车载锂离子动力电池荷电状态与健康状态估计研究

能源衰竭与环境污染问题日益严重,电动汽车是解决该问题的关键途径。动力电池作为电动汽车的储能部件,占电动汽车成本的1/3～1/2,其技术的发展仍无法完全满足电动汽车的需求,使其成为了制约电动汽车规模发展的关键瓶颈。因此,我国将动力电池专项技术攻关列入了国家"十三五"规划中。动力电池作为电动汽车的能量源泉,其荷电状态(State of Charge,SOC)与健康状态(State of Health,SOH)的准确估计是保障动力电池安全高效运行的前提,而温度、老化、工况等因素造成状态的精确估计难。本文以锂离子动力电池为研究对象,对SOC与SOH的精确估计进行了研究。首先概述了动力电池的性能及优缺点,以实验室电池测试平台为依托,设计了动力电池的测试方案,并根据实验数据对动力电池的温度特性、不同放电倍率特性、迟滞特性以及老化特性进行了分析。对现有的电池模型对比分析后,建立了二阶RC等效电路模型。针对动力电池固有的迟滞特性,对充电和放电方向的模型参数分别辨识。根据磷酸铁锂电池和三元电池的不同特性,选择了不同的开路电压函数。通过实验验证模型的精度,并分析了误差的成因以及老化对电池模型的影响。针对现有SOC估计方法的不足,本文采用自适应强跟踪无迹卡尔曼滤波算法估计SOC。该方法能有效的克服扩展卡尔曼滤波(Extend Kalman Filter,EKF)以及无迹卡尔曼滤波算法(Unscented Kalman Filter,UKF)对模型精度要求高,对噪声协方差初值敏感的缺点,并且无需计算复杂的雅克比矩阵。最后通过磷酸铁锂电池和三元电池的不同工况实验对比三种算法对SOC估计的精度,结果表明该算法明显提高了 SOC的估计精度,且对状态突变跟踪能力强,鲁棒性好。在分析了电池SOH定义及影响因素后,以电池的容量作为SOH的标识,对比多种电池容量衰退的模型后,选用幂函数模型来表示电池容量的衰退,并分别采用EKF以及UKF算法来估计电池的容量,研究结果表明UKF算法更能精确的估计电池容量。