电动汽车锂电池组soc估计的esp模型.docxVIP

电动汽车锂电池组soc估计的esp模型 电气模型是描述电池内电气氧化的机模型。国内外对电气模型的研究最为广泛。基于多孔电极理论和浓度理论的准二维模型(P2D)是一种经典的电化学模型,该模型对电池内部反应描述详细,计算精度高。然而P2D模型仿真过程耗时较长,在实际工程应用中效率不高 遗传算法是一种能进行变量全局寻优的方法,文献 1 固相扩散过程研究 锂离子电池ESP模型是一种将准二维模型简化后和单粒子模型相结合的简化电化学模型。ESP模型把电池正负极用一个球状粒子来表示,其结构简图如图1所示。 在此模型中,电池端电压表达式 E 式中:y 正负极颗粒处锂浓度变化属于固相扩散过程,在P2D模型中,其控制方程为偏微分方程,采用三参数抛物线来近似表示固相颗粒内锂浓度C 式中:y 式中:y 式中:τ 为验证上述简化的准确性,以负极为例,选用文献 随着电池内电化学反应的持续进行,电解液中锂离子的移动会产生一个电势U 式中:R为气体常数;T为温度;F为法拉第常数;t 对式(6)进一步简化,将正负极参数合并,用平均值来表示 式中:c 式中：τ 根据Bulter-Volmer动力学方程,反应极化过电势可表示为: 式中:U 欧姆极化过电势表示为: 2 dst放电工况下的仿真结果 ESP模型共有11个未知参数,其中c 第二步,对剩余6个参数进行辨识。通过借鉴等效电路模型中的在线辨识方法,将剩余参数分不同SOC阶段,利用遗传算法进行多次辨识。本文遗传算法中新个体的产生直接选择全局最优个体与本身进行交叉、变异,简化了传统遗传算法中选择父代、母代个体的过程,从而提升了算法的运算速度。 辨识程序分为两个部分,主程序为改进遗传算法程序,子程序为适应度函数计算程序。本文所用适应度函数值用模型仿真输出电压与实验电压的平均误差来表示 辨识程序可简述为:(1)确定变量数等基本量,根据经验设定各变量的搜索范围,运行主程序产生第一代种群,将种群个体输入子程序中,计算当前种群个体的适应度函数值,以此选出最优个体并记录;(2)主程序选择当前全局最优个体与本身进行交叉、变异,产生下一代新的种群;(3)如此往复,经过一定代数遗传后,即可使适应度函数值逐渐减小,即搜索到各变量的最优解。各阶段辨识程序运行结果如图5所示。 由图5可知,经过50次遗传迭代后,种群最优个体趋于稳定,此时的参数结果就是经过全局搜索得到的最优解。本文为更加全面了解ESP模型和辨识参数的精度,对SOC低于20%的数据进行了采集,并辨识参数。从适应度函数值来看,随着SOC的降低,辨识参数的精度有所下降,特别是在SOC低于20%时,辨识参数的误差比前几个阶段大,可能是电池在放电末期非线性特征加剧,使得模型精度下降。 DST是美国《USABC电动汽车电池测试手册》中所设计的一种电池动态测试工况,根据电动汽车在城市中的实际运行工况简化而来,可以体现电池在受到瞬时大电流冲击以及充放电之间快速切换时的动态性能。为更好地了解所获得参数的准确性,采用DST工况电流为输入数据,将仿真输出电压与实验值对比验证。如图6所示,实验所用设备为新威电池测试系统,所用电池为18650三元锂电池,最高截止电压为4.2V,工作电压为3.6 V。 DST放电工况下,端电压仿真值、实验值及误差如图7所示,在施加周期性DST工况电流后,电池两端电压出现明显的周期性动态变化,ESP模型良好地反应了这一现象;在0～15 000 s时,模型的精度最好,最大误差在0.03 V左右,且大部分误差不超过0.02 V;在15 000 s后,模型精度开始下降,此时电池的SOC大约为20%以下,特别是17 000 s后,误差明显增大,最大误差已经达到0.18 V,这是因为放电末期电池的非线性特征导致模型已不能准确描述电池状态,这也与之前参数辨识中的现象相吻合。 3 自适应滤波算法实验 本文在Sigma点卡尔曼滤波(SPKF)的基础上,结合强跟踪滤波器,再加入自适应协方差匹配法对噪声协方差进行实时估计,建立自适应强跟踪Sigma点卡尔曼滤波算法(ASTSP-KF)。 系统的状态变量设定为: 式中:s表示SOC,s的控制方程由安时积分法确定,其余三个变量的控制方程由式(5)和(8)确定。系统状态方程为 式中:Δt为系统采样时间;η为库仑系数;W 式中:v 对库仑系数η,在一般计算中通常取为1,本文通过循环放电实验引入一个老化系数λ,将它乘以η来对模型状态方程进行修正。老化系数通过多项式进行拟合,拟合依据的实验曲线如图8所示。 SOC估计的算法实现具体步骤为: (1)初始化,设定初始的状态向量X 式中：K为时刻;ε 式中:H (5)测量更新,通过UT变换加权求出测量预测值的均值 引入自适应方法,对系统噪声进行实时更新。自适应方法下系统噪声的计算为: 式中:M为方差开窗大小