论文部分内容阅读
随着电动汽车的普及,锂动力电池因其无污染、质量轻、能量密度高、适用范围广的优点在新能源市场得到青睐。动力电池放电时剩余容量与其余参数呈现非线性映射关系,且温度变化对剩余容量影响显著,因而一般的线性分析方法很难在实际使用中在线精确估算荷电状态(SOC,State Of Charge)。针对此问题,本文提出了一个基于量子粒子群优化算法的RBF神经网络模型,集合Labview平台设计开发的温度监控系统,实现了不同温度下锂电池和锂电池组的高精度在线SOC建模和预测分析以及锂电池充放电过程的安全性控制。本文阐述了锂离子电池的内外部结构和工作原理,分析了其具体参数和影响SOC估算的因子。本文采用传统的RBF神经网络模型预测单体锂电池SOC,实验结果表明该方法收敛虽快,却存在误差离散度较大、模型不够稳定的问题。为解决以上问题,本文用粒子群算法(PSO)优化RBF的权值,对粒子的速度和位置寻优,对迭代次数、扩展系数等参数选优。实验验证该方法稳定性有所提高但适应度函数收敛慢,训练速度明显降低。于是本文提出使用量子粒子群算法(QPSO)优化RBF网络,只需对粒子位置寻优,缩短了学习时间,适合单体锂电池SOC在线预测。该模型在考虑温度特性影响的情况下估算精度提高到2%,基本达到了预期要求。其次,为了观察电池充放电时的温度特性,开发了基于LabVIEW平台的锂电池温度监测系统,同步电池检测系统采样频率,该系统可在线采集单体电池和电池组多点温度数据,兼有温度修正、滤波、上下限报警、故障数据预测功能,实验验证该温度监测系统的检测精度达±0.2℃,可高效管理电池系统的安全。锂电池温度监测系统也为电池组的SOC预测提供数据支持和测试样本库建设。最后,分析电池组容量和温度分部的不均衡性,将LabVIEW平台建立的多路温度监测系统结合26650电池组内置的传感器,从不同时间尺度辨识实际工况中的温度数据,运用QPSO-RBF预测模型进行SOC在线预测,把迭代次数调整至最优,保证精度的前提下极大缩短了训练时间,在线估算精度达1.4%,验证了QPSO-RBF神经网络在锂电池组建模分析中具有很好的模型测试精度和鲁棒性。综上,本文提出的改进后的神经网络模型有效提高了锂电池和锂电池组SOC的预测精度,且预测过程稳定性较好,电池组的温度监测系统实用性强,均具有良好的应用前景。