基于改进卡尔曼滤波算法的SOC估计方法研究

发布时间：2017-07-31 03:07

  本文关键词：基于改进卡尔曼滤波算法的SOC估计方法研究

  更多相关文章： 磷酸铁锂电池 等效电路模型 SOC估算 扩展卡尔曼滤波算法

【摘要】：随着环境污染和能源危机的日益加剧,节能环保的电动汽车受到各国政府的关注,电动汽车产业成为全球交通能源转型的发展方向。作为电动汽车的关键组成单元,动力电池的状态好坏、寿命长短在很大程度上决定了电动汽车整体的性能优劣。动力电池的荷电状态(State of Charge,SOC)是动力电池的重要参数,表征了电池剩余容量的多少,是电池管理系统对动力电池进行管理控制的重要依据,也是制定能量管理策略的关键因素。准确估计动力电池的荷电状态(SOC)对提高电池使用寿命和整车性能具有重要意义。但动力电池内部电化学反应复杂,非线性强,在动力电池模型建立和SOC估计两个方面都存在困难。本文工作主要从电池模型建立和SOC估计两个方面对磷酸铁锂电池进行了研究。本文以3.2V/10Ah磷酸铁锂电池为研究对象,通过对其进行不同电流倍率的充放电实验、不同温度下的放电实验、HPPC循环实验等一系列实验,分析了磷酸铁锂电池的充放电特性和温度特性。在对现有电池模型特点进行简单介绍后,考虑电池的充放电电流方向和放电倍率,在Thevenin等效电路模型的基础上建立改进的等效电路模型。本文采用HPPC循环实验,运用最小二乘法辨识得到在不同SOC点充放电方向上的电池模型参数,再利用Matlab中的cftool工具箱进行参数拟合。根据拟合得到的模型参数,在Matlab中建立改进的等效电路模型,并对其进行实验仿真对比。对比结果表明,本文建立的改进等效电路模型具有较好的精度,能够准确模拟磷酸铁锂电池动态特性。基于所建立的改进等效电路模型,本文采用扩展卡尔曼滤波算法对磷酸铁锂电池SOC进行估算。扩展卡尔曼滤波算法可以通过不断地迭代计算,逐渐逼近真实值,克服了安时积分法初值难以确定的缺点,但它对模型的依赖性较强。考虑到电池本身的强非线性和模型所存在的必然误差,为了进一步提高电池SOC估算精度,本文对扩展卡尔曼滤波进行了两方面的改进：修正观测噪声协方差；引入增益因子。最后,通过对磷酸铁锂电池进行动态工况测试,对算法改进前后的估计结果进行了对比分析。分析结果表明,改进后的算法能够有效估算电池SOC,在一定程度上提高了SOC估算精度。
【关键词】：磷酸铁锂电池 等效电路模型 SOC估算 扩展卡尔曼滤波算法
【学位授予单位】：西南交通大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TM912
【目录】：

• 摘要6-7
• Abstract7-11
• 第1章 绪论11-19
• 1.1 研究背景和意义11-14
• 1.1.1 电动汽车11-12
• 1.1.2 动力电池12-13
• 1.1.3 SOC估计13-14
• 1.2 国内外研究现状14-18
• 1.2.1 电池模型15-16
• 1.2.2 SOC估计方法16-18
• 1.3 本文的主要研究内容和工作18-19
• 第2章 磷酸铁锂电池19-28
• 2.1 引言19
• 2.2 磷酸铁锂电池基本原理19-20
• 2.3 试验平台简介20-21
• 2.4 磷酸铁锂电池性能分析21-27
• 2.4.1 标准放电和充电的电压特性22-23
• 2.4.2 不同电流倍率特性23-25
• 2.4.3 不同温度放电特性25-27
• 2.5 小结27-28
• 第3章 磷酸铁锂电池建模28-52
• 3.1 引言28
• 3.2 等效电路模型28-30
• 3.3 Thevenin等效电路模型参数辨识30-39
• 3.3.1 开路电压31
• 3.3.2 欧姆内阻31-33
• 3.3.3 极化内阻和极化电容33-36
• 3.3.4 Thevenin等效电路模型参数辨识结果36-39
• 3.4 不同工况实验验证及仿真结果39-44
• 3.4.1 标准充放电实验39-41
• 3.4.2 不同放电倍率放电实验41-43
• 3.4.3 恒流等容量放电实验43-44
• 3.5 改进的等效电路模型44-51
• 3.5.1 基于不同放电电流的改进等效电路模型45-46
• 3.5.2 基于改进模型的实验验证和仿真结果46-51
• 3.6 小结51-52
• 第4章 基于EKF算法的SOC估计52-64
• 4.1 引言52
• 4.2 EKF算法原理52-54
• 4.3 基于EKF算法的SOC估计54-59
• 4.3.1 基于EKF算法的SOC估计原理54-55
• 4.3.2 EKF算法中Q_k,R_k参数的分析55-56
• 4.3.3 基于EKF算法的SOC估计仿真分析56-59
• 4.4 基于改进的EFK算法的SOC估计59-63
• 4.4.1 改进的SOC估算方法59-60
• 4.4.2 基于改进的SOC估算算法的仿真分析60-63
• 4.5 小结63-64
• 结论与展望64-66
• 致谢66-67
• 参考文献67-70
• 攻读硕士学位期间发表的论文及科研成果70

【相似文献】

中国期刊全文数据库 前10条

1 兰义华;任浩征;张勇;赵雪峰;;一种基于“当前”模型的改进卡尔曼滤波算法[J];山东大学学报(工学版);2012年05期

2 张哲;陈德树;;卡尔曼滤波算法与富氏算法的分析比较[J];电力系统自动化;1990年04期

3 万建伟,皇甫堪,梁甸农;基于推广卡尔曼滤波算法的声测定位技术[J];国防科技参考;1997年04期

4 夏建涛,任震,陈立,景占荣;极坐标下卡尔曼滤波算法的研究[J];西北工业大学学报;2000年03期

5 高磊,崔鑫水;一种自适应协方差矩阵旋转变换卡尔曼滤波算法及其应用[J];航天控制;2004年03期

6 高磊;一种反馈修正推广卡尔曼滤波算法及其应用[J];航天控制;2004年05期

7 刘剑锋;庄志洪;刘中;;卡尔曼滤波算法在最佳起爆角估计中的应用[J];弹箭与制导学报;2005年S1期

8 阮建国;陈炯;;一种适于快速实现的卡尔曼滤波算法的改进[J];电测与仪表;2009年02期

9 陈陌寒;巴晓辉;何璐;陈杰;;复杂信号环境下的鲁棒卡尔曼滤波算法[J];科学技术与工程;2011年17期

10 李莉;宋志强;;转换坐标卡尔曼滤波算法在雷达数据融合中的应用[J];仪器仪表用户;2011年04期

中国重要会议论文全文数据库 前9条

1 刘栋;王惠林;;卡尔曼滤波算法在目标定位系统中的应用[A];第九届全国光电技术学术交流会论文集（上册）[C];2010年

2 周红波;耿伯英;;基于目标跟踪的无偏转换测量卡尔曼滤波算法研究[A];2007中国控制与决策学术年会论文集[C];2007年

3 陈婧;谢磊;李备;;水路交通中的卡尔曼滤波算法综述[A];第七届中国智能交通年会论文集[C];2012年

4 赵汝祺;赵祚喜;赵汝准;;基于多项式卡尔曼滤波算法的车辆定位试验研究[A];中国农业工程学会2011年学术年会论文集[C];2011年

5 曾翠娟;杜传利;;动态GPS自适应卡尔曼滤波算法的FPGA实现[A];第13届全国计算机、网络在现代科学技术领域的应用学术会议论文集[C];2007年

6 李鹏;宋申民;陈兴林;;自适应平方根无迹卡尔曼滤波算法[A];2009年中国智能自动化会议论文集（第八分册）[控制理论与应用（专刊）][C];2009年

7 程慧俐;王纪文;张洪钺;;在未知噪声统计情况下的一种新的自适应卡尔曼滤波算法[A];1994中国控制与决策学术年会论文集[C];1994年

8 刘健;刘忠;玄兆林;;纯方位目标运动分析的自适应扩展卡尔曼滤波算法[A];2005年全国水声学学术会议论文集[C];2005年

9 朱宁;钱伟康;郭强;;基于嵌入式XP的光谱分析系统[A];全国第一届嵌入式技术联合学术会议论文集[C];2006年

中国博士学位论文全文数据库 前4条

1 葛磊;容积卡尔曼滤波算法研究及其在导航中的应用[D];哈尔滨工程大学;2013年

2 冯波;线性滤波估计算法研究及在惯性导航系统中的应用[D];北京理工大学;2014年

3 孟军英;基于粒子滤波框架目标跟踪优化算法的研究[D];燕山大学;2014年

4 周聪;基于非线性估计理论的线控转向汽车状态估计研究[D];西南交通大学;2012年

中国硕士学位论文全文数据库 前10条

1 庞瀛洲;关于电池BMS系统SOC估测算法的研究[D];长安大学;2015年

2 张冬梅;基于改进卡尔曼滤波算法的SOC估计方法研究[D];西南交通大学;2015年

3 林燕平;长基线导航系统滤波算法的研究与实现[D];沈阳理工大学;2015年

4 徐红珍;基于粒子群的卡尔曼滤波算法改进和优化[D];武汉理工大学;2013年

5 邹振宇;基于DSP的Kalman滤波器的算法研究[D];成都理工大学;2012年

6 樊红娟;无先导卡尔曼滤波算法分析[D];西南大学;2007年

7 吴龙龙;一致性卡尔曼滤波算法及其应用研究[D];华东交通大学;2013年

8 李忠良;基于神经网络的卡尔曼滤波算法研究[D];湖南工业大学;2011年

9 雷礼平;GPS动态卡尔曼滤波算法研究[D];电子科技大学;2003年

10 朱永龙;基于UWB的室内定位算法研究与应用[D];山东大学;2014年

，

本文编号：597184