数据与模型融合驱动的锂离子电池多状态联合估计研究.pdfVIP

哈尔滨工业大学硕士学位论文

摘要

高能量密度型和高功率密度型锂离子电池分别在储能和大倍率充放电场合

有所应用，对其进行准确的状态估计是提高电池使用寿命和安全性的基础。目

前，无论是解析模型还是数据驱动模型进行状态估计都有其局限性，而数据-

模型融合驱动算法有望综合二者优点来提高状态估计精度。因此，本文针对高

功率密度型钛酸锂电池和高能量密度型钴酸锂电池，开展了数据-模型融合驱

动的锂离子电池荷电状态（StateofCharge,SOC）和健康状态（StateofHealth,

SOH）联合估计研究。

首先，对本文所选电池进行实验并选择解析模型。对高能量密度型钴酸锂

电池进行老化与基础特性实验，并建立了1阶RC模型、2阶RC模型、定阶次

分数阶模型与变阶次分数阶模型。通过模型参数辨识和端电压预测进行解析模

型评估，分别选择了变阶次分数阶模型和2阶RC模型表征高功率密度型钛酸

锂电池和高能量密度型钴酸锂电池，端电压平均误差为0.0126V和0.0187V。

其次，使用数据-模型融合驱动算法对两种电池进行了SOC估计。使用分

数阶无迹卡尔曼滤波和卷积-长短时记忆神经网络对两种电池分别进行基于解

析模型和数据驱动的SOC估计，并结合两类算法估计结果的特点提出一种数

据-模型融合驱动算法。结果表明：所提融合驱动算法能够根据工况特点对电

池进行SOC自适应融合估计，估计精度明显优于仅基于解析模型和数据驱动

的方法，两种电池SOC估计均方根误差最大不超过2.2%。

随后，对电池的SOC、SOH和实际容量进行了联合估计。对于两种电池

分别拟合了温度、IC曲线峰值对应电压与最大可用容量测试所测容量的多项式

曲线。基于这些曲线计算了电池的SOH和容量先验估计值，并将其作为初值

用于数据-模型融合驱动的SOC估计。不同工况下电池实际放出容量有所差别，

采用改进的安时积分逆方法进行容量实时修正。结果表明，所提联合估计算法

具有良好的估计精度，修正后的容量估计值在后期相对误差均收敛到2%以内。

最后，建立电池组Simulink模型对本文所提算法进行验证。考虑到电池单

体间的不一致性，选择具有最大和最小端电压的单体进行SOC和容量估计，

并根据电池组可放出电量取决于电量最少单体的原则进行电池组状态联合估计。

结果表明，本文所提算法在电池组层面SOC估计RMSE仍小于1.6%。

关键词:锂离子电池建模；模型融合；SOC估计；SOH估计；电池组

-Ⅰ-

哈尔滨工业大学硕士学位论文

Abstract

Highenergydensityandhighpowerdensitylithium-ionbatterieshavebeen

appliedinenergystorageandhighratecharginganddischargingelectricfields,

respectively.Accuratestateestimationisthefoundationforimprovingbattery

servicelifeandsafety.Atpresent,bothanalyticalanddatadrivenmodelshave

theirlimitationsinstateestimation,anddata-modelfusiondrivenalgorithmsare

expectedtocombinetheadvantagesofbothtoimprovestateestimationaccuracy.

Therefore,thisarticlefocusesonthejointestimationoftheStateofCharge(SOC)

andStateofHealth(SOH)oflithium-ionbat