《基于卡尔曼滤波器的电池剩余电量SOC分析与仿真》论文开题报告.docxVIP

毕业设计（论文）开题报告课题名称基于卡尔曼滤波器的电池剩余电量分析与仿真系部电气与信息工程学院专业自动化班级学号姓名指导教师课题来源课题《基于卡尔曼滤波器的电池剩余电量分析与仿真》来源于湖北汽车工业学院简炜教授近年关于新能源汽车动力电源的研究。国内外现状汽车行业是各个国家都在重点发展的支柱性产业，目前还是以汽油和柴油等化石燃料作为动力来源的传统汽车为主。但是，汽油和柴油的源头—石油却日渐短缺。据测算，以目前的消耗速度，再过40年，石油资源就会消耗殆尽。依赖于燃油汽车的全球交通运输业将陷入瘫痪。另外，燃油汽车的最大缺点就是车辆在行驶过程中会不断地排放有害气体，污染人类赖以生存的大气环境。人们需要汽车，但不需要有害的排放物体，因此许多国家在近几十年来投入了大量的人力物力来解决这个矛盾，也取得了不少进展。但只能减少有害物体的排放。随着经济水平的发展，人们对生活质量的愈加重视，从环保和资源危机的角度出发，产生了对电动汽车的大量需求。人类历史上最早出现的电动车可追溯到1881年法国工程师古斯塔夫·特鲁夫发明的一辆用铅酸电池为动力的电动三轮车。经过一百多年的发展，当今的纯电动汽车的原理依然相同，动力来自于蓄电池，彻底消除了排放污染和噪音，只需要定时充电即可，是最环保、最安静、最理想的现代交通工具。从20世纪90年代美国通用汽车公司率先开发出的纯蓄电池电动汽车EV1到今天，许多西方发达国家都开发过性能优异的而电动汽车。那么时至今日，为什么电动汽车还没有得到过大规模的普及呢？公认的难题就是蓄电池的问题。其中研究比较多的就是蓄电池的性能表征参数“电量”问题。剩余电量，亦称荷电状态（SOC）作为电动汽车是否可持续行驶的重要依据，因此对它的估计具有重要意义。综合分析作为当前研究的热点，剩余电量SOC的估算方法多种多样，大致可划分为两类，一类是比较传统的SOC估算方法，比如荷载放电法、安时计量法、内阻法以及电化学阻抗频谱法等；另一类则结合比较新颖的高级算法对SOC进行估算，比较典型的包括卡尔曼滤波法、神经网络法以及基于模糊理论的SOC估算法等。本文基于卡尔曼滤波法，对电池剩余电量SOC进行估计和MATLAB仿真。卡尔曼滤波法诞生于20世纪60年代，由匈牙利科学家卡尔曼（R·E·Kalman）首次提出，当前已发展成为最优估计理论体系的核心内容。卡尔曼滤波法可以对系统状态作出最小意义上的最优估计，目前在很多技术领域内都有广泛应用，如目标跟踪及定位、动力系统控制、导航及通信技术等。近年来，卡尔曼滤波又被引入到电池SOC的估算技术中。传统的卡尔曼滤波需要将系统描述为状态空间模型的形式，如果研究对象为非线性系统，它首先会将非线性系统作线性化处理，然后再进行递推。卡尔曼滤波用于SOC估算时，结合特定的电池模型，一般是将电池充放电电流作为系统输入，而将电池端电压作为系统输出，两者都是可检测的量，而需要估算的SOC则视作系统的内部状态，这样通过卡尔曼递推算法即可实现SOC的最优估计。方案论证卡尔曼滤波是根据线性最小方差估计的原则，从随机过程的观测量中提取出所需状态估计值的一种算法。对一个线性的动态系统：其中为状态向量；是观测向量；为控制向量。和为互不相关的零均值高斯白噪声，且有：假设状态变量的初始统计特性已知：卡尔曼滤波的过程，就是在已知观测向量序列，，···以及控制向量序列，，···的前提下，找到状态向量的最优估计，并使估计值与实际值之间误差的方差最小，且为无偏估计。记为 t时刻状态向量的最优估计；为状态向量的先验估计；则状态估计误差和先验估计误差分别为：则状态估计误差的方差矩阵为：类似地也可以得到先验估计误差的方差阵：卡尔曼滤波是一个递推的过程，其计算基本流程如下图所示：传统的卡尔曼滤波算法通常由下面的表达式描述：需要注意，卡尔曼滤波法主要应用于线性系统，而蓄电池工作时会体现出复杂的非线性特点，为此后来有人采用扩展卡尔曼滤波即 EKF 来进行 SOC 估计，虽取得了一定成果，但 EKF 在实际使用中存在线性化误差，而且雅可比矩阵也难以计算。近年来又出现了一类新的非线性滤波方法，统称为 Sigma 点卡尔曼滤波，其中就包括无迹卡尔曼滤波即 UKF 方法。UKF 不需对非线性方程进行泰勒近似，而是直接采用非线性 UT 变换技术，使非线性系统状态的均值和方差可以直接按非线性映射传播，从而实现较高的状态估计精度。实际上，根据最优估计理论，可以将传统的 KF，EKF 以及 UKF 的每次迭代操作统一于一个通用的框架结构内。虽然这几种方法在形式上有所不同，但这只是一些附加条件和运算方式的差异，它们无一例外都是由六个主要步骤构成的，对于一个离散系统：KF，EKF 以及 UKF 这几种滤波算法的通用框架可归纳为如下几个步骤：状态估计时间更新。均方误差时间更新。系统输出先验估计。