针对粒子滤波算法的电动汽车剩余电量动态估计分析研究.pdfVIP

中文摘要 摘要：面对环境恶化和能源危机带来的双重压力，纯电动汽车已经成为未来汽车 发展的主要方向。动力电池是电动汽车的能量来源，为了确保电动汽车能够安全 稳定高效地运行，需对电池进行必要的管理和控制。电池荷电状态(SOC)是电 池管理系统中最重要的参数之一，通过电池SOC可以判断电池组中单体电池之间 的性能差异，避免电池的过充过放，同时还能预测电动汽车的续驶里程，因此及 时、准确地对电池SOC进行估计具有非常重要的现实意义。 目前国内外研究的电池SOC估计，主要以在实验室测试的电池数据为基础， 很少有人采用电动汽车实际运行的电池数据进行研究，而本文选择纯电动环卫车 为实验对象，以实时采集得到的电池数据为基础对电池的SOC值进行估计。 首先，对采集到的原始电池数据文件进行解析，得到相应的电池数据表。为 了获得完整、准确的实验数据，设计了电池数据处理算法对数据进行相应的处理， 主要包括异常数据处理，数据完整性处理和充放电数据分类处理。然后，根据电 池放电数据建立了锂离子电池模型，并通过遗忘因子递推最小二乘法辨识得到模 型参数。 由于电池是一个复杂的非线性系统，而粒子滤波算法在求解非线性问题方面 具有一定的优越性，因此本文研究了利用粒子滤波算法动态估计电池的SOC值， 将粒子滤波算法和锂离子电池模型相结合，利用实测数据进行了电池SOC的估计 实验。结果表明，粒子滤波算法能够对电池的SOC做出较准确的估计，该算法具 有很好的适用性。 为了较好地解决粒子滤波算法中粒子的退化问题，进而提高粒子滤波算法对 电池SOC的估计精度，本文根据遗传算法的原理，探索性地提出了遗传粒子滤波 算法，并详细给出了利用遗传粒子滤波算法估计电池SOC的实现方法，通过实例 验证，并与标准粒子滤波算法进行对比分析，结果显示，遗传粒子滤波算法对电 池SOC的估计更加准确，精度更高。 关键词：电池荷电状态；电池模型；最小二乘法；粒子滤波算法；遗传算法 分类号： AB STRACT ABSTRACT：Facetothedouble fromenvironmental pressures and degradationenergy vehicleshasbecome crisis，electric themain directionofthefuture．The development isthe powerbatterysourceofelectric inorderto vehicles，and theelectricvehicles keep work and needstomake securely and effectively,it controlof necessarymanagement the stateof themost battery．Battery ofthe charge(soc)is importantparameter