论文部分内容阅读
电池管理系统作为电动汽车的关键技术之一,有着十分重要的地位。电池荷电状态(State of Charge,SOC)和健康状态(State of Health,SOH)是电池管理系统的关键技术,因此对SOC和SOH的研究对于电动汽车的发展有着非常重要的意义。本课题的研究目的是建立可靠的电池模型,以模型为基础研究SOC和SOH的估算算法。以下是本文主要工作内容。本文首先分析了常用的磷酸铁锂电池的工作原理以及其主要特性,选择3.2V/3AH的26650电池作为实验对象,对磷酸铁锂电池进行了相关特性实验,包括温度实验、充放电倍率实验、充放电循环实验等,对实验结果进行了分析。电池模型方面,通过分析对比常用的电池模型,最终选择二阶Thevenin等效电路模型,在HPPC实验的基础上对模型进行参数辨识,通过MTALAB拟合工具得到SOC与OCV的关系函数,最后经计算得到模型的参数,并在HPPC工况下进行验证,验证结果表明二阶Thevenin电路模型可以很好的模拟电池的动态特性。对SOC的估计,通过对比几种常用的SOC估计算法,分别采用扩展卡尔曼滤波算法(EKF)和无迹卡尔曼滤波算法(UKF)实现SOC估计,并引入自适应协方差匹配的方法对误差进行调节。为了验证算法的实用性和准确性,以UDDS工况作为实验工况,建立了基于二阶Thevenin模型的SOC估算模型,由实验采集的UDDS电流数据作为模型的输入,进行仿真。通过仿真结果和实验结果的对比,确定无迹卡尔曼滤波算法可以有效实现SOC的在线估计,并使估计误差收敛在3%以内。对SOH的估计,首先对SOH的表征参数进行了分析,选择电池内阻作为SOH研究的表征量。在研究SOC估算的基础上,选择采用双扩展卡尔曼滤波算法实现SOC和SOH的同时估计,以电池的内阻作为SOH的表征量,建立内阻估算模型,在脉冲放电工况下得到SOC和电池内阻的估计值,与实验测得的参考值对比,结果表明双卡尔曼滤波算法对电池SOH有很好的估计效果。