动力锂离子电池的ＳＯＣ估计算法建模与仿真文献综述
2020-04-28 08:04
1.1 论文目的
随着环境、能源和气候的问题日益突出，纯电动汽车以其绿色环保的优势，将成为未来汽车的主流，越来越受到国际社会的关注。锂离子动力电池作为各种电动汽车的主要动力元件，占了纯电动汽车成本的三分之一[1]，电池电荷状态（State of Charge，简称SOC）被用来反映电池的剩余容量的情况，整车控制系统根据电池管理系统提供的电池SOC决定控制策略，分配电机和发动机的能量输出比例，计算续驶里程信息等。因此，SOC是整车控制系统的重要参数。但是，在电动汽车运行过程中，动力电池充放电频繁，电流波动剧烈，工作环境温度经常变化，使得动力电池的容量损失严重，这给SOC的估算带来了困难。所以针对动力锂离子电池在使用过程中的这些特点，本文采用建模仿真的方法并结合比较先进的估计算法对锂离子电池的SOC进行估计，以获得较为准确的锂离子电池SOC估算值。
1.2 论文意义
SOC估算精度主要与选用的估算算法及描述电池特性的电路模型有紧密联系。本文试图通过MATLAB/Simulink建立电池的RC等效电路模型，并基于实验数据对模型参数进行辨识，再采用EKF（扩展卡尔曼滤波）算法进行电池的SOC估算，并将估算结果与实验数据进行比较，评价估算方法的精度。
[2]采用RC等效电路模型的意义在于它能够考虑电压、电流、温度、极化等多种因素的影响，使用基本电路元件组成电路描述电池的工作特性，物理意义清晰明确。而神经网络模型需要大量的历史数据来预测电池性能，并且模型只能针对特定因素分析，难以全面反映电池特性；因为电池内部是复杂的化学反应，要在实际应用中建立精确的电化学机理模型是很困难的。所以选用RC等效电路模型可提高估算的精度。
[3]扩展卡尔曼滤波可以实时预测电池估测值，具有较好的收敛性，对模型给出的初始值要求不高，因此比较适用于计算待测初始值不是很明确，波动比较大的电池SOC估算，并且原理易懂、结构简洁方便工程实现。而神经网络算法需要采集大量数据反复测试实验来校准函数关系，耗时长，成本高，因此不易实现；安时法容易积累误差从而影响估算精度；内阻法会因为电池内部结构变化而影响电池内阻值，从而导致估算精度减小。
1.3 国内外研究现状
关于SOC估计算法的研究，国内外学者进行大量的研究。
CHARKHGARD M[4]用神经网络和EKF相结合的方法实现了SOC的在线估计，但是依赖于电池大量的离线数据训练。Dheenadhayalan[5]提出了在使用锂离子电池的RC等效电路模型与EKF能比较准确估计SOC在噪声下的值。EKF是评估锂离子电池SOC的有效方法，因为它对车辆运行过程中出现的噪声具有高度的免疫能力。但一阶RC等效电路模型不能更好地体现电池本身这个非常复杂的非线性系统，因而考虑影响电池SOC的因素不够全面。Mohammed Farag[6]对基于锂离子电池的RC等效电路模型的两种不同的SOC估计策略进行比较，即扩展卡尔曼滤波器（EKF）和平滑变结构滤波器（SVSF）。 并使用基准数据集（UDDS周期）来研究这些模型的性能。得出该RC等效电路模型和SVSF算法结合具有较高的SOC估算精度。
Yin Chun［7］在等效电路模型的基础上将自适应滑模观测器运用于SOC 的估算中，最后建立了仿真模型验证了方法的可行性，但算法误差和有效性不能得到保证。Daler Rakhmatov等人[8]提出了基于粒子扩散理论的解析模型，该模型将电池内部电化学反应中活性物质的运动抽象为有限区域上的一维扩散问题，实现了对锂离子电池在不同负载下寿命的精准预测。
