论文部分内容阅读
动力锂离子电池荷电状态(State of Chaege,SOC)和健康状态(State of Health,SOH)作为电池管理系统(Battery Management System,BMS)监测的两个重要电池状态参数,实时准确地估算出SOC与SOH参数值对安全、合理、高效地使用电池以及BMS技术发展具有重要意义。本文针对传统的电池SOC与SOH估算方法存在估算精度较低、容易出现滤波发散等问题,以三元锂电池为实验对象,以建立精确电池模型为基础,对电池SOC与SOH的估算方法进行研究。本文具体工作内容如下:首先,对课题研究背景与意义进行介绍,针对课题研究内容,分别对电池模型、电池SOC以及电池SOH估算方法的国内外研究现状进行了综述分析。然后,以搭建电池等效电路模型为目标,对锂离子电池的工作原理以及性能表征参数进行介绍与分析。基于高性能电池测试系统平台,对三元锂电池进行相关特性实验测试。基于实验测试结果分析,确定电池戴维南(Thevenin)等效电路模型,并于Simulink平台搭建相应的仿真模型。其次,本文基于Thevenin等效电路模型,建立系统状态空间方程,并运用偏差补偿递推最小二乘算法(Bias Compensation Recursive Least-Squares,BCRLS)实现电池模型参数的在线辨识。基于Simulink平台搭建BCRLS算法电池仿真模型,并在不同电流工况下进行模型精度的验证。再次,基于BCRLS算法电池仿真模型基础,分别采用扩展kalman滤波(EKF)和改进的自适应kalman滤波(AEKF)实现电池SOC在线估算,并搭建SOC仿真模型进行验证。Pulse、HPPC、UDDS工况下的仿真结果表明,改进的AEKF算法SOC估算精度高于EKF算法,且最大SOC估算误差小于5%,估算精度较高。最后,运用EKF算法从内阻角度对电池SOH进行在线估算,并通过实际循环数据验证算法可行性。充分考虑电池在线SOC值对SOH估算的影响,引入双卡尔曼滤波算法,实现电池SOC与SOH的在线联合估算,并通过仿真验证算法的有效性和精度。仿真结果表明,UDDS工况下电池SOH最大估算误差小于3%,估算精度满足BMS系统设计要求。