论文部分内容阅读
进入二十一世纪以来,随着燃油汽车的保有量迅速增加,环境问题和能源危机日益严重。电动汽车以电能驱动汽车,降低了燃油汽车所带来的一系列问题,因而受到了人们的广泛关注。作为电动汽车的重要组成部分,电池管理系统(Battery Management System,BMS)承担着电池信息采集与处理以及保护电池的功能,其中对电池荷电状态(State of Charge,SOC)的精确估算一直是BMS技术研究的重点与难点。准确的估算电池SOC可以避免电池长期处在超负荷运行状态,达到提高车载电池的使用寿命,保证电动汽车的安全性和稳定性的目的。本文选用二阶戴维南等效电路模型搭建锂离子电池的仿真模型,通过混合动力脉冲特性(Hybrid Pulse Power Characterization,HPPC)放电实验求取模型参数,在MATLAB/Simulink中搭建数学仿真模型并通过动态应力测试(Dynamic Stress Test,DST)验证模型的准确性。选用无迹卡尔曼滤波(Unscented Kalman Filter,UKF)算法估算电池SOC,该算法通过无迹变换获取一系列和系统状态具有相同概率密度函数的sigma点,用sigma点映射非线性系统的更新状态,然后通过卡尔曼滤波算法估算下一时刻的电池SOC,算法复杂程度低且估算精度高。为提高算法在复杂工况下的适应能力,将强跟踪算法(Strong Tracking Filter,STF)和自适应滤波算法(Adaptive Filter,AF)融入UKF算法中,构成强跟踪自适应无迹卡尔曼滤波算法,该算法保持了UKF算法良好的估算能力,并且具有更好的收敛性和鲁棒性。在MATLAB/Simulink中对STF-AUKF算法进行仿真实验,结果表明STFAUKF算法估算精度高,收敛能力强,最大误差在1%以内。搭建锂离子电池实验平台并将STF-AUKF算法写入BMS中,在不同SOC初值区间内进行实验验证,结果表明:STF-AUKF算法在不同SOC初值条件下,平均误差为4.1%,最大估算误差为4.32%,符合电池管理系统SOC估算精度要求。