 應(yīng)用領(lǐng)域多樣，還可進(jìn)行恒流充電、恒壓充電、恒功任意可編程控制、充放電循環(huán)等測試內(nèi)容，如圖 2.2 所示。Arbin 測試儀PC 端恒溫箱

圖 2.3 不同放電倍率下的電壓變化曲線性力電池的重要考察指標(biāo)，采用上述的實(shí)驗(yàn)過程同系曲線，如圖 2.4 所示。從整體看來，放電倍率越，電池所能放的容量就越小。因此，電池在實(shí)際作在平臺區(qū)，但由于平臺區(qū)電壓變化很小，對電

【參考文獻(xiàn)】

相關(guān)期刊論文 前4條

1 洪樹;湯依偉;賈明;艾立華;殷寶華;李R

本文編號：2716712