论文部分内容阅读
近年来,为落实国家对节能减排的要求,国家和地方财政纷纷出台了新能源汽车的优惠补贴措施,新能源汽车发展势头强劲。动力电池作为新能源汽车的核心部件和主要动力来源,对其进行合理而完善的监控管理是十分重要的。功率状态(State of Power,SOP)是在一定时间间隔内,动力电池所能释放或吸收的最大功率,可评估动力电池最大充、放电能力,其准确估计是实现电动汽车功率分配,最大程度利用电池能量的基础。电池的能量状态(State of Energy,SOE)表征电池的剩余能量,便于进行续航里程的估计及能量优化管理。动力电池SOP和SOE是电池管理系统中重要参数,所以需要准确评估锂电池的SOP和SOE。动力电池是复杂的非线性时变系统,不同电流下,其容量、电压、内阻都会发生改变。本文以锂离子电池的SOP和SOE准确估计为核心,主要做了以下工作:本文对动力电池中的18650型锂电池进行了恒温下不同倍率的充放电实验,通过采集的电流电压数据分析充放电流对电池的容量、内阻及极化特性的影响,结果表明了电池参数随充放电倍率变化较为明显。因此本文基于电池的极化现象、倍率特性和对经典模型的分析,建立模型参数时变的电池动态极化模型。设计实验辨识模型参数,拟合出模型参数与电流的函数关系,在动态工况下验证模型的精度。将所建立的电池动态极化模型与不考虑模型参数动态时变的经典模型进行对比,结果表明在动态工况下的改进的电池动态极化模型具有较高精度。提出基于粒子滤波的电池SOE估计方法。由于电池处于复杂工况中,电池模型存在非线性,为了减少噪声带来的不确定性对SOE结果的影响,采用粒子滤波(Particle Filter,PF)的方法,即基于蒙特卡洛理论,用概率对SOE进行估计。为进一步提高SOE估计的精度,采用双粒子滤波(Dual Particle Filter,DPF)对SOC和SOE进行联合估计,用荷电状态(State of Charge,SOC)估计结果对SOE的估计结果进行修正。在动态工况下对估计结果进行验证,结果表明联合估计下的SOE估计具有更高的精度。提出了基于多约束的动态SOP估计方法。为满足电动汽车加速爬坡及制动能量回收的需要、避免电池过充过放及使用安全,分析电池工作过程中SOP的限制因素。采用迭代法分别计算电池在充放电截止电压、SOC约束下的峰值电流。结合电池的设计电流的限制,估计电池电压,计算SOE的限制下的峰值功率,最终获得电池的SOP。根据电池在电流、电压、SOC下的峰值电流及多约束的峰值功率分析动态工况下各限制条件的作用方式,并分析持续时间对SOP的影响。在恒功率放电下验证SOP估计的准确性,结果表明基于多约束的SOP估计方法可以用于动态工况下电池充放电能力的估计。