论文部分内容阅读
随着当前国际石油资源的短缺,全球面临的能源和环境问题愈发的严峻突出。研究和发展节能、经济、环保的电动汽车已经成为全世界解决能源环境问题的重要途径之一。锂离子动力电池作为电动汽车的主要驱动力,其电池管理系统(battery management system,BMS)的技术研发能够促使对锂电池更加有效地使用,能够使电动汽车的性能迈上更高的台阶。电池健康状态(state of health,SOH)作为BMS需要进行检测的多种锂电池性能参数之一,其准确地评估不仅是计算电池荷电状态(state of charge,SOC)、功率状态(state of power,SOP)等关键参数的重要依据,同时对评判动力电池系统何时需更换,是否可降级使用以及降级之后的利用价值评估等方面都有着重大的参考意义。本文首先对锂离子电池的充放电特性进行研究,其次分析了动力电池性能退化的影响因素,通过对电池实际最大容量与电池内阻的对比分析将电池实际最大容量确定为SOH的评价指标。通过容量增量分析法对锂电池恒流充电电压曲线进行处理变换,并选择采用简化的d/d(1处理方式进行容量增量曲线计算,运用中值滤波方法对曲线进行滤波处理,然后通过对容量增量曲线上特征向量的挖掘,将曲线上2号和3号容量尖峰的峰值强度和峰值位置电压初步作为特征向量。进一步通过灰色关联分析方法确定将2号尖峰峰值强度和峰值位置电压作为估算SOH的特征向量,作为SOH估计模型的输入参数。然后在介绍支持向量回归(support vector regression,SVR)和灰狼优化算法(grey wolf optimizer,GWO)基本原理的基础上,将差分进化方式融入灰狼优化算法进行改进,然后以两个特征向量为输入,锂电池SOH为输出构建基于改进灰狼优化算法和支持向量回归的联合预测模型,并利用MATLAB进行仿真实验。最后在BMS中完成对锂电池SOH进行估算的实验验证。在搭建实验平台的基础上,在BMS中建立容量增量曲线的实时计算数学模型,提取容量增量曲线的两个特征向量实现SOH的估算功能,并提出了充放电数据采集精度提高措施。利用电池循环老化试验数据进行估算模型的训练,将相关模型参数写入BMS,测试验证了在BMS中能够顺利进行特征向量的提取以及锂电池SOH的估算功能。将SOH估算结果与实际结果进行对比,可知在锂电池整个循环寿命周期内,在电池不同老化阶段BMS系统均能够实现电池SOH的准确估算,且估算误差不大于4%,具有良好的应用价值。