论文部分内容阅读
随着各国对环境保护、技术进步和能源安全重视程度的加深,大量消耗化石能源的内燃机在公路交通领域的应用正逐渐被采用其他能源的各类动力系统所取代,以电动化为技术背景的新能源汽车行业迎来发展良机。然而目前的电动汽车还存在续驶里程短、初期成本高和安全性差等问题,动力电池系统技术已成为电动汽车发展和走向产业化的主要瓶颈。而电池荷电状态(State of Charge,SOC)的计算更是电池管理系统中的重要技术,本文的主要任务是以电动汽车动力电池为对象,对SOC估算进行了深入的研究。本论文的具体研究工作包括:(1)针对基于模型的SOC估计算法中电池数学模型精确的高度依赖与动态电池模型难以精确获得之间的矛盾问题,提出了一种完全数据驱动的基于改进扩展卡尔曼滤波(Extended Kalman Filter,EKF)算法的动力电池全生命周期SOC估计方法,实现了动力电池全生命周期的SOC估算。(2)针对EKF算法存在的将非线性系统高阶泰勒项忽略导致的估算误差以及对噪声的要求过高等问题,采用粒子滤波算法(Particle Filter,PF)进行SOC估算,有效增强了SOC估算的噪声抑制能力和估算精度,同时采用带遗忘因子的最小二乘法(Least Square,LS)进行模型参数在线实时辨识,实现了动力电池SOC的全生命周期动态在线更新。(3)针对动力电池参数辨识中的精度、实时性和鲁棒性要求,提出了一种基于改进遗传算法(Genetic Algorithm,GA)的智能在线辨识方法。同时,针对PF算法中粒子多样性容易确实的问题,采用无迹粒子滤波算法(Unscented Particle Filter,UPF)进行SOC估算,利用无迹变换(Unscented Transformation,UT)将粒子生成sigma点,扩展了粒子的搜索空间和多样性,有效提升了SOC的估算精度。(4)针对传统无迹卡尔曼滤波(Unscented Kalman Filter,UKF)采样空间由于采样空间固定可能导致的SOC估算精度和稳定性下降的问题,提出了一种能够自我调节可行解空间搜索的自适应无迹卡尔曼滤波算法(Adaptive Unscented Kalman Filter,AUKF),实现了采样点的精确获取,提升了SOC的估算精度。同时,为提升SOC估算的运行效率,在改进GA算法的基础上,提出了一种基于协同优化机制的智能在线参数辨识方法在保证电池模型参数辨识的精度的同时有效提升其运行效率,降低其时间复杂度。基于上述所提出的智能在线参数辨识方法和AUKF算法联合估计,最终提升了动力电池SOC估算的精度、鲁棒性、稳定性,也降低了其时间复杂度。