基于卡尔曼滤波的锂离子动力电池SOC状态估计算法研究开题报告
2020-04-21 04:04
1. 研究目的与意义（文献综述）
近百年来，人们被科技的进步带进了一个快节奏的时代，活动范围的扩大，各种需求的出现使得汽车产业的发展尤为明显，甚至已经作为一个单独的产业从机械制造业中分离出来。乘用车，商用车，专用车无一不在深刻影响着我们的生活。
然而，经济的发展高度依赖于能源，众所周知，根据现在的化石能源利用速度，人类在不远的未来就将面临能源危机，
另外，环境问题日益严峻，全球变暖，温室效应，酸雨，雾霾等都指向了化石能源的过度使用，甚至直接指向了以石油作为动力的汽车。
2. 研究的基本内容与方案
| 课题主要目的为主要包括以下几方面的内容： (1)、了解锂电池组及电动汽车工作原理，掌握电动汽车动力锂电池相关知识； (2)、了解卡尔曼滤波的基本思路，以及在SOC估算中的应用方法； (3)、构造合适的锂电池模型； (4)、完成matlab的仿真与调试。 拟定技术路线如下： 卡尔曼滤波实际上是将前次时刻的状态估计值与当前系统输入值相结合，使用迭代循环方式来实现最小方差估计。系统状态空间模型如下：
式中x、u、y分别为系统状态变量，输入量和输出量，w是过程噪声变量，用来描述状态转移过程中的加性噪声及误差。V为观测噪声变量。用来描述系统输入量测量时产生的噪声和误差，A、B、C、D都是用来体现系统动态特性的方程匹配系数。假设w和v都是零均值的高斯随机白噪声，有空间模型如下：
图1 卡尔曼滤波模型 电池不是线性的动态系统，故需要用拓展卡尔曼滤波法对电池组进行SOC估算。 式中f和g分别对应非线性状态转移函数和非线性测量函数
图2 扩展卡尔曼滤波计算流程 卡尔曼滤波SOC的锂电池等效模型从系统状态变量和非线性状态转移函数来看可采用符合模型即把SOC作为系统的状态变量x,充放电电流和环境温度作为输入量u，电池工作电压作为输出量y。由以下三种模型
式中：y为电池工作电压，R 是电池内阻，R 会随着充放电状态和 SOC 值的变化而改变，是电池极化电阻，K1，K2、K3是模型匹配系数。当电池放电时，i为正，充电时，i为负。
所含系数可以用最小方差原理求得。 最后使用matlab进行仿真设计，完成实验验证。 |
3. 研究计划与安排
第1周：下达毕业设计任务书及要求，查阅国内外研究现状等文献；
第2周：查阅文献，讨论毕业设计任务和内容；
第3章：撰写并提交毕业设计开题报告；
4. 参考文献（12篇以上）
[1]纯电动汽车用磷酸亚铁锂电池管理系统. 张杨, 硕士学位论文，北京交通大学 ，2009.
[2]languang lu, xuebing han, jianqiu li, jianfeng hua, minggao ouyang. a review onthe key issues for lithium-ion battery management in electric vehicles. journalof power sources 2013; 226: 272-288.
[3]k.m. tsang, w.l. chan. state of healthdetection for lithium ion batteries in photovoltaic system. energy conversionand management 65 (2013) 7-12.
