锂离子电池荷电状态在线估计技术研究

随着电池研发技术的发展,以锂离子电池为代表的高品质蓄电池已经广泛应用于各行各业,为了确保蓄电池安全、高效运行,电池管理系统(Battery Management System,BMS)一直以来都是研究热点。电池荷电状态(State of Charge,SOC)估计作为BMS的基础、核心功能,受到诸多因素耦合影响以致难以准确估计。本文以锂离子电池为实验对象,考虑充放电倍率与环境温度等影响因素,研究SOC在线估计算法,主要内容有:(1)研究了电池等效电路模型,完成了参数离线辨识。通过大量实验研究了开路电压(Open Circuit Voltage,OCV)的“滞回效应”以及电池实际容量变化规律,应用1stOpt工具拟合得到了OCV-SOC关系曲线以及库伦效率系数η的非线性函数关系。(2)针对无迹卡尔曼滤波(Unscented Kalman Filter,UKF)对电池模型敏感并且容易受到不确定噪声干扰的问题,本文研究了利用递推最小二乘法(Recursive Least Squares,RLS)和最优无偏极大后验法(Maximum a Posterior,MAP)改进的UKF算法。首先,通过Thevenin模型得到状态空间方程。紧接着,利用RLS算法实现模型参数自适应。随后,利用最优无偏MAP法实现噪声协方差在线估计。最后,设计了包含简单工况和复杂工况在内的物理实验,实验结果表明该算法SOC估计精度较传统UKF而言有了很大提高,鲁棒性能出色,复杂度适中,适合对算法复杂度有严苛要求的应用场合。(3)为了进一步提升估计精度,针对传统UKF面临的问题本文提出了另一个解决策略:利用卡尔曼扩维法和协方差匹配法(Covariance Matching,CM)改进的UKF算法。该算法利用扩维法实现模型关键参数在线更新,利用CM法实现噪声协方差自适应。为此设计了参数敏感性实验,甄别了影响SOC估计程度最大的模型参数。算法验证实验的结果表明,该算法鲁棒性能和实时性稍有降低,但是估计精度和稳定性有了进一步提高,适合对精度要求较高的应用场合。(4)设计开发了基于LabVIEW的蓄电池性能测试与SOC在线估计系统上位机软件,实现了常见电池测试工况的智能化控制和SOC实时显示。借助该套软件不仅提高了电池测试实验效率与准确率,而且增强了电池相关状态的在线监测能力。