锂电池荷电状态、健康状态以及功率状态的联合在线估计算法

摘要

锂电池在交通工具、电网、移动设备中被大量应用。然而在汽车领域，由于汽车使用环境差异极大，因此，锂电池作为它的一种主要动力来源，不但需要在一些复杂的外部条件，而且需要在这些苛刻的使用条件下甚至是在遭受破坏时，保证驾驶者以及乘客的安全。在这一过程中，要保证电池的安全使用，并提供更好的电池管理策略，需要对电池自身状态进行估计。
　　常见锂电池状态描述变量有荷电状态(State of Charge，SoC)、电池的健康状态(State of Health，SoH)以及电池的功率状态(State of Power，SoP)。三者分别描述电池可持续对外供电或受电的能力、电池剩余使用寿命以及电池即时对外进行输出电能或接受电能的能力。虽然目前对于这三个状态量的在线估计有大量的估计算法，但是汽车内部嵌入式系统有限的计算能力限制了对诸多算法的使用。
　　针对这一问题，给出一种联合性算法，在统一使用改进后的Randle电池模型的基础上，对三个状态量进行在线估计。
　　对于电池模型，一种标准化的迭代最小二乘算法被用于对电池模型参数进行识别并避免了最小二乘算法中，由于协方差矩阵反复迭代而导致的数据溢出问题。而识别的电池参数则被用于直接估计电池的健康状态。
　　由于实际情况中，噪声的功率以及其对应的协方差矩阵是难以获知的，因此，一种带有自适应噪声协方差矩阵的拓展卡尔曼滤波(Extended Kalman Filter，EKF)算法被用于电池进一步的SoC在线估计。估计过程中，电池开路电压(Open Circuit Voltage，OCV)也被作为状态变量归并入迭代过程中。
　　其次，结合电池模型以及改进后EKF算法中的状态方程，一种基于多限制条件下峰值功率的估计算法被给出。其计算过程涵盖对电压电流以及电池SoC处于极限状态下的峰值功率计算。其结果结合电池额定功率被最终用于SoP的估计。
　　三个部分的算法的准确性均有仿真实验加以验证。最后，硬件实现的电池数据采集卡配合BTS-5V300A设备通过实验对电池模型参数识别算法以及电池SoC、SoH与SoP估计算法的估计效果进行了验证。仿真实验与电池实验结果的对比，验证了估计算法的有效性。

目录

声明

摘要

第1章 绪论

1．1 课题的研究意义

1．2 国内外对SoP估计的研究现状

1．2．1 SoC估计

1．2．2 SoH估计

1．2．3 SoP估计

1．3 本文研究的主要内容与方法

第2章 电池模型搭建、参数识别与SoH估计

2．1 电池模型的选择与搭建

2．2 电池模型参数识别与迭代最小二乘法

2．2．1 迭代最小二乘法与标准化

2．2．2 电池模型参数与迭代最小二乘法匹配

2．2．3 电池SoH的估计

2．3 电池模型的仿真验证

第3章 拓展卡尔曼滤波与SoC估计

3．1 拓展卡尔曼滤波与自适应

3．2 对电池开路电压与荷电状态的联合估计

3．3 在线估计结果与评价

第4章 SoP的在线估计

4．1 SoP的定义

4．2 峰值功率与SoP估计

4．2．1 恒流情况下的峰值功率估计

4．2．2 恒压情况下的峰值功率估计

4．2．3 基于双限制值的峰值功率估计

4．2．4 基于SoC的峰值功率估计

4．2．5 多重限制下的峰值功率与SoP的计算

4．3 峰值功率与SoP估计仿真验证

第5章 硬件实现与实验结果

5．1 电池数据采集卡实现

5．2 验证实验实现与结果

总结与展望

致谢

参考文献

攻读硕士学位期间发表的论文及科研成果