论文部分内容阅读
在全球环境污染和能源危机两大问题日趋严峻的大背景下,发展新能源汽车成为人们的共识。动力电池作为电动汽车的核心部件和动力源,其相关技术是制约电动汽车产业化的瓶颈。其中,电池荷电状态(SOC)准确估计是汽车行业和科研院校的研究重点和难点。精确的SOC估计是电动汽车可续驶里程的重要依据,同时能为动力电池的安全使用提供保障,具有非常重要的工程价值。为此本文做了如下工作:首先分析了三元锂电池的原理及特性,对研究对象电池单体进行了工况特性试验,对比分析了不同电池模型的优缺点,并从模型精确度和计算复杂度两个方面综合考虑,基于电池内部工作特性,建立了锂电池二阶阻容等效电路模型。然后,基于锂电池二阶RC等效电路模型,推导了其离散化的状态空间方程,进行了开路电压标定试验,取充放电均值拟合得到五阶OCV-SOC关系表达式。分析了锂电池端电压特性,利用指数拟合公式对试验端电压数据拟合离线辨识出电池模型参数。为解决在复杂环境下模型参数变化导致SOC估计精度降低问题,提出了基于带遗忘因子递推最小二乘法(FRLS)的在线辨识方法,推导了电池模型差分方程形式,利用FRLS在线辨识出DST和FUDS工况模型参数,并搭建Simulink模型利用工况数据进行验证,验证结果表明端电压平均绝对误差能保持在3.5m V以内,验证了辨识方法的准确性和有效性。之后,阐述了经典卡尔曼滤波算法原理,提出了基于奇异值分解的UT-SVD变换以解决无迹卡尔曼滤波(UKF)在SOC估计递推过程中出现协方差矩阵非正定问题,并结合电池模型状态空间方程和参数阐述了UKF实现SOC估计的具体步骤。针对电动汽车锂电池存在初始SOC误差导致SOC估计误差增大问题,提出了基于衰减记忆无迹卡尔曼滤波的SOC估计方法,考虑到噪声统计特性未知以及时变的特点,引入Sage-Husa自适应滤波理论,设计构成了基于自适应衰减记忆无迹卡尔曼滤波(AMAUKF)的SOC估计方法。最后,将参数在线辨识和状态相结合,提出了基于FRLS和卡尔曼滤波的模型参数和SOC联合在线估计方法,实现了模型参数和荷电状态实时在线估计,并搭建了Matlab/Simulink仿真模型;从初始SOC误差和工况扰动两个误差源入手,设计四种不同验证条件对联合估计算法进行了验证,结果表明FRLS&AMAUKF联合估计算法在30%初始SOC误差的情况下收敛时间仍能保持在80s以内,SOC绝对误差和平均绝对误差值均能保持在1.5%以内,表现出较快的收敛速度和较高的估计精度;当电池电流工况变化时,FRLS&AMAUKF联合估计算法表现出较强的适应性和鲁棒性。考虑到电动汽车实际使用中工况以及环境的复杂性,设计了基于融合算法的分段SOC估计保护策略。