论文部分内容阅读
锂离子电池荷电状态估计(State of Charge,SOC)是电池管理系统的核心功能,提高SOC估计精度,可提高电池的使用效率、延长其使用寿命,保证电池的可靠性和安全性。而精确的电池建模是准确估计电池荷电状态的基础,本文以准二维多孔电极模型和单粒子模型为基础,研究了扩展单粒子模型,并基于该模型实现了SOC的在线估计,主要内容有:(1)基于准二维多孔电极模型,提出了一种正极-集流体边界和负极-集流体边界处锂离子浓度的近似求解方法。首先,基于准二维多孔电极模型分析了边界处液相浓度与放电倍率的关系;紧接着采用线性拟合得到液相浓度极值与放电倍率之间的函数关系,当液相浓度达到极值时则认为其保持不变;然后对达到稳定值前液相浓度,采用BP神经网络训练当前时刻正极-集流体边界和负极-集流体边界处的液相浓度与电流密度和上一时刻正极-集流体边界和负极-集流体边界处的液相浓度之间的关系,为后续扩展单粒子模型的建立打下基础。(2)针对单粒子模型在中高倍率放电工况下模型误差大的问题,研究了精度更高的扩展单粒子模型。首先利用分析出的液相浓度变化规律来近似求解液相扩散过电势,同时引入固相扩散的近似求解,丰富欧姆极化过程,使建立的扩展单粒子模型精度更高。紧接着分析了相关电化学参数的敏感度问题,并基于遗传算法实现了相关参数的离线辨识。(3)基于本文提出的扩展单粒子模型,研究了SOC在线估计算法。根据对单粒子模型的精度分析,发现修正系数的自适应取值会提高扩展单粒子模型的精度。因此,本文采用扩展卡尔曼滤波估计器(Extended Kalman Filter,EKF),将修正系数纳入状态变量,与SOC一同估计。另外,考虑到实际应用中会存在噪声,利用协方差匹配法(Covariance Matching,CM)改进EKF算法对噪声进行在线更新,进一步提高SOC估计精度。最后,为了降低老化对SOC估计的影响,基于NASA数据分析了ΔU-ΔQ与电池健康状态(State Of Health,SOH)之间的关系,研究了电池容量修正方法,对SOC进行老化补偿,提高了SOC估计的精度。