【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)的高度關注,開發(fā)資源節(jié)約型、環(huán)境友好型的電動汽車成為了全球汽車技術革命的重要目標。動力電池的功率密度和循環(huán)壽命等關鍵問題,是制約電動汽車產(chǎn)業(yè)化的瓶頸。除了電池材料本身之外,準確的電池模型和荷電狀態(tài)(State of Charge,SOC)估計是改善以上問題的基礎。傳統(tǒng)的擴展卡爾曼濾波(Extended Kalman Filter,EKF)省略泰勒展開式的高階項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。對比分析常用的電池等效電路模型的優(yōu)缺點,結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行建模。為了能夠對模型參數(shù)自適應調整,結合人工神經(jīng)網(wǎng)絡(Artificial Neural Networks,ANN)建立自適應ANN控制器模型,以最佳地適應真實的電池端電壓。實驗結果表明自適應ANN控制電池模型對模型的預測能力較強,模型誤差在10mV以內。然后,基于所建立的電池模型,本文采用UKF結合ALS算法對電池SOC進行估算。UKF利用其無跡變換來避免EKF省略泰勒展開式的高階項而引入誤差,ALS通過計算測量更新中的相關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。實驗從恒流放電測試和DST工況測試兩個方面,對比了EKF、EKF+ALS、UKF和UKF+ALS四種估算方法的SOC估算結果,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計過程,以及主要的軟件設計流程,針對搭建好的SOC估算平臺進行了信息測量測試和SOC估算測試,結果表明所提出的SOC估算方法有效提高了估算精度,具有一定的實際應用價值。
【學位授予單位】：湖北工業(yè)大學
【學位級別】：碩士
【學位授予年份】：2019
【分類號】：U469.72;TM912
【圖文】：

研究對象為 26650 型磷酸鐵鋰電池，標稱電壓為 3.3V，標驗設備由電池測試系統(tǒng) Arbin BT2000、可程式恒溫箱和 PCT2000 應用領域多樣，還可進行恒流充電、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，采用上述的實驗過程同系曲線，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】

相關期刊論文 前4條

1 洪樹;湯依偉;賈明;艾立華;殷寶華;李R

本文編號：2716712