基于粒子滤波算法的电动汽车剩余电量动态估计研究

面对环境恶化和能源危机带来的双重压力,纯电动汽车已经成为未来汽车发展的主要方向。动力电池是电动汽车的能量来源,为了确保电动汽车能够安全稳定高效地运行,需对电池进行必要的管理和控制。电池荷电状态(SOC)是电池管理系统中最重要的参数之一,通过电池SOC可以判断电池组中单体电池之间的性能差异,避免电池的过充过放,同时还能预测电动汽车的续驶里程,因此及时、准确地对电池SOC进行估计具有非常重要的现实意义。 目前国内外研究的电池SOC估计,主要以在实验室测试的电池数据为基础,很少有人采用电动汽车实际运行的电池数据进行研究,而本文选择纯电动环卫车为实验对象,以实时采集得到的电池数据为基础对电池的SOC值进行估计。 首先,对采集到的原始电池数据文件进行解析,得到相应的电池数据表。为了获得完整、准确的实验数据,设计了电池数据处理算法对数据进行相应的处理,主要包括异常数据处理,数据完整性处理和充放电数据分类处理。然后,根据电池放电数据建立了锂离子电池模型,并通过遗忘因子递推最小二乘法辨识得到模型参数。 由于电池是一个复杂的非线性系统,而粒子滤波算法在求解非线性问题方面具有一定的优越性,因此本文研究了利用粒子滤波算法动态估计电池的SOC值,将粒子滤波算法和锂离子电池模型相结合,利用实测数据进行了电池SOC的估计实验。结果表明,粒子滤波算法能够对电池的SOC做出较准确的估计,该算法具有很好的适用性。 为了较好地解决粒子滤波算法中粒子的退化问题,进而提高粒子滤波算法对电池SOC的估计精度,本文根据遗传算法的原理,探索性地提出了遗传粒子滤波算法,并详细给出了利用遗传粒子滤波算法估计电池SOC的实现方法,通过实例验证,并与标准粒子滤波算法进行对比分析,结果显示,遗传粒子滤波算法对电池SOC的估计更加准确,精度更高。