论文部分内容阅读
随着科学技术的飞速发展,以及生态文明的全面建设,新型电动汽车产业得到了飞速发展。锂离子电池作为新型电池,与其他蓄电池相比,具有更高的电压和比能量,自放电率更低,成为了电动汽车的主流动力源,是能源研究领域的一大热点。锂离子电池的荷电状态(State of Charge,SOC)和健康状态(State of Health,SOH)直接影响了电动汽车的安全性和经济性等性能,因此必须设计管理系统对电池的状态进行监控。本文针对锂离子单体电池在充放电过程中表现出的静态性能和动态性能,建立了二阶动态模型。针对由于系统噪声协方差的不确定导致锂离子电池SOC估算精度不高的问题,综合研究了影响电池状态估计的主要因素,基于Sage-Husa自适应滤波的思想,对平方根无迹卡尔曼滤波(Square-root unscented Kalman filter,SRUKF)进行了改进,设计了一种自适应平方根无迹卡尔曼滤波器(Adaptive square-root unscented Kalman filter,ASRUKF),实现了对SOC的估计。设计各种工况下的放电实验,与SRUKF对比,这种算法使得SOC估计过程中的模型误差和算法误差大大减小,验证了该算法的可靠性和收敛性。随后,为了实现对电池SOH的预测,同时减小系统的非线性特性引入的误差,采用扩展卡尔曼滤波(Extended Kalman filter,EKF),在对锂离子电池SOC估计的过程中,对电池的容量以及欧姆内阻也进行在线估计,将SOC的实时估计值作为模型参数来估计两个特征参数,从而实现实时更新,为SOH预测提供必要的参数信息。在Matlab环境下进行仿真并与原始算法进行比较和分析,结果表明,这种估计策略不仅使得SOC的估计值更加贴近真实值,更重要的是提供了电池容量和欧姆内阻这两个表征电池健康状态的参数的实时估计,实现了对电池SOH的预测。最后,设计了一个验证平台。系统实现了电池电压、电流的采集和实时显示,上位机DSP进行SOC估计算法的处理并显示数据。