磷酸铁锂电池组soc估计算法研究-电气工程专业论文.docxVIP

优秀毕业论文 精品参考文献资料 研究生优秀毕业论文 西南交通大学 西南交通大学 学位论文版权使用授权书 本学位论文作者完全了解学校有关保留、使用学位论文的规定，同意学校保留并 向国家有关部门或机构送交论文的复印件和电子版，允许论文被查阅和借阅。本人授 权西南交通大学可以将本论文的全部或部分内容编入有关数据库进行检索，可以采用 影印、缩印或扫描等复印手段保存和汇编本学位论文。 本学位论文属于 1．保密口，在年解密后适用本授权书； 2．不保密么使用本授权书。 (请在以上方框内打“巾) 学位论文作者签名：又P瘩奄 指导老师签名： 日期：矽／了。箩，12 日期： Iz．oty，3-,IZ,- 万方数据 西南交通大学硕士学位论文主要工作( 西南交通大学硕士学位论文主要工作(贡献)声明 本人在学位论文中所做的主要工作或贡献如下： 1．根据对电池的前期调研，选择天津力神LRl865EC型号电池作为系统研究对象， 根据电池性能实验的结果，建立出电池的二阶RC等效电路模型。通过不同的放电实 验，验证模型的有效性。 2．在实物设备上实现扩展卡尔曼滤波算法估算SOC算法，并使用恒流放电工况验 证了算法，并说明其误差来源与影响。 3．针对经典卡尔曼滤波算法难以适应磷酸铁锂电池SOC估计的情况，实现了基于 SOC工况放电信息融合的噪声补偿扩展卡尔曼滤波算法，该算法将系统模型误差视作 噪声误差进行处理，并在不同区间对系统噪声模型加入补偿参数，从而能够在复杂电 流工况运行条件下同时满足SOC可靠性能与初值矫功能要求。 4．噪声补偿算法由于使用固定的系统噪声模型参数，当系统测量噪声未知时难以达 到良好效果。因此本文使用自适应滤波算法，解决系统对噪声模型敏感的问题。而单 独的自适应滤波算法在处理SOC初值存在误差时表现不佳，因此本文结合了自适应滤 波算法与多模型滤波算法，实现了可应用在噪声模型未知系统中的磷酸铁锂电池SOC 估计方法。 本人郑重声明：所呈交的学位论文，是在导师指导下独立进行研究工作所得的成 果。除文中已经注明引用的内容外，本论文不包含任何其他个人或集体己经发表或撰 写过的研究成果。对本文的研究做出贡献的个人和集体，均已在文中作了明确说明。 本人完全了解违反上述声明所引起的一切法律责任将由本人承担。 学位论文作者签名： 只P磊右 日期：聊歹。f．／z_ 万方数据 西南交通大学硕士研究生学位论文 西南交通大学硕士研究生学位论文 第l页 摘 要 电动汽车的电池管理系统的需要准确了解当前电池组的荷电状态(State ofcharge， SOC)。电池管理系统中的均衡系统以及安全管理系统，都需要使用SOC值判断电池 状态以及进行控制策略的设计。而磷酸铁锂电池由于本身特性，其过放电会导致电池 产生不可逆转的损伤，过充电会导致电池过热甚至爆炸，因而对电池管理系统提出了 更多的要求。但如何准确测量工况下的磷酸铁锂电池的SOC仍然是世界性难题。 论文从分析磷酸铁锂电池内部电化学反应开始，通过设置在不同SOC状态，不同 电流工况下的充放电实验，测取电池模型SOC．OCV曲线，以及欧姆内阻，浓差阻抗 等动态参数，建立出适合用于现代计算机所使用的二阶RC等效电池模型，为下一步 SOC仿真提供建立模型。 在二阶RC模型基础上，本文在实物设备中实现了扩展卡尔曼滤波SOC估计算法 设计，证明该算法在SOC估计系统中的有效性，并分析其在不同工况下表现的差距， 提出了目前所使用的经典扩展卡尔曼滤波算法的局限性与不足。 针对复杂工况下磷酸铁锂动力电池组SOC估计不准确的问题，本文提出实物电池 SOC估计误差主要来源之一是模型误差，特别是在复杂工况下，电池模型误差影响因 素会进一步增加。因此本文提出并实现基于模型信息的噪声补偿扩展卡尔曼滤波算法， 一种针对电池组工况特性下卡尔曼滤波方法，该算法基于电池组工况放电特性，提取 其特征参数并进行模式分类，对扩展卡尔曼滤波模型进行不同的噪声模型数据补偿， 实现优化估计。该算法可应用在系统测量噪声模型已知的SOC估计系统中，能有效避 免由于多因素所引起的系统状态模型误差而导致的SOC估计发散或矫正性能差的问题。 在实际电池系统中，测量噪声模型通常处于未知状态，同时也容易受到外界干扰而 变化。此时噪声补偿扩展卡尔曼滤波算法难以收到良好结果。本文使用自适应滤波算 法，使得滤波系统能够实现自动跟踪外界噪声模型的变化。同时针对单独的自适应滤 波算法在存在SOC初值误差系统的表现较差的情况，结合多模型自适应滤波理念，实 现了多模型自适应卡尔曼滤波算法。该算法具有更好的精度与收敛性能，能够适应更 复杂的工况条件。 关键词：磷酸铁锂动力电池组；SOC：能量管理；扩展卡尔曼滤波；自适应卡尔曼滤 波； 万方数据 西南交通大学硕士研究生学位论文 西南交通