论文部分内容阅读
近年来,随着化石燃料的日渐枯竭和环境问题的日益突出,全球各主要经济体和汽车生产商都在加大新能源汽车的研发力度以替代传统燃油汽车。作为最具实用价值的新能源汽车,电动汽车受到了学术界和工业界的广泛关注。动力电池的管理水平是决定电动汽车整车性能的重要因素。对动力电池的关键状态进行估计是制定高效能量管理策略、延拓电池组循环寿命、实现车辆安全操作的前提,因此具有较强的理论研究价值和实用意义。比之铅酸、镍基等电池,锂离子电池在能量密度、使用寿命及环境友好性等方面具有综合优势,因此被广泛应用于电动汽车作为储能单元。然而,车载动力锂电池经常工作在大温差波动、高动态负载冲击的复杂工况下,其内部理化反应呈现出极强的时变性和非线性特点,因此对动力电池进行实时、精准的状态估计十分具有挑战性。本文主要开展了以下研究工作:
针对铁锂电池明显的电压滞回现象,提出了一种基于几何解析方式实现的滞回电势模型(HPM),解决了由于滞回电势的存在导致传统模型及状态估计方法难以适用于铁锂电池的问题。通过对电池生热、散热效应的分析,建立了电池温度变化模型(TEM),为发掘利用电池的温度信号奠定了基础。针对动力电池工作过程中的时变特性,提出了两种模型参数辨识方法:1)利用差分进化(DE)算法在随机寻优方面的优势,构建了离线参数辨识方法,在加快算法收敛、简化方法应用的同时,有效提高了辨识结果的准确性;2)利用最小均方误差(LMS)滤波器计算复杂度低的优势,融合电池的电气行为和热行为,实现了在线参数辨识,有效降低了算法对计算资源的占用,提升了参数的可靠性。
针对电池容量对温度、电流密度依赖性强的问题,提出了有效电流的概念,构建了基于改进Peukert方程和库伦效率的增强型电荷积分法,解决了大电流、低温工况下荷电状态(SoC)估计严重失准的问题。其中,针对传统电荷积分法无法独立完成算法启动和误差校正的机制缺陷,实现了基于动态电压映射的SoC初值自主获取和估计误差闲时校正;针对定频采样时采样开销和电荷积分精度顾此失彼的问题,设计了频率可调的电流采样电路,在保证电荷积分精度的同时,有效降低了采样点数。
针对实际工况中存在的复杂噪声问题:1)提出了基于自适应扩展卡尔曼滤波器(AEKF)的SoC估计方案,在适应电池电动势(EMF)与SoC非线性关系的同时,有效抑制了变化噪声环境对估计结果的不利影响;2)提出了利用带遗忘因子递归最小二乘(RLSF)算法对电池OCV进行辨识的SoC估计方案,通过TEM对电池的热行为加以利用,解决了单纯基于电气行为提取的OCV波动剧烈的问题。以上两种方案通过对滞回模型的融合,有效避免了由铁锂电池强滞回特性造成的SoC估计结果严重失真的问题。
针对动力电池可用功率状态(SoAP)预测时限制条件单一的问题,提出了在电压、电流、SoC、能量状态(SoE)和温度等多维度限制条件下的SoAP预测方案。其中,构建的基于改进方根-中心差分卡尔曼滤波器(SR-CDKF)的独立SoC估计器和SoE估计器,保证了基于低阶模型的状态估计性能,避免了多状态同步估计时状态间串扰的问题,基于EMF假想功率的SoE有效提升了估计结果的可靠性;通过电池温度变化模型,将普遍被忽略的温度限制条件纳入考量,同时显性包含功率预测时宽,解决了传统低维度限制条件下SoAP被高估导致电池受损的问题。
针对铁锂电池明显的电压滞回现象,提出了一种基于几何解析方式实现的滞回电势模型(HPM),解决了由于滞回电势的存在导致传统模型及状态估计方法难以适用于铁锂电池的问题。通过对电池生热、散热效应的分析,建立了电池温度变化模型(TEM),为发掘利用电池的温度信号奠定了基础。针对动力电池工作过程中的时变特性,提出了两种模型参数辨识方法:1)利用差分进化(DE)算法在随机寻优方面的优势,构建了离线参数辨识方法,在加快算法收敛、简化方法应用的同时,有效提高了辨识结果的准确性;2)利用最小均方误差(LMS)滤波器计算复杂度低的优势,融合电池的电气行为和热行为,实现了在线参数辨识,有效降低了算法对计算资源的占用,提升了参数的可靠性。
针对电池容量对温度、电流密度依赖性强的问题,提出了有效电流的概念,构建了基于改进Peukert方程和库伦效率的增强型电荷积分法,解决了大电流、低温工况下荷电状态(SoC)估计严重失准的问题。其中,针对传统电荷积分法无法独立完成算法启动和误差校正的机制缺陷,实现了基于动态电压映射的SoC初值自主获取和估计误差闲时校正;针对定频采样时采样开销和电荷积分精度顾此失彼的问题,设计了频率可调的电流采样电路,在保证电荷积分精度的同时,有效降低了采样点数。
针对实际工况中存在的复杂噪声问题:1)提出了基于自适应扩展卡尔曼滤波器(AEKF)的SoC估计方案,在适应电池电动势(EMF)与SoC非线性关系的同时,有效抑制了变化噪声环境对估计结果的不利影响;2)提出了利用带遗忘因子递归最小二乘(RLSF)算法对电池OCV进行辨识的SoC估计方案,通过TEM对电池的热行为加以利用,解决了单纯基于电气行为提取的OCV波动剧烈的问题。以上两种方案通过对滞回模型的融合,有效避免了由铁锂电池强滞回特性造成的SoC估计结果严重失真的问题。
针对动力电池可用功率状态(SoAP)预测时限制条件单一的问题,提出了在电压、电流、SoC、能量状态(SoE)和温度等多维度限制条件下的SoAP预测方案。其中,构建的基于改进方根-中心差分卡尔曼滤波器(SR-CDKF)的独立SoC估计器和SoE估计器,保证了基于低阶模型的状态估计性能,避免了多状态同步估计时状态间串扰的问题,基于EMF假想功率的SoE有效提升了估计结果的可靠性;通过电池温度变化模型,将普遍被忽略的温度限制条件纳入考量,同时显性包含功率预测时宽,解决了传统低维度限制条件下SoAP被高估导致电池受损的问题。