论文部分内容阅读
动力电池作为电动汽车的动力源,对整车动力性和安全性有着重要影响。磷酸铁锂电池凭借自身优良的性能成为动力电池的主要选择。电池荷电状态(SOC)的准确估算,能显著提高电池的使用效率,防止出现过充或者过放行为,有效延长电池的使用寿命。电池SOC不能直接测量,且受温度影响较大,本文针对宽温度范围的SOC准确估算做了以下几个方面的研究:首先,分析磷酸铁锂电池的结构和原理,通过APR18650电池的特性实验对其电压特性、容量特性、温度特性和循环特性进行定量分析,结合温度特性提出考虑温度影响的SOC定义。对比分析各类SOC估算方法优缺点,选择核极限学习机(KELM)与无迹卡尔曼滤波(UKF)融合的方法对宽温度范围的磷酸铁锂电池SOC进行估算。其次,分析了KELM的结构和学习方法,建立KELM模型估算SOC。通过不同温度下的DST放电实验获取训练数据,对训练数据进行抽样提取和归一化处理。通过试探法确定KELM模型的输入向量结构,利用遗传算法对KELM模型参数进行寻优。在MATLAB上对KELM模型进行训练,分别用-10℃~50℃温度范围下的US06工况和FUDS工况放电数据验证KELM模型估算电池SOC的可行性。结果表明,KELM模型对不同温度下的SOC估算精度整体较高,均方根误差不超过4%,但在部分时刻SOC估算值存在较大波动,最大误差超过10%。最后,为了减小SOC估算值的波动,降低最大误差,将UKF与KELM模型结合,利用安时法构建状态方程,KELM模型构建测量方程,建立KELM-UKF模型对SOC进行最优估算。结果表明,相比于KELM模型,KELM-UKF模型对-10℃~50℃温度范围内的FUDS工况和US06工况下的电池SOC的估算均方根误差和最大误差都明显减小,分别在2.5%和4%以下,有效提高了SOC的估算精度。本文所提出的KELM-UKF模型可以实现-10℃~50℃范围的磷酸铁锂电池SOC的准确估算,为电池管理系统提供可靠数据,对宽温度范围的锂电池SOC估算具有一定理论指导与实践应用价值。