论文部分内容阅读
锂电池作为电动汽车动力核心,在目前新能源市场不断发展的背景下显得尤为重要。而电池管理系统对锂电池的监测与保护是锂电池稳定、安全、高效率输出能量的基础,同时锂电池SOC(State of Charge)估计是其中的核心之一。高精度估计锂电池SOC能够有效优化整车能量管理、提高锂电池安全保护、延长锂电池循环寿命、降低新能源汽车成本。因此,本论文研究为提高锂电池SOC估计精度,依托“中国博士后基金项目”(2017M613034):基于LHMM/SVM制动意图辨识的电动汽车复合制动协调控制,“陕西省重点产业创新链(群)项目”(2018ZDCXL-GY-05-03-01):分布式驱动纯电动乘用车关键技术研究和电动汽车检测线核心装备及数据融合关键技术研究(2019ZDLGY15-01),做了以下几方面的研究:首先,为进一步了解三元锂电池动力特性,设计了不同温度和倍率下的容量和OCV(Open Circuit Voltage)性能试验、不同温度下的三种工况试验和耐久循环工况试验。通过分析等效电路模型,研究基于数据拟合的离线参数辨识方法和含遗忘因子最小二乘法(Recursive Least Square Method With Forgetting Factor,FRLS)的在线参数辨识方法在Thevenin模型和DP模型参数辨识中的应用,在Simulink环境中采用工况试验数据验证模型参数辨识方法和模型精度,对比分析选用更佳的模型参数辨识方法和模型。然后,以Kalman滤波理论为基础,提出扩展卡尔曼滤波(Extended Kalman Filter,EKF)和奇异值分解无迹卡尔曼滤波(Signular Value Decomposition Unscented Kalman Filter,SVD-UKF)以克服卡尔曼滤波线性化和协方差矩阵非正定的缺点,同时基于Thevenin模型结合FRLS算法提出模型参数和状态联合估计算法进行SOC估计的研究,在Simulink环境中采用不同温度下的三种工况试验数据验证这两种SOC联合估计算法的精度,对比分析选用估计效果更佳的SOC估计算法。最后,基于FRLS&SVD-UKF的模型参数和状态联合估计算法,通过模型参数辨识融合算法和模型容量更新算法分别解决FRLS在线参数辨识结果在弱激励条件下发散和模型容量保持不变的缺点,提出基于模型多参数更新的SVD-UKF算法,在Simulink环境中采用耐久循环工况试验数据验证该算法在锂电池最大可用容量不断衰减的情况下估计锂电池SOC精度。