论文部分内容阅读
能源和环境问题已成为当今世界发展的重要议题,作为节能环保代表,电动汽车以其低污染零排放和较低使用成本等优势倍受广大消费者的青睐。作为电动汽车的主要动力来源,动力锂电池已成为近些年研究的热点。动力锂电池荷电状态(State-of-Charge,SOC)直接反映电池剩余容量的多少,并在一定程度上反映电动汽车的续航里程。SOC的准确估计对实现电池电量的有效管理和续航里程的准确预估、避免电池过充和过放具有重要意义。本文以电动汽车车用动力锂电池为研究对象,从电池模型和滤波算法两大主要影响因素出发,对电池SOC估计进行研究。本文首先通过对常用电池模型工作原理及其优缺点的分析,选择易进行模型参数辨识实验、物理意义明确的Thevenin模型作为研究对象。针对常用Thevenin模型模型参数固定,适用范围有限的问题。结合电池在实际工作过程中内阻的变化规律,建立模型参数受温度T和SOC影响的可变参数Thevenin模型。为在保证电池模型精度的同时又使电池模型不至于特别复杂,文章利用基于中心复合设计(Central Composite Designs,CCD)的实验设计(Design of Experiment,DOE)方法和最小二乘法对模型参数进行辨识;滤波算法的准确性对保证SOC的估计精度具有重要作用,随后文章通过对常用滤波算法的应用原理的分析,针对系统噪声影响较大时对算法估计精度的影响,提出了一种改进的无迹卡尔曼粒子滤波(Improved Unscented Kalman Particle Filter,IUPF)算法。将系统状态噪声和量测噪声两者同时引入到采样点中,对其进行对称采样处理,同时将其引入到算法计算过程当中以保证算法的精度。在可变参数Thevenin模型基础上所采用的IUPF算法,在保证模型适用范围的同时减小了噪声对系统估计精度的影响。本文选定同类型同一批次多个9A·h圆柱形磷酸铁锂动力电池单体作为研究对象,以充放电柜和高低温箱为实验条件,在不同工况下分别进行多次充放电实验。实验及仿真结果表明,基于IUPF算法与可变参数电池模型的SOC估计方法在解决现有电池模型适用范围有限,保证模型精度的同时,在多个温度下对SOC有较高的估算精度。尤其在系统状态噪声、量测噪声影响较大时,算法估算精度有了明显提高,且对由模型参数所带来的扰动具有良好的鲁棒性。