论文部分内容阅读
近年来,随着世界经济的蓬勃发展,电动汽车已成为汽车行业新兴的研究对象。加之全球能源危机和环境问题,电动汽车的发展规模和影响力正在逐渐赶超传统燃油汽车。磷酸铁锂动力电池作为现在主流的电动汽车配给电源,其优点毋庸置疑。其中安全可靠的电池管理系统是关键,它的主要功能是对车载动力电池进行监控并对荷电状态(State Of Charge,SOC)进行估计。这样不仅可以科学管理电池的工作状态,延长电池的使用寿命,而且还能提供准确的电池状态的基本信息,驾驶员可以依据此信息合理规划行程和充电时间。所以,建立可靠的电池管系统和准确的SOC估计算法对进一步提高电动汽车的整车性能有着至关重要的意义。本文以磷酸铁锂动力电池作为主要研究对象,依据其电池结构图,详细地介绍了其工作原理和特性。并在电池充放电实验的基础上,建立了戴维南电池等效电路模型,对其动态参数进行辨识,最后以脉冲放电方式验证了电池模型的准确性。对电池SOC估计算法进行了研究,介绍几种传统估计算法的工作原理和优缺点,详细地分析了拓展卡尔曼滤波法(Extend Kalman Filtering,EKF)的工作性能并应用于电池SOC估计中。在此基础上,为进一步减小EKF算法的估计误差,本文引进BP(Back-Propagation)人工神经网络对EKF算法的估计结果进行优化和补偿。搭建了基于改进BP-EKF算法的电池SOC估计仿真模型,在多种工况下对BP-EKF算法和EKF算法的估计准确性做了对比验证仿真。设计了电池管理系统(Battery Management System,BMS)平台并给出其拓扑结构图,以DSP(TMS320LF2407)为主控芯片完成了对BMS硬件平台的搭建。针对BMS平台的硬件组成和主要功能,设计了SOC估计功能软件程序和工作流程,最终实现了在实验平台上对电池SOC的准确估计。实验结果表明,采用改进算法可以大大提高估计精度,这不仅体现了实验平台的运行可靠性,也验证了改进算法的正确性和有效性。