基于数据驱动的锂电池建模及状态估计

作     者：胡业强 

作者单位：浙江大学 

学位级别：硕士

导师姓名：陶吉利

授予年度：2022年

学科分类：0808[工学-电气工程] 08[工学] 

主      题：锂离子电池 荷电状态 扩展卡尔曼滤波 健康状态 神经网络 

摘      要：电动汽车的兴起使得动力电池得到飞速的发展,其中锂离子电池作为主要的动力电池,它的相关技术成为研究的重点。锂离子电池荷电状态（State of Charge,SOC）和健康状态（State of Health,SOH）是电池管理系统中的核心参数。对锂离子电池荷电状态和健康状态的精确估计可以使电池安全高效的使用和工作,避免电池过充过放,提高电池寿命。本文以锂离子电池为研究对象,深入研究锂离子电池的SOC和SOH精确估计算法。本文的主要工作及贡献如下:首先,概述了锂离子电池SOC和SOH的定义和研究现状,分析了锂离子电池的内部结构和工作原理,讨论了电池相关性能参数,归纳总结常用的锂离子电池模型和方法。其次,应用锂离子电池实验测试系统。在此电池测试平台的基础上,对锂离子电池进行充放电测试、容量测试等工作及电池特性研究。最后结合文献和实验数据确定本课题的SOC和SOH估计算法。再次,在扩展卡尔曼滤波（Extended Kalman Filter,EKF）算法的基础上,设计了一种基于动态参数估计锂离子电池SOC方法。首先在混合功率脉冲特性（Hybrid Pulse Power Characterization,HPPC）工况实验数据计算锂离子电池等效模型参数初值,之后在恒流放电工况对模型参数进行动态辨识,并在联邦城市行驶工况（Federal Urban Driving Schedule,FUDS）下验证改进方法的估计性能。实验结果表明,该方法在等效电路模型复杂度较低的情况下,对锂离子电池SOC估计结果仍有较高的精度。最后,设计了基于长短时记忆循环神经网络（Long Short-Term Memory,LSTM）的锂离子电池SOH估计方法,不仅考虑锂离子电池在恒流恒压工况下测得的端电压、电流信息,还在此基础上结合SOC的估计结果实现SOH估计。使用NASA单体锂电池数据集测试所提方法的鲁棒性和适用范围。该策略能实现SOH在线估计,且能获得较高的估计精度。