本文關(guān)鍵詞：磷酸鐵鋰電池建模及其荷電狀態(tài)估計算法研究

  更多相關(guān)文章： 磷酸鐵鋰電池 卡爾曼濾波器 強跟蹤算法 多采樣率數(shù)字控制系統(tǒng) 荷電狀態(tài)估計

【摘要】：鋰電池自問世以來就以其良好的充放電性能且無記憶效應(yīng)被廣泛應(yīng)用于手機、電動車或者其它電氣設(shè)備。本文以磷酸鐵鋰電池作用研究對象,為深海作業(yè)機器的電池儲能系統(tǒng)提供可靠及精確的荷電狀態(tài)估計值(State of Charge, SOC),并將此估計值作為能量管理系統(tǒng)的重要動作指標(biāo)。磷酸鐵鋰電池具有自放電現(xiàn)象弱、能量密度大和化學(xué)結(jié)構(gòu)穩(wěn)定等優(yōu)點。由于鋰離子脫嵌過程中,鋰電池端電壓穩(wěn)定在3.2V附近,因此磷酸鐵鋰電池充放電特性曲線的中部存在非常長的平臺期,而在充放電開始或者結(jié)束處其電壓會突升或者突降,使得該特性曲線呈現(xiàn)強烈的非線性特征。計算荷電狀態(tài)的普遍方法是利用安時積分法,該方法容易受到荷電狀態(tài)初始誤差和過程誤差的干擾而使得估計值精確度降低。磷酸鐵鋰電池荷電狀態(tài)值對電池能量管理系統(tǒng)的有效性起到關(guān)鍵作用,考慮到卡爾曼濾波算法可以很好降低初值誤差和過程噪聲對狀態(tài)量估計值的影響,故將卡爾曼濾波算法應(yīng)用于磷酸鐵鋰電池荷電狀態(tài)估計過程中。由于卡爾曼濾波框架對模型精確度要求較高,因此本文基于Labview搭建電池性能測試平臺,獲得磷酸鐵鋰電池充放電數(shù)據(jù),利用實驗法提取SOC和電池等效電動勢(Voltage of Open Circuit, Uoc)數(shù)據(jù)特征,使用Curvefit Toolbox對二者關(guān)系進行擬合并得到描述其非線性特征的函數(shù)表達(dá)式。根據(jù)實驗數(shù)據(jù),基于MATLAB/SIMSCAPE平臺搭建二階RC等效電路電池模型,以SIMSCAPE提供的Parameter Estimation Toolbox對等效電路中的RC參數(shù)進行估計,建立了與實際電池充放電特性匹配的等效電路模塊。在已建立的磷酸鐵鋰電池RC等效電路基礎(chǔ)上,建立相應(yīng)的狀態(tài)空間模型。使用擴展卡爾曼濾波器(Extended Kalman Filter, EKF)對電池荷電狀態(tài)進行估計,EKF估計結(jié)果可以很好地在荷電狀態(tài)具有初始誤差的情況將SOC估計值收斂于真值。針對深海探測器在加速時要求電池瞬時大功率放電而導(dǎo)致SOC突變的情況,采用強跟蹤擴展卡爾曼濾波器(Strong Tracking Extended Kalman Filter, STEKF)實現(xiàn)電池的SOC估計,從而使得濾波器可以很好地跟蹤荷電狀態(tài)實際值。為增強STEKF算法穩(wěn)定性,本文引入特征值分解對STEKF中的狀態(tài)量先驗估計值誤差協(xié)方差陣計算方式進行修正,得到性能更好的濾波器。對于連續(xù)物理系統(tǒng)中各處信號變化速率不同的情況,本文利用多采樣率控制策略對EKF和STEKF進行改進,經(jīng)理論推導(dǎo)分別得到輸入多采樣率擴展卡爾曼濾波算法、輸入多采樣率強跟蹤擴展卡爾曼濾波算法、輸出多采樣率擴展卡爾曼濾波算法和輸出多采樣率強跟蹤擴展卡爾曼濾波算法。為驗證以上敘述算法的有效性,本文NEDC (New European Driving Cycle)電動車實驗放電序列考查了在采樣倍率為2和4的情況下,算法的SOC估計精度。
【關(guān)鍵詞】：磷酸鐵鋰電池 卡爾曼濾波器 強跟蹤算法 多采樣率數(shù)字控制系統(tǒng) 荷電狀態(tài)估計
【學(xué)位授予單位】：西南交通大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2015
【分類號】：TM912
【目錄】：

• 摘要6-8
• Abstract8-12
• 第1章 緒論12-19
• 1.1 研究背景12
• 1.2 課題研究來源12-13
• 1.3 國內(nèi)外發(fā)展現(xiàn)狀13-18
• 1.3.1 蓄電池的分類13-14
• 1.3.2 磷酸鐵鋰電池發(fā)展及現(xiàn)狀14-15
• 1.3.3 磷酸鐵鋰電池荷電狀態(tài)估計研究現(xiàn)狀15-18
• 1.4 論文的主要研究和工作內(nèi)容18-19
• 第2章 實驗用磷酸鐵鋰電池概述19-25
• 2.1 SOC定義19-20
• 2.2 磷酸鐵鋰電池工作原理20-21
• 2.3 磷酸鐵鋰電池電壓性21
• 2.4 磷酸鐵鋰電池內(nèi)阻特性21-22
• 2.5 磷酸鐵鋰電池容量特性22-24
• 2.6 本章小結(jié)24-25
• 第3章 基于MATLAB/SIMSCAPE的LIFEPO_4建模方法及電池參數(shù)估計25-37
• 3.1 基于Labview的磷酸鐵鋰電池性能測試平臺25-26
• 3.2 磷酸鐵鋰電池SOC與Uoc的關(guān)系曲線26-29
• 3.3 基于MATLAB/SIMSCAPE的磷酸鐵鋰電池模型29-36
• 3.3.1 LiFePO_4戴維南等效電路29-31
• 3.3.2 LiFePO_4的MATLAB/SIMSCAPE模型及參數(shù)估計31-36
• 3.4 本章小結(jié)36-37
• 第4章 卡爾曼濾波算法研究及其在磷酸鐵鋰電池SOC估計中的應(yīng)用37-52
• 4.1 離散線性卡爾曼濾波器37-39
• 4.2 擴展卡爾曼濾波器EKF39-41
• 4.3 強跟蹤濾波算法41-44
• 4.4 基于特征值分解的改進強跟蹤濾波算法44-51
• 4.4.1 STEKF問題分析44-46
• 4.4.2 基于特征值分解的改進STEKF(MSTEKF)46-49
• 4.4.3 MSTEKF算法估計結(jié)果分析49-51
• 4.5 本章小結(jié)51-52
• 第5章 多采樣率控制系統(tǒng)算法研究及其在磷酸鐵鋰電池SOC估計中的應(yīng)用52-74
• 5.1 引言52-53
• 5.2 多采樣率控制理論概述53-56
• 5.2.1 輸入多采樣率數(shù)字控制系統(tǒng)54-55
• 5.2.2 輸出多采樣率數(shù)字控制系統(tǒng)55-56
• 5.2.3 廣義多采樣率數(shù)字控制系統(tǒng)56
• 5.3 基于輸入多采樣率的卡爾曼濾波器56-63
• 5.3.1 基于輸入多采樣率的EKF算法56-59
• 5.3.2 基于輸入多采樣率的STEKF算法59-63
• 5.4 基于輸出多采樣率的卡爾曼濾波器63-67
• 5.4.1 基于輸出多采樣率的EKF算法63-66
• 5.4.2 基于輸出多采樣率的STEKF算法66-67
• 5.5 基于多采樣率卡爾曼濾波器狀態(tài)估計結(jié)果分析67-74
• 5.5.1 情況一：算法的SOC初值精確67-70
• 5.5.2 情況二：算法的SOC初值存在誤差70-74
• 總結(jié)和展望74-76
• 致謝76-77
• 參考文獻77-81
• 攻讀碩士學(xué)位期間發(fā)表的論文81

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 王福忠;鄧?yán)?;基于區(qū)域極點配置電池荷電狀態(tài)的估計方法[J];節(jié)能;2013年04期

2 趙凱;朱黎明;;無跡卡爾曼濾波的電池荷電狀態(tài)估計試驗研究[J];汽車工程學(xué)報;2013年05期

3 程博;韓琳;王軍平;曹秉剛;;利用免疫進化網(wǎng)絡(luò)的鎳氫電池組荷電狀態(tài)預(yù)測[J];西安交通大學(xué)學(xué)報;2007年11期

4 李革臣;古艷磊;;電化學(xué)阻抗譜法預(yù)測鋰電池荷電狀態(tài)[J];電源技術(shù);2008年09期

5 夏晴;劉志遠(yuǎn);;電動汽車動力電池荷電狀態(tài)的滑模估計方法[J];東南大學(xué)學(xué)報(自然科學(xué)版);2011年S1期

6 麻友良,陳全世,朱元;變電流下的電池荷電狀態(tài)定義方法探討[J];電池;2001年01期

7 何鵬林;王曉冬;;串聯(lián)鋰離子電池組荷電狀態(tài)評估方法對比[J];安全與電磁兼容;2011年01期

8 沈江;張文斌;全小紅;周嵩;陳景玲;;鈦酸鋰電池荷電狀態(tài)的試驗研究[J];新技術(shù)新工藝;2014年01期

9 葉林;陳政;趙永寧;;考慮電池荷電狀態(tài)的光伏功率分段平滑控制方法[J];電網(wǎng)技術(shù);2014年07期

10 余運俊;諶新;萬曉鳳;;電動汽車電池荷電狀態(tài)估計研究綜述[J];電源學(xué)報;2014年03期

中國重要會議論文全文數(shù)據(jù)庫 前3條

1 孫駿;李寶輝;;電動汽車電池荷電狀態(tài)的估算方法研究及展望[A];2012安徽省汽車工程學(xué)會年會論文集[C];2012年

2 張秀玲;宋建軍;;基于RBF神經(jīng)網(wǎng)絡(luò)的MH-Ni電池荷電狀態(tài)預(yù)估模型[A];系統(tǒng)仿真技術(shù)及其應(yīng)用（第7卷）——'2005系統(tǒng)仿真技術(shù)及其應(yīng)用學(xué)術(shù)交流會論文選編[C];2005年

3 程艷青;高明煜;;基于卡爾曼濾波的電動汽車SOC估計[A];浙江省電源學(xué)會第十一屆學(xué)術(shù)年會暨省科協(xié)重點科技活動“高效節(jié)能電力電子新技術(shù)”研討會論文集[C];2008年

中國博士學(xué)位論文全文數(shù)據(jù)庫 前1條

1 鄒幽蘭;基于退役鋰動力電池容量、內(nèi)阻和荷電狀態(tài)的建模與參數(shù)估計[D];中南大學(xué);2014年

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前10條

1 張樹鵬;電動汽車電池荷電狀態(tài)及行動力分析研究[D];上海交通大學(xué);2015年

2 潘貴財;基于神經(jīng)網(wǎng)絡(luò)的電池組容量檢測系統(tǒng)設(shè)計[D];大連理工大學(xué);2015年

3 羅志亮;鋰電池荷電狀態(tài)自適應(yīng)估計算法研究[D];哈爾濱工業(yè)大學(xué);2016年

4 楊瀟;基于模糊算法的風(fēng)儲聯(lián)合系統(tǒng)控制策略研究[D];山東大學(xué);2016年

5 林鵬峰;磷酸鐵鋰電池建模及其荷電狀態(tài)估計算法研究[D];西南交通大學(xué);2015年

6 周旋;純電動物流車電池荷電狀態(tài)估計方法研究[D];電子科技大學(xué);2016年

7 夏晴;電動汽車用鋰離子電池荷電狀態(tài)估計算法的研究[D];哈爾濱工業(yè)大學(xué);2011年

8 和曉念;鋰電池荷電狀態(tài)預(yù)測方法研究[D];河南師范大學(xué);2012年

9 馬巍;電動汽車鉛酸蓄電池特性建模與荷電狀態(tài)估計[D];長安大學(xué);2009年

10 于洋;動力鋰電池荷電狀態(tài)估計策略的研究[D];天津理工大學(xué);2012年

，

本文編號：743848