电动汽车动力电池状态估算方法研究

电池状态估计是电动汽车电池管理系统的重要组成部分,也是电池管理系统的基础。只有对电池的当前状态有准确估计,才能对电池进行合理的管理,从而提高电池的使用效率,节约能源、提高续航里程、增加电池使用寿命,节约成本。本文以正极材料为镍钴锰的锂离子电池为研究对象,对电池荷电状态(State of Charge,SOC)、能量状态(State of Energy,SOE)、功率状态(State of Power,SOP)联合估计技术进行了研究,研究重点主要集中在以下几个方面。首先本文从电池外特性入手,设计相应实验研究了电池实际容量与温度以及放电倍率之间的关系,对电池OCV-SOC曲线的影响因素、获取方式进行了比较分析。在这些分析的基础上,本文比较了常见的电池等效电路模型,综合精确度和复杂度考虑,选取了二阶Thevenin等效电路模型作为状态估计的模型。为提高参数辨识的精度,本文对电池极化效应特性进行了研究,研究发现要提高二阶Thevenin模型的精度,模型中的两个RC环节时间常数需存在数量级差距。基于此本文采用了一种融合约束因子递推最小二乘法对二阶Thevenin模型的参数进行辨识。实验证明,本文建立的二阶Thevenin模型的在各种工况下适应程度较高,模型精度高。其次本文对当前广泛应用的五种基础SOC估算算法的原理进行了简要介绍,设计了三类实验对五种算法车载SOC估算性能进行了分析比较。第一类实验用以验证比较五种算法对不同工况的适应性;第二类实验用以对比五种算法初值校正以及滤除噪声能力;第三类实验用以验证算法抗参数扰动能力。三类实验对五种算法车载下能够遇见的主要几种影响SOC估算精度的情况进行了模拟,为电动汽车SOC估算算法选取提供了一定的参考意义。基于对五种算法性能的研究,以提高SOC估算精度为目标,本文提出了一种联合卡尔曼滤波的滑模观测器算法。该联合算法能够同时综合卡尔曼滤波器和滑模观测器优点,在滤除噪声的同时对建模误差也具有较强的鲁棒性。本文设计了相应的模拟工况进行实验,实验结果证明,所提算法在复杂的车载环境下拥有比扩展卡尔曼滤波和滑模观测器更高的SOC估计精度。最后基于联合算法估算得到的SOC,本文以电池开路电压(Open Circuit Voltage,OCV)为媒介,建立了一种SOC、SOE、SOP联合估计的策略,并对三个电池状态的估算性能在不同工况下进行了实验验证,实验证明,该联合估算策略具有较高精度。该论文有图44幅,表13个,参考文献97篇。