论文部分内容阅读
新能源汽车技术已经成为未来汽车主要的发展方向之一,随着动力电池制造技术和电池管理技术逐渐成熟,电池的健康状态(StateofHealth,SOH)变得越来越重要。为了保护驾驶员的行车安全,保障电动汽车高效、安全地运行,我们需要准确估计出电池的SOH,及时更换旧电池,给驾驶员提供实时准确的电池健康信息。为此本文针对电池的健康状态估计问题做了如下几个方面工作:(1)通过设计锂电池的标准充放电实验、HPPC(Hybrid Pulse Power Characteristic,HPPC)实验,研究了锂电池的衰减机理。与其它锂电池不同,磷酸铁锂电池存在着一个电压趋于平缓的“平台期”,造成电池SOH估计变得困难;随后在实验的基础上,研究了不同倍率下、不同温升下等磷酸铁锂电池的性质;最后,基于锂电池的工作原理及实验数据,分析得出影响锂电池衰减的主要因素为:锂电池在使用过程中,电池电压的变化、温度的变化、电流的变化和SOC的变化等。(2)研究了几种锂电池模型和几种常用的电池参数辨识方法,分析了电化学模型和等效电路模型各自的优缺点,其中二阶RC等效电路模型不仅能反映电池在化学反应中的活化、极化等动态特性,还能反映电池静态过程中的浓差扩散效应,跟实际电池外特性相比,近似程度较高,但计算量适中,因此作为研究的锂离子电池的电路模型。在HPPC实验数据的基础上,分别用遗传算法、最小二乘法和带遗忘因子的最小二乘法对已建立的锂电池二阶等效电路模型进行参数辨识,对比分析了三者之间的误差以及误差变化的趋势,结论表明,带遗忘因子的递推最小二乘法辨识结果准确度明显好于前面两者,在整个放电循环实验过程中的均方根误差RMSE远小于GA与LS。(3)研究了 BP神经网络算法和支持向量机算法对电池SOH的估计效果。基于电池循环测试数据,选取放电时间T、电压积分E和循环次数作为输入特征量,以电池SOH作为输出。首先,通过BP神经网络预测了电池SOH,最大预测误差可保持在0.7%以下,能有效地跟踪电池SOH的变化;然后,基于支持向量机算法研究了电池SOH的估计方法,为了实现更精确的估计效果,必须对算法里的惩罚因子C和核函数系数g进行寻优,随后,运用K-CV法、遗传算法和粒子群算法寻找最优的参数C和g,比较了 BP神经网络算法和参数寻优后的SVM算法预测得出的误差,结果表明SVM算法预测的最大误差在0.25%以下,明显优于BP神经网络算法;最后,研究了只选取放电的时间T、电压积分E作为输入变量,电池SOH作为输出,利用优化后的SVM算法预测的最大误差下降到0.065%以下,从而验证了选取输入特征量的重要性。本文以磷酸铁锂电池SOH估计为研究课题,发现基于支持向量机的电池SOH估计方法能准确地预测出电池剩余的使用循环寿命,基于支持向量机的电池SOH估计方法具有可靠性好、精度高、实时性好等优点,解决了工程应用中电动汽车动力电池SOH难以估计的问题。