基于Vmin模型的EKF方法的锂电池组SOC估计

基于Vmin模型的EKF方法的锂电池组SOC估计

ID:38711701

大小:4.72 MB

页数:5页

时间:2019-06-18

基于Vmin模型的EKF方法的锂电池组SOC估计_第1页
基于Vmin模型的EKF方法的锂电池组SOC估计_第2页
基于Vmin模型的EKF方法的锂电池组SOC估计_第3页
基于Vmin模型的EKF方法的锂电池组SOC估计_第4页
基于Vmin模型的EKF方法的锂电池组SOC估计_第5页
资源描述:

《基于Vmin模型的EKF方法的锂电池组SOC估计》由会员上传分享,免费在线阅读,更多相关内容在教育资源-天天文库

1、文章编号:基于Vmin-EKF的动力锂电池组SOC估计刘新天,刘兴涛,何耀,陈宗海(中国科学技术大学自动化系,安徽,合肥230027)摘要:动力电池组的荷电状态(SOC,State-of-charge)是电动汽车能量控制的重要参数。针对串联锂电池组的SOC估计问题,建立电池组的Vmin状态空间模型,电池组内单体电池负载电压的最小值Vmin和电池组的SOC分别作为模型的观测变量和状态变量。应用扩展卡尔曼滤波算法,实现对SOC的动态估计。模拟电动汽车的实际工况进行电池组放电实验,结果表明,该方法能实

2、时准确估计电池组SOC。关键词:动力锂电池组;荷电状态;Vmin模型;扩展卡尔曼滤波中图分类号:TM912文献标识码:ABased-Vmin-EKFSOCEstimationforPowerLi-ionBatteryPackLIUXin-tian,LIUXin-tao,HEYao,CHENZong-hai(DepartmentofAutomation,UniversityofScienceandTechnologyofChina,Hefei230027,China.Correspondent:C

3、HENZong-hai,E-mail:chenzh@ustc.edu.cn)Abstract:State-of-chargeofpowerbatterypackisanimportantparameterforelectricalvehicle.AimingatSOCestimationforLi-ionbatterypackofmulticellsinseries,aVminstatespacemodelofbatterypackisproposed.Theminimalcellloadvol

4、tageofthebatterypack(Vmin)isthemodeloutptvariable,andSOCisthemodelstatevariable.WithExtendedKalmanFilterapplied,DynamicstateestimationofSOCisrealized.Theexperimentwasmadetosimulatethebehaviorsofbatterypackintheactualworkconditonofelectricalvehicle.Th

5、eresultdemonstratesthataccurateandreal-timeestimationofSOCcanbeobtainedwiththisapproach.□□□□□□□□□□□□□□□□□Keywords:PowerLi-ionbatterypack;State-of-charge;Vminmodel;ExtenedKalmanfilter收稿日期:-年-月-日;修回日期:-年-月-日.基金项目:2008年合肥市重大科技计划项目(合科20081033);江苏省工业装备数字制

6、造及控制技术重点实验室开放研究基金资助课题(DM2008001).作者简介:刘新天(1981-),男,安徽桐城人,博士生,从事电动汽车、电源管理的研究;陈宗海(1963-),男,安徽桐城人,教授,博导,从事复杂系统建模、仿真的研究1引言电动汽车(EV)是未来汽车的一大发展方向。动力锂电池组是电动汽车动力源,其荷电状态(SOC)直接反应了电池组剩余容量的多少,由此可预测EV的行驶里程,同时也为电池组的使用和维护提供重要依据[1]。由于电动汽车电池组在使用过程中表现的高度非线性,使准确估计SOC具有

7、很大难度[2],精确实时的锂电池组SOC估计也成为EV研究的一大重要挑战。目前常用的SOC估计方法是通过测量电池组的外特性——电流、电压、内阻等来对SOC进行估计。安时积分法通过电池组负载电流的动态积分来估计SOC,算法简单,实用性强,由于是一种开环预测,会因为电流误差的累积,导致精度越来越差[3-4]。神经网络法适合在线估计,但是需要相似电池组的大量训练数据[5-6]。扩展Kalman滤波(EKF)法通过建立电池组的非线性状态空间模型,结合递推算法实现对模型状态变量SOC的最小方差估计,并能给

8、出估计误差范围,此外,EKF方法对SOC的初始误差有很强的修正作用,特别适用于电流变化较快的电动汽车动力电池组[1],而EKF方法的关键在于电池组状态空间模型的建立,Plett在简化电化学模型基础上提出组合模型[7],Bhangu等提出RC电路等效模型[8],Lee等在RC电路模型的基础上提出了改进OCV-SOC关系模型[9]。上述模型均为单体电池的模型。对于几十节甚至上百节单体电池串联的动力电池组,单体电池间容量差异会随电池组循环次数增加而逐渐增大,进而导致各单体电池的SOC不尽相同。直接应用

当前文档最多预览五页,下载文档查看全文

此文档下载收益归作者所有

当前文档最多预览五页,下载文档查看全文
温馨提示:
1. 部分包含数学公式或PPT动画的文件,查看预览时可能会显示错乱或异常,文件下载后无此问题,请放心下载。
2. 本文档由用户上传,版权归属用户,天天文库负责整理代发布。如果您对本文档版权有争议请及时联系客服。
3. 下载前请仔细阅读文档内容,确认文档内容符合您的需求后进行下载,若出现内容与标题不符可向本站投诉处理。
4. 下载文档时可能由于网络波动等原因无法下载或下载错误,付费完成后未能成功下载的用户请联系客服处理。