HEV电池组SOC模型参数辨识及其智能预估研究

论文摘要

随着混合动力汽车的大力发展及应用，作为混合动力汽车动力源之一的动力电池及其管理系统对整车的性能起到了关键作用。一个好的电池管理系统，不但可以实时监测电池电压、充放电电流和温度等可诊断电池状况的特性参数，而且还可以实现电池的荷电状态(State Of Charge，SOC)和最大允许充放电电流预测，提升电池的性能和寿命。但目前电池管理系统的研究与开发面临着SOC预测精度不高和电池的均衡性较差等难题。目前，如何有效开展电池管理系统研发工作，有效解决SOC预测精度不高和电池的均衡性较差等难题是摆在混合动力领域专家以及工程技术人员面前亟待解决的首要任务。为此，论文以湖南大学“985工程”项目和江苏省重点实验室开放基金项目为依托，对混合动力汽车(Hybrid ElectricVehicle，HEV)电池组SOC模型参数辨识及其智能预估进行了研究，选题既具有理论意义，又具有实用价值。论文作者采用Simulink仿真软件、支持向量机技术、遗传算法以及仿真实验等相结合的方法，开展了混合动力汽车电池组SOC模型参数辨识及其智能预估研究，论文主要研究工作和创新之处为：(1)针对混合动力汽车动力电池的优缺点，综合评估了镍氢电池安全性与充放电性能，并对其工作原理与充放电特性进行了研究分析，为镍氢动力电池模型参数辨识奠定了较好的理论基础。(2)针对PNGV标准电池模型，采用辅助变量法和最小二乘法相融合的方法应用于混合动力镍氢动力电池在线参数辨识，仿真分析结果显示，混合动力镍氢动力电池在线参数辨识最大误差为4.2V，平均误差为0.57V，能精确反映电池真实充放电情况。(3)采用遗传算法优化最小二乘支持向量机参数，进行了电池SOC的最小二乘支持向量机估算。对比结果显示，经遗传算法优化的最小二乘支持向量机估算方法最大误差为2.36%，平均误差为0.48%，且训练时间短，有利于电池SOC的实时在线估算。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 研究背景及意义
• 1.2 国内外研究现状
• 1.2.1 新能源汽车发展现状
• 1.2.2 电池管理系统研究现状
• 1.3 电池管理系统的应具备的功能及发展趋势
• 1.4 论文结构和内容
• 1.4.1 论文结构
• 1.4.2 研究内容
• 第2章 混合动力车用电池工作特性分析
• 2.1 混合动力车用电池的性能指标
• 2.2 混合动力车用电池所要满足的要求
• 2.3 常见的车用动力电池
• 2.4 镍氢电池的工作原理
• 2.5 镍氢电池的充放电特性
• 2.6 镍氢电池在电动车中的应用及发展方向
• 2.6.1 镍氢电池的应用情况
• 2.6.2 镍氢动力电池的发展方向
• 2.7 本章小结
• 第3章 镍氢动力电池模型参数辨识
• 3.1 常用的电池模型
• 3.2 PNGV 电池模型建立
• 3.2.1 PNGV 模型简介
• 3.2.2 PNGV 模型参数辨识
• 3.2.3 Simulink 模型建立
• 3.2.4 模型的验证
• 3.3 本章小结
• 第4章 电池管理系统 SOC 的预测算法分析
• 4.1 电池 SOC 概念
• 4.2 电池 SOC 估算的意义及难点
• 4.3 影响电池 SOC 的因素
• 4.3.1 充放电倍率因素
• 4.3.2 温度因素
• 4.3.3 自放电因素
• 4.3.4 老化因素
• 4.3.5 电池单体间的不均衡性因素
• 4.4 电池 SOC 估算的研究方法
• 4.4.1 安时积分法
• 4.4.2 内阻法
• 4.4.3 开路电压法
• 4.4.4 零负载法
• 4.4.5 线性模型法
• 4.4.6 卡尔曼滤波法
• 4.4.7 人工智能法
• 4.5 径向基神经网络模型的建立
• 4.5.1 径向基神经网络概述
• 4.5.2 径向基神经网络结构
• 4.5.3 径向基神经网络的学习算法
• 4.6 本章小结
• 第5章 电池 SOC 的最小二乘支持向量机估算
• 5.1 支持向量机概述
• 5.2 支持向量机的研究现状
• 5.3 支持向量机的理论与方法
• 5.3.1 支持向量机的基本原理
• 5.3.2 支持向量机的回归理论
• 5.4 最小二乘支持向量机理论
• 5.5 遗传算法在支持向量机中的应用
• 5.5.1 遗传算法的基本原理
• 5.5.2 遗传算法的基本参数
• 5.5.3 遗传算法的基本操作
• 5.5.4 对最小二乘支持向量机参数的优化
• 5.6 混合动力电池荷电状态估算算法
• 5.6.1 试验数据及数据预处理
• 5.6.2 LS-SVM 预测模型的建立及验证
• 5.7 本章小结
• 结论与展望
• 参考文献
• 附录 A 攻读学位期间发表的论文及参与课题
• 致谢