三元锂离子动力电池多状态联合估计算法研究
作者单位：吉林大学
学位级别：硕士
导师姓名：王伟华
授予年度：2024年
主 题：锂离子电池 荷电状态估算 健康状态估算 联合估算算法
摘 要：随着全球能源危机和气候问题的日益严峻,纯电动汽车等新能源交通工具受到了全球范围内的广泛关注。电池管理系统(Battery Management System,BMS)在确保动力电池高效、可靠运行方面扮演着至关重要的角色。准确估计汽车动力电池的荷电状态(State of Charge,SOC)和健康状态(State of Health,SOH)对于锂离子电池管理系统至关重要,关系到电池运行的可靠性和安全性。 本文以三元锂离子电池为研究对象,以实现车用动力电池高精度SOC估计为研究目的,分别从电池参数辨识和SOC-SOH联合估计角度对电池荷电状态估计展开研究,重点从电池工作特性、参数辨识方案的抗噪性、SOC估计方案的适应性以及联合估计方案的鲁棒性和实用性等方面展开研究,提出了一种基于参数稳定性分析的多时间尺度SOC和SOH联合估计方法。本文研究内容如下: 首先,分析了锂离子电池的组成以及工作原理,依托实验室设备,基于动力电池特性,设计容量特性、电压特性以及内阻特性实验方案。从精度与复杂度两个角度下分析了多种模型在实际应用中的可开发性,最终选择了一阶Thevenin模型。随后基于实验数据进行电池特性研究,得到电池的参考容量、SOC-OCV曲线以及利用离线参数辨识方案得到的模型参数,准确的电池特性分析和电池模型为后续的联合估计方案选择提供了理论基础。 之后,针对电池的实际应用场景,从电流噪声和电压噪声两个角度对比分析了各个参数对于不同辨识方案的稳定性差异,基于对比结果,最终选择了基于正则化遗忘因子递推最小二乘算法(Regularized Forgetting Factor Recursive Least Squares,RFFRLS)的联合在线参数辨识方案,分别利用RFFRLS算法和自适应扩展卡尔曼滤波(Adaptive Extended Kalman Filter,AEKF)算法在两个时间尺度下进行欧姆内阻和极化参数的辨识更新。最后基于Simulink软件构建一阶Thevenin模型,采用电流加噪后的HPPC工况数据进行仿真验证,结果表明该方案在噪声干扰下仍然保持较高的辨识精度,在电流噪声干扰下,所设计方案的平均相对误差仅为0.000065。 而后,针对AEKF算法在非线性函数的泰勒级数展开中高阶项不能被忽略时,AEKF的线性化处理可能会导致较大的估计误差,在实际估计中稳定性较差这一缺点,采用有限差分技术替换AEKF中对非线性系统的求导步骤,引入了有限差分自适应扩展卡尔曼滤波算法(Finite Difference Adaptive Extended Kalman Filter,FDAEKF)进行电池荷电状态估计,旨在提升系统线性化过程中的计算效率与精度。基于实验工况数据对比多种SOC估计算法,其中FDAEKF的SOC估计误差均值为0.0073,具有更高的计算精度以及强鲁棒性,更适用于SOC估计。 最后,由于SOC与电池实际容量和内部参数之间存在耦合关系,电池容量在SOC估计时是不可忽略项,因此建立了FDAEKF-AEKF的双扩展卡尔曼数学模型,通过两个滤波器耦合更新电池容量和SOC。针对电池参数更新的频率不同,在该算法的基础上增加了多时间尺度步骤和差异环节,即在微观时间尺度上完成欧姆内阻和极化内阻的在线辨识以及电池荷电状态估计,在宏观时间尺度上更新极化电容和电池容量。该方法实现了模型参数、SOC和SOH的稳定、准确的联合估计,SOC估计平均误差为0.762%,相比于单独的FDAEKF算法估计器,误差减小了0.193%。随后基于实验工况数据,分析验证算法在不同SOC初值、不同容量初值、多温度以及多工况条件下的鲁棒性,结果表明该算法可以适应多种复杂的情况,具有较高的精度和强鲁棒性,在多个温度范围内不同工况下的平均SOC误差均小于0.982%。最后基于Simulink软件搭建了算法模型,模拟真实应用场景中的传感器误差,通过给输入电流和输入电压加上方差为零的高斯白噪声来验证该算法在面对传感器误差时的稳定性,结果表明该算法可以适用于实际传感器的应用场景,具有实车开发价值。
同方学位论文库