基于分数阶模型的锂离子电池SOC估计开题报告

 2020-02-10 10:02
1.目的及意义(含国内外的研究现状分析)

1.目的及意义

1.1目的与意义

为充分发挥锂离子电池的性能,延长蓄电池的使用寿命,需要对蓄电池进行必要的管理和控制。锂离子电池荷电状态估计的准确与否对电池性能的发挥和使用具有重要的意义。SOC表征电池当前的剩余电量,是电池最重要的性能指标之一,同时,只有SOC的准确估计,才能保证SOC维持在合理的范围内,防止电池过充和过放造成不可恢复的损伤,延长电池的使用寿命。因此SOC估计是锂离子电池研究的热点问题。

准确估计锂离子电池的SOC,能够帮助我们对锂离子电池的能量密度和电池安全有一个准确的认识,并且能对锂离子电池能量密度和安全性有一个平衡,在保证安全性的情况下能够对电池的能量密度进行最大化。

对于电池的SOC问题,目前的研究多集中在电池建模和估计方法两方面,应用较多的电池模型是等效电路模型,因其模型结构简单,便于数学运算,而SOC估计方法则包含了开环估计法和闭环估计法两大类,随着算法理论的发展不断出现新的估计方法。

从分数阶微积分理论入手研究锂离子电池的分数阶模型,并基于此进行SOC估计算法的研究,在提高SOC估计精度,完善电池管理系统的功能方面具有现实意义和价值。

1.2国内外研究现状

电池本身是一个复杂的非线性系统,其SOC估计的影响因素很多并且关系复杂。SOC作为蓄电池的内特性不可能直接进行测量,只能通过对电压、电流、内阻、温度等一些可以直接测量的外特性参数进行估计获得。国内外针对SOC估计提出多种预测方法,各种方法都有一定的优缺点。目前研究较多的SOC估计方法有:开路电压法;安时积分法;卡尔曼滤波法;神经网络法等。针对这些基本的SOC估计方法,国内外的学者提出了一系列的的研究报告。

关于SOC估计方法组合,罗玉涛针对电动汽车用锂离子电池组,在分析了各种文献中的安时积分法、卡尔曼滤波法、神经网络法以及它们的各种组合算法,提出了一种能修正初始误差的荷电状态估算方法,即采用扩展卡尔曼滤波与安时积分的组合算法。在分析电池各种等效电路模型优缺点的基础上,包括蓄电池的Rint、Thevenin、PNGV、GNL等等效电路模型,选用具有双阻容并联网络的PNGV改进型电池模型,并以某锂电池为实验对象,对其进行模型参数识别[1]。电动汽车用的锂离子动力电池组电化学极化模型,并利用扩展卡尔曼滤波和最小二乘算法分别建立了在线和离线的参数辨识方法。混合脉冲功率特性试验的验证结果表明:基于提出的电化学极化模型所建立的参数辨识方法能够保证模型最大相对误差在1%以内,可精确模拟动力电池组的动态电压特性[2]

基于各个模型和理论的SOC的估算,吴松松以磷酸铁锂电池为研究对象,在进行了电池特性实验的基础上确定电池电压特性以及开路电压与SOC关系。以二阶等效电路模型为基础,结合LPV理论及EKF原理,在MATLAB/Simulink中搭建电池仿真模型,实现了电池模型参数与SOC的联合估算,设计实验验证了模型的正确性。并嵌入整车模型模拟运行,电池SOC工作区间符合控制策略,设计的磷酸铁锂电池SOC估算方法可行有效[3]。刘伟龙为进行基于电动汽车工况的SOE估计,对SOE估计方法、行驶工况识别算法、行驶工况预测算法展开研究,建立基于模型的电池剩余能量状态(SOR)估计方法,提出基于信息熵理论的行驶工况识别算法,应用马尔科夫链理论构建了行驶工况预测算法,建立电动汽车系统模型,仿真获取电动汽车预测行驶工况对应的电池预测工况,实现基于电动汽车工况识别与预测的SOE估计[4]。吴铁洲为进一步提高SOC估算精度,充分考虑温度对电池模型参数的影响,改进电池的二阶RC等效电路模型,建立电池的非线性状态空间模型;为保证SOC估算结果的收敛性,将迭代滤波理论引入到扩展卡尔曼滤波算法中;采用Levenberg-Marquardt方法优化迭代过程,并将其应用于动力电池SOC的估计[5]。魏克新基于电池的戴维宁(Thevenin)模型,设计了多模型自适应卡尔曼滤波器,并将多模型自适应卡尔曼滤波器应用于电动汽车电池荷电状态估计[6]。刘树林针对电动汽车动力锂离子电池的状态估计问题,提出一种基于分数阶等效电路建模方法,并采用分数阶卡尔曼滤波算法估计电池荷电状态。首先建立基于二阶等效电路的分数阶电池模型,采用遗传算法辨识阶数,然后利用分数阶卡尔曼滤波算法估计电池SOC,并与扩展卡尔曼滤波算法进行比较[7]。何耀基于Nernst电化学方程,提出了一种新型的电池建模方法,运用统计学原理,通过测量较少的数据得到较为精确的电池模型,相关参数能够用包括连续变化的温度等多因素进行拟合。通过在不同温度环境下模拟电动汽车实际工况,对锂电池进行放电实验,通过试验设计的方法建立电池模型,结合扩展卡尔曼滤波算法实现对锂电池SOC的动态估计,仿真和实验结果验证了所提方法的优越性[8]。孙冬针对锂电池非线性的特性,提出了采用离散滑模观测器估计锂电池荷电状态的方法,给出了离散滑模观测器的设计方法及其稳定性证明,基于锂电池的戴维南等效电路模型,给出了该方法的设计过程,在不同的充放电电流倍率和环境温度下,进行了锂电池模型的参数辨识,通过与常用的扩展卡尔曼滤波法相比较,分析了离散滑模观测器对锂电池SOC估计的精度、鲁棒性和算法复杂度等方面的性能[9]。于仲安为减少电流漂移噪声对估算造成的不利影响,提出了联合扩展卡尔曼滤波法,以Thevenin模型为锂电池等效电路模型,将电流漂移值作为状态变量与电池SOC进行同步预测[10]。刘毅在电池模型参数辨识基础上,提出采样自适应Sigma卡尔曼算法构建SOC估算模型,按照非线性模型对状态变量的分布构建Sigma采样序列,采用模型输出残差更新噪声协方差,赋予Sigma采样序列最优估计及噪声的权值,并实现误差量的实时更新,降低计算复杂度。通过持续大电流、间断电流、变电流放电及充电实验条件下的SOC估算对比实验,验证了自适应Sigma卡尔曼算法快速收敛性,数学描述更准确,具备较高的SOC的观测准确度[11]。张彩萍提出了一种基于遗传优化算法和扩展卡尔曼滤波算法的电池模型参数辨识方法。建立了锂离子动力电池等效电路模型,模型中两个RC网络分别描述电池的电化学极化特性和浓差极化特性,迟滞电压描述电池充放电过程的平衡电势的差异。对于具有耦合关系的模型参数,采用具有最小均方误差估计效果的EKF辨识算法,针对EKF算法通过试验调节难以取得最佳滤波效果的问题,提出基于遗传算法优化EKF噪声矩阵的方法[12]

您需要先支付 5元 才能查看全部内容!立即支付

该课题毕业论文、开题报告、外文翻译、程序设计、图纸设计等资料可联系客服协助查找,微信号:bysjorg 、QQ号:3236353895;