纯电动汽车锂电池剩余电量估计研究

准确而实时的获取汽车行驶中电池剩余电量信息是电池管理系统乃至电动汽车系统研究的关键问题。本文针对锂电池剩余电量的估计方法进行理论研究，探求具有较高效率和精度的估计方法并总结出一般规律。本文以磷酸铁锂电池为研究对象，重点开展锂电池剩余电量估计方法的研究，具体成果如下： （1）结合锂电池的工作原理，在相关试验数据的基础上，分析了锂电池的电压特性、内阻特性、效率特性和循环特性。根据锂电池基本特性建立了锂电池电化学复合模型，该模型考虑了充放电方向、充放电倍率和温度的影响，并用递推最小二乘法对模型参数进行辨识，在MATLAB/SIMULINK软件中建立相应的仿真模型，试验验证该锂电池模型具有较高的精度，能准确反映锂电池的动态特性。 （2）将粒子滤波算法应用到锂电池剩余电量估计中。在分析了粒子滤波算法的基本原理、粒子退化现象、重采样技术及存在问题的基础上，引进有效粒子数目，采用系统重采样技术对锂电池SOC进行估计。基于ADVISOR软件的虚拟试验验证了粒子滤波算法在电池剩余电量估计中的可行性。 （3）为了较好地解决粒子退化问题又保证粒子的多样性，本文对粒子滤波算法进行改进。在采用重采样方法的基础上选用扩展卡尔曼滤波器来产生重要密度函数，设计了估计电池SOC的计算流程，基于MATLAB软件编程和试验验证了该算法的有效性。仿真结果表明，该算法比起单一的粒子滤波算法，精度明显提高。 （4）将无迹卡尔曼滤波器和粒子滤波算法相结合对锂电池SOC进行估计。扩展卡尔曼滤波算法必须求非线性函数的Jacobi矩阵，对于模型复杂的系统，容易出错，而且线性化处理时，引入线性化误差，对非线性强度高的系统，容易导致滤波效果下降。而无迹卡尔曼滤波算法，是对状态的概率密度函数做近似，避免了计算繁琐的Jacobi矩阵，精度较高。所以可以基于粒子滤波算法，采用具有对称采样策略和比例修正的UKF来产生重要密度函数，进一步提高估计精度。仿真试验结果表明，UPF算法在估计电池SOC时具有独特的优越性。