论文部分内容阅读
能源危机和环境污染的问题日益加剧致使微电网储能和电动汽车备受关注,而它们的共同点是需要电池管理系统对电池有效地管理和控制。电池状态估计既是整个系统的重点,也是难点,其关乎能量管理、循环寿命、安全和稳定的运行和成本。由于电池的运行是一个复杂的电化学反应过程,受应用环境、老化等因素的影响,实现快速、精确的电池状态估计具有挑战性。因此,电池状态估计的研究具有理论意义和应用价值。本论文针对磷酸铁锂电池(Li FePO4)展开具体的研究工作。针对锂电池的数学建模和模型参数辨识问题,本文构建了从零阶推广到n阶RC网络结构的数学模型,针对模型精度与复杂度的权衡问题,开展了以电池模型参数辨识、模型优化和模型准确度评估为核心的四步骤参数辨识方法,最终实现了电池的精确建模。在模型参数辨识方面,考虑到电池的慢时变特性,由于模型参数在线辨识需持续消耗计算量且对数据依赖性强等问题,本文给出了基于测量电流和电压驱动数据的电池模型参数离线辨识方法,得到了比较精确的数学模型。针对电池的荷电状态(State-of-Charge,SOC)估计的问题,提出了基于数据与模型融合的估计方法,该方法利用分段线性方法降低了算法的复杂度,并根据Arrhenius原理给出了电池的衰减特性,实现了在电池老化影响因素下的SOC实时精确估计。在此基础上,以电池可用容量和内阻表达电池健康状况(State-of-Health,SOH)为重要表征,提出了基于对偶卡尔曼滤波(Dual Kalman filter)的锂电池状态估计算法,实现了电池健康状况和SOC的联合估计。本论文给出的电池数学建模和模型参数辨识方法,成功解决了电池模型复杂度和模型精度的权衡。提出的分段线性方法,解决了由模型参数与SOC的非线性关系导致计算量增加的问题。为了解决电池受老化因素的影响,提出了基于Arrhenius原理来表达电池的衰减特性,在此基础上,提出了基于对偶卡尔曼滤波的估计算法,实现了电池健康状况和SOC的联合估计。