论文部分内容阅读
在我国大力建设清洁低碳、安全高效的现代能源体系的今天,电动汽车作为现阶段我国新能源汽车的主攻方向发展迅速。随着动力电池能量密度的不断提高,电动汽车在安全性和经济性方面的问题更加突出。动力电池能量管理、循环寿命和使用安全很大程度上决定于对电池状态信息的掌握程度。然而,电池内部电化学反应的强时变非线性、电池状态变量的不可测量性,以及电动汽车实际使用中工况、环境和电信号测量精度等随机性因素,给电池状态的实时准确估计带来了较大的挑战。本论文针对动力电池建模和状态估计的相关问题,以目前商用电池中能量密度最高的镍钴铝酸锂三元电池为对象,开展了以下研究工作:首先,针对动力电池建模问题,提出了基于高斯三项式的电池模型方程。与传统的基于幂函数多项式的建模方法不同,所提出的方法摒弃了通过提高多项式阶次来追求更高精度的做法。由于以更简洁的方程形式建立于高斯函数系之上,该方法能获得更小的运算量达到更高的准确度。通过将这一方法应用于不同的滤波算法以及本文提出的状态估计算法中,证明了它在精度和运算效率方面的优越性以及对各种算法的普遍适用性。其二,针对动力电池荷电状态(State of Charge,SOC)在线估计问题,提出了基于自适应高阶容积卡尔曼滤波算法的SOC估计方法。这一方法采用五阶容积准则选取采样点对状态的概率密度函数进行近似,同时引入自适应律对状态噪声协方差和测量噪声协方差进行实时更新,提高了SOC估计精度和应对各种随机因素的能力。两种动态汽车工况测试中的SOC估计结果显示,所提方法在测量误差存在时也可将估计误差限制在0.8%以内。其三,针对动力电池能量状态(State of Energy,SOE)在线估计问题,提出了基于球面单纯形-径向容积卡尔曼滤波算法的SOE估计方法。与其他的对状态的概率密度函数进行非线性近似的方法不同,球面单纯形-径向容积准则采用n维单纯形几何体来计算球面积分,使对非线性问题的处理更加高效而准确,从而提高了SOE估计精度和鲁棒性。经两种高度动态的工况测试,所提方法在SOE估计精度和初始误差纠正方面展示出了比现有方法更好的表现。其四,针对动力电池健康状态(State of Health,SOH)在线估计问题,提出了基于双滤波增量容量分区分析法的SOH在线估计方法。在对6组电池长期进行不同的老化实验基础上,深入研究了电池衰退特性。所提方法采用双滤波方式处理增量容量数据,极大地减少了用于平滑增量容量曲线的数据个数,降低了获取增量容量有效值的电压门槛;采用分区分析方式拓展了这一方法的适用范围,使在线SOH估计更加灵活与快捷。多种类别的验证实验表明,所提方法对不同老化方式、不同放电电流和不同充/放电深度的电池均有效,全寿命周期内各种情况下的SOH估计误差均小于2.5%。基于以上工作,本研究最终实现了在动力电池状态估计精度、稳定性和可靠性方面的有效提升。研究成果易于工程实现,并可拓展至便携式供电设备、储能电站等其他领域。