毕业论文网
关于免费卡尔曼滤波论文范文在这里免费下载与阅读,为您的卡尔曼滤波相关论文写作提供资料。
基于双卡尔曼滤波算法的锂动力电池健康度评估
摘 要：锂动力电池能量高、污染低、安全性高,目前己成为新能源汽车的主要动力来源之一.动力电池的健康度( Stateof health,SOH)是电动车动力电池系统中最重要的一项性能指标.但是现有电池SOH的估计多采用离线形式的卡尔曼滤波算法,不能准确描述实际工况,本文针对这一缺点,设计双卡尔曼滤波算法的在线估计方法来评估电池健康度.实验结果表明,该所设计算法具有更高的准确性和收敛性.
关键词：锂离子动力电池；健康状态；双卡尔曼滤波；评估
2016年,随着新能源汽车产销量的爆发,动力电池市场也迎来了大幅增长,据中国汽车技术研究中心动力电池产业发展研究室统计,2016年全年我国新能源汽车动力电池总量为281.4亿Wh,同比2015年增长72%….随着锂动力电池的广泛使用其安全问题也随之显现,自燃、爆炸等事故的发生严重损害了人们的人身安全和财产安全.因此,在安全的使用锂电池为电动汽车提供动力的同时,对其运行的状态、安全性、可靠性等必须做到实时监测.
锂离子电池是一个复杂的电化学系统,其失效模式受诸多因素影响,比如所处的环境的温度,放电深度,充放电机制等等,无法通过设备或仪器采用直接测量法获得.因此,对磷酸铁锂电池的健康状态进行建模研究,实现健康状态的准确预测,是当前电动汽车动力电池应用研究和安全性研究的一个重点和难点.
目前,在锂电池的健康度评估方面多数学者采用扩展卡尔曼滤波来设计,这些设计需提前设定模型参数,在状态空间模型中直接应用,属于离线估计范畴,与实际工况存在出入并不能满足需求.因此,在原有电池SOH基础上本文提出了基于改进双卡尔曼滤波的电池SOH估计方法.
1电池建模
高精度的电池等效模型不但可以为电池荷电状态估计提供依据,还可以在电池能耗及续驶里程检测时提供模拟和仿真.常用的等效电路模型主要有Rint模型、Thevenin模型、PN模型以及Randles模型等.
PN模型是2001年由美国在《PN电池试验手册》提出的“新一代汽车合作计划(Partnership for a New Generation ofVehicles)”等效电路模型,该模型具有典型的非线性特点,在2003年《Freedom CAR电池试验手册》中作为电池性能的标准模型开始被使用.
综合考虑分析,本文选用Thevenin等效电路模型进行锂离子电池建模,在电池的静态和动态特性上该模型可以较好的显示,模型中的电容用来表示电流累积造成开路电压的变化,比较适用于暂态的分析,建模参数可通过离线或在线辨识方法方便获取,物理意义清晰,整体性能体现较好；与其它三种模型相比,其结构相对简单,特别针对Randles模型,减少了RC的阶数,因此简化了计算,实时效果显著,该模型也是目前锂离子动力电池建模的首选模型.
2双卡尔曼滤波算法的电池SOH的估计
2.1 双卡尔曼滤波算法原理
目前估计电池SOH的方式是通过离线获取电池模型参数,将其代入卡尔曼滤波器中,利用卡尔曼滤波算法来估计电池内阻,显然此方法不能实现电池内阻的在线估计.为解决这个问题,本文提出了一种基于模糊推理系统一自适应双卡尔曼滤波(fuzzyinference system-adaptive dual extendedKalman filter,FIS-ADEKF)方法,设计两个卡尔曼滤波器同时运行,分别完成电池欧姆内阻与电池荷电状态(State of Charge,sOc)的估计工作.在估计sOc的卡尔曼滤波器中将电池内阻定为常量,而SOC定义为状态变量,相反,在估计电池内阻的卡尔曼滤波器中将SOC定为常量,而电池内阻定义为状态变量.这样可以获得更稳定、更精确的估计结果.
2.2双卡尔曼滤波器的设计
根据所选定的Thevenin模型,对电池内阻进行估计,建立DEKF离散状态下的空间模型.
对电池健康度估计时,状态空间模型如下式：
3估计结果与分析
本文分别采用DEKF与FIS-ADEKF来估算电池的SOC,其估计结果如图1所示.
从sOc估计结果图中可以看出,AB阶段即放电的初始时期,DEKF估计和FIS-ADEKF估计与Ah法相对比,都存在少许误差,FIS-ADEKF估计相对更贴近Ah法.在AB阶段所存在的误差分析如下： (1)测量本身存在误差； (2)测量前电池未处于充分的稳定状态； (3)温度引起的检测初始状态误差.随着放电时间的累积,即BC阶段,DEKF估计方法误差越来越大,而FIS-ADEKF估计方法基本与Ah法重叠,可以看出收敛效果远高于DEKF估计方法.主要原因是采用Sage-Husa自适应算法与模糊推理系统后其估计值修正了状态与观测噪声的影响.在放电末期即C点之后,FIS-ADEKF估计法也与Ah法存在轻微偏差,分析其原因是在放电末期,电池状态的非线性明显提高,模型参数改变较快,辨识间隔未能适应模型参数的变化速度而所引起的.通过图中对比和以上分析,基于FIS-ADEKF的SOC估计法更接近于真实值,且误差较小.
为了验证FIS-ADEKF估计法对sOc初始误差的修正能力,将电池健康度的初始值分别设为90%、80%、70%和60%,其变化效果如图2所示.从图中可以看出,在利用FIS-ADEKF来估计电池sOc时,虽然所设置的电池初始状态不同,但该方法都能很迅速地收敛到SOC真值.收敛速度的快慢受所设定初始值误差的影响,但在放电500s附近不同初始状态的估计曲线都能很好的与真值接近,在放电2500s左右基本可以与真实值重叠,因此,可以看出该算法的收敛性较之前模型提升不少,并且可以很好地修正初始误差.
4结语
目前,国内外在对锂动力电池的健康状态评估时采用的算法还需进一步完善.本文对电池SOH进行了初步研究,实验结果表明,利用设计的双卡尔曼滤波算法的在线估计方法对电池的健康度进行评估,具有更高的准确性和收敛性.
卡尔曼滤波论文范文结:
大学硕士与本科卡尔曼滤波毕业论文开题报告范文和相关优秀学术职称论文参考文献资料下载，关于免费教你怎么写卡尔曼滤波方面论文范文。