论文部分内容阅读
发展电动汽车是解决能源危机和环境污染问题的关键途径,更是实现我国从汽车大国迈向汽车强国的必由之路。根据中国汽车工业协会最新数据显示,2020年我国电动汽车全年销量为136.7万辆,蝉联全球第一。锂离子动力电池以其在功率密度、能量密度、循环寿命以及自放电率等方面具有的独特优势,在电动汽车中广泛应用。动力电池管理对于电池可用容量、能量的最大化利用以及整车性能的提高起着至关重要的作用。电池管理不当不仅会造成过充、过放,而且会导致电池过早失效以及起火、爆炸等危险事故,直接威胁人们生命财产安全,造成不可挽回的损失。为此,电池管理相关理论和技术的研究已成为学术界和工业界关注的焦点。
国内外学者在动力电池建模及状态估计方面已开展了大量卓有成效的工作。然而,目前若干关键问题尚未得到实质性解决,具体包括:1)在辨识数据方面,忽略了辨识数据对参数辨识效果的重要影响,尤为关键的是现有激励信号设计方法不能有效应对电池非线性特性;2)在辨识方法方面,未意识到锂离子电池本质上为刚性系统,仍使用传统方法进行辨识,从而导致参数辨识精度低,建模效果差;3)在荷电状态(State of Charge,SOC)估计方面,忽略了电动汽车内部电力电子变换器、电机控制器、电机等高功率器件产生的电磁干扰以及传感器测量误差对集成参数与SOC协同估计方法的影响;4)在多状态估计方面,各估计器之间高度耦合,参数整定复杂困难,稳定性难以保证。针对上述问题,本文的主要工作及创新点如下:
1)锂离子动力电池具有很强的非线性时变特性,传统激励信号设计方法极易激发电池的非线性响应,从而导致通常使用的等效电路模型的建模精度较低。为此,提出一种称为逆重复二进制序列的新型激励信号设计方法,信号的反对称特性有效消除了电池系统偶数阶非线性响应,且与其他三种常用激励信号设计方法在城市道路循环工况(Urban Dynamometer Driving Schedule,UDDS)不同温度下的建模性能进行比较,结果表明所提方法可以将平均绝对误差和均方根误差分别控制在6.86mV和8.61mV以内,建模精度显著高于其它方法,验证了提出方法的有效性。
2)针对传统递推最小二乘方法(Recursive Least Squares,RLS)在应用于电池刚性系统时,出现的参数辨识精度低、建模效果差等问题,以锂离子电池双极化(Dual Polarization,DP)模型为研究对象,提出一种基于分布式最小二乘的模型参数辨识方法。根据电池不同时间尺度可以分离的特性,将电池模型细分为两个子模型分别进行辨识,避免了待估参数之间的相互干扰,有效提高了参数辨识的精度。试验结果表明,相比RLS方法,所提方法在UDDS工况下能够将平均绝对误差和均方根误差分别减小约50.0%和46.43%,验证了提出方法的有效性。
3)针对电动汽车复杂恶劣的电磁环境以及传感器测量误差造成的SOC估计精度较低问题,在分析传统方法有偏性的基础上,提出一种具有抗噪性的锂离子电池模型参数与SOC协同估计方法。所提方法主要由基于约束总体最小二乘的参数辨识和基于无迹卡尔曼滤波算法的SOC估计两部分组成,通过仿真以及一系列不同温度不同工况的试验对所提方法的性能进行评估,结果表明所提方法SOC估计的平均绝对误差在1.19%以内,验证了提出方法的有效性。
4)针对传统的多状态估计方法各估计器之间高度耦合问题,提出一种低耦合的SOC与健康状态(State of Health,SOH)协同估计方法,解决了估计器之间的强耦合难题,且所提方法对不精确初值具有较强的自修正能力。所提方法主要通过借助电池模型,并利用两个迁移因子的方式实现,由基于自适应协同进化粒子群优化算法的SOC估计和基于约束总体最小二乘的SOH估计两部分组成,通过仿真以及试验对所提方法的性能进行评估,结果表明所提方法在UDDS工况下能够将SOC和容量估计的平均绝对误差分别控制在1.58%和0.136Ah以内,验证了提出方法的有效性。
综上所述,本文在动力电池激励信号设计、参数辨识方法、SOC估计以及多状态估计等四个方面重点开展研究,研究有条不紊,层层深入,取得了创新性研究成果,为保障动力电池安全、可靠、高效运行奠定了坚实理论基础。
国内外学者在动力电池建模及状态估计方面已开展了大量卓有成效的工作。然而,目前若干关键问题尚未得到实质性解决,具体包括:1)在辨识数据方面,忽略了辨识数据对参数辨识效果的重要影响,尤为关键的是现有激励信号设计方法不能有效应对电池非线性特性;2)在辨识方法方面,未意识到锂离子电池本质上为刚性系统,仍使用传统方法进行辨识,从而导致参数辨识精度低,建模效果差;3)在荷电状态(State of Charge,SOC)估计方面,忽略了电动汽车内部电力电子变换器、电机控制器、电机等高功率器件产生的电磁干扰以及传感器测量误差对集成参数与SOC协同估计方法的影响;4)在多状态估计方面,各估计器之间高度耦合,参数整定复杂困难,稳定性难以保证。针对上述问题,本文的主要工作及创新点如下:
1)锂离子动力电池具有很强的非线性时变特性,传统激励信号设计方法极易激发电池的非线性响应,从而导致通常使用的等效电路模型的建模精度较低。为此,提出一种称为逆重复二进制序列的新型激励信号设计方法,信号的反对称特性有效消除了电池系统偶数阶非线性响应,且与其他三种常用激励信号设计方法在城市道路循环工况(Urban Dynamometer Driving Schedule,UDDS)不同温度下的建模性能进行比较,结果表明所提方法可以将平均绝对误差和均方根误差分别控制在6.86mV和8.61mV以内,建模精度显著高于其它方法,验证了提出方法的有效性。
2)针对传统递推最小二乘方法(Recursive Least Squares,RLS)在应用于电池刚性系统时,出现的参数辨识精度低、建模效果差等问题,以锂离子电池双极化(Dual Polarization,DP)模型为研究对象,提出一种基于分布式最小二乘的模型参数辨识方法。根据电池不同时间尺度可以分离的特性,将电池模型细分为两个子模型分别进行辨识,避免了待估参数之间的相互干扰,有效提高了参数辨识的精度。试验结果表明,相比RLS方法,所提方法在UDDS工况下能够将平均绝对误差和均方根误差分别减小约50.0%和46.43%,验证了提出方法的有效性。
3)针对电动汽车复杂恶劣的电磁环境以及传感器测量误差造成的SOC估计精度较低问题,在分析传统方法有偏性的基础上,提出一种具有抗噪性的锂离子电池模型参数与SOC协同估计方法。所提方法主要由基于约束总体最小二乘的参数辨识和基于无迹卡尔曼滤波算法的SOC估计两部分组成,通过仿真以及一系列不同温度不同工况的试验对所提方法的性能进行评估,结果表明所提方法SOC估计的平均绝对误差在1.19%以内,验证了提出方法的有效性。
4)针对传统的多状态估计方法各估计器之间高度耦合问题,提出一种低耦合的SOC与健康状态(State of Health,SOH)协同估计方法,解决了估计器之间的强耦合难题,且所提方法对不精确初值具有较强的自修正能力。所提方法主要通过借助电池模型,并利用两个迁移因子的方式实现,由基于自适应协同进化粒子群优化算法的SOC估计和基于约束总体最小二乘的SOH估计两部分组成,通过仿真以及试验对所提方法的性能进行评估,结果表明所提方法在UDDS工况下能够将SOC和容量估计的平均绝对误差分别控制在1.58%和0.136Ah以内,验证了提出方法的有效性。
综上所述,本文在动力电池激励信号设计、参数辨识方法、SOC估计以及多状态估计等四个方面重点开展研究,研究有条不紊,层层深入,取得了创新性研究成果,为保障动力电池安全、可靠、高效运行奠定了坚实理论基础。