论文部分内容阅读
荷电状态(State of Charge,SoC)是电动汽车电池管理系统的核心,其精度直接影响电池使用寿命、功能安全、均衡控制和热管理策略。信号噪声干扰、电池模型对温度与老化的适应性和单体不一致性是影响电池组SoC估算精度的重要因素。为实现锂离子电池组SoC的准确估计,本文以18650型锂离子电池为研究对象,提出了一种使用交互多模型(Interacting Multiple Model,IMM)和自适应电池状态估计器(Adaptive Battery State Estimator,ABSE)相结合的估算方法,论文的主要工作如下:(1)研究了锂离子电池工作原理和模型分类;根据工况特性,分工况建立电池等效电路模型,恒流恒压工况选择缓变电压和总内阻构成的等效电路模型,动态放电工况选择一阶RC模型;并分析充放电倍率、温度和不一致性等因素对锂离子电池的开路电压,容量和内阻等参数的影响。(2)对比分析了传统电池测试流程与参数辨识算法;优化电池测试流程和参数辨识组合,并获取电池模型参数;建立缓变电压、总内阻和开路电压的数学模型,得到可适用于多工况和全气候的电池模型。(3)根据综合充放电特性建立电池组等效电路模型;提出IMM-ABSE算法,通过ABSE对SoC进行估算并嵌入IMM模型中,并根据信息分配因子对各模型的SoC进行概率融合,得到精度较高的电池组SoC;对比分析安时积分法、基于无迹卡尔曼滤波的平均电压法和SoC偏差法以及IMM-ABSE算法的精确度与稳定性;在不同温度的组合工况下,评估该算法的鲁棒性和普适性;实验结果表明,该方法适用于系统输入信号存在噪声、全气候多工况和单体间存在不一致性的环境,有效充放电期间误差稳定在2%以内。(4)通过Simulink自动生成代码技术将IMM-ABSE算法生成目标C代码,并下载至BMS控制器中进行台架与实车验证。并且开发车用锂离子电池组监测与状态评估上位机软件进行实时记录与算法验证;实验结果表明,IMM-ABSE算法基于实际BMS控制器的结果与MATLAB仿真结果一致。同时在车载情况下具有良好的鲁棒性和稳定性,行驶过程中无明显波动,基本符合实际应用的需求。