电池管理系统的研究

论文摘要

随着电动汽车的迅速发展,对电池能源的要求越来越高。蓄电池管理系统作为动力电池的一个重要组成部分,它直接检测及管理电动汽车动力电池的运行全过程,包括电池充放电过程、SOC估计、电池温度、单体电池间的均衡、电池故障诊断几个方面。因此研究专门的电池管理系统对电池的能量进行管理及维护是非常必要的。本文以铅酸蓄电池为研究对象,从分析铅酸蓄电池的工作特性入手,指出了影响蓄电池剩余容量的主要因素。本文介绍了估算电池荷电状态（SOC）的常用方法,分析了这些方法的优缺点。在此基础上提出了一种基于人工神经网络的SOC估算方法,构造了三层BP神经网络来对蓄电池的SOC进行估算。在神经网络建模过程中采用了一种快速学习算法-LM算法用于网络的学习过程,利用神经网络的并行计算、自学习的特性,提高预测准确性。这种方法建模过程未涉及电池内部复杂的物理化学反应。经初步仿真分析,该方法具有较高的预测精度。本文对蓄电池管理系统软硬件的设计与实现进行了详细说明。该硬件平台是基于DSP2407的管理系统,对蓄电池的工作状态如电池电压、电流、温度等进行了测量,从而得到算法分析和均衡管理的数据,并将这些数据通过CAN通信传送到中央控制系统并进行液晶显示。最后利用此硬件平台对系统功能进行了初步验证。

论文目录

• 致谢
• 中文摘要
• ABSTRACT
• 1 引言
• 1.1 电动汽车电池管理系统简介
• 1.2 电池管理系统的研究现状
• 1.2.1 国外电池管理系统的研究现状
• 1.2.2 国内电池管理系统的研究现状
• 1.3 本课题研究的意义及内容
• 1.3.1 本课题研究的意义
• 1.3.2 本课题研究的内容
• 2 铅酸蓄电池SOC估算方法的研究
• 2.1 铅酸蓄电池工作特性
• 2.1.1 蓄电池的化学特性
• 2.1.2 蓄电池的基本电特性
• 2.1.3 铅酸蓄电池的充放电特性
• 2.2 SOC估算方法的研究
• 2.2.1 电池SOC的定义
• 2.2.2 现有SOC估算方法
• 2.3 影响电池SOC的因素
• 3 基于神经网络的电池SOC估算
• 3.1 人工神经网络简介
• 3.2 人工神经网络
• 3.2.1 人工神经元模型
• 3.2.2 人工神经网络模型
• 3.2.3 神经网络的学习方法
• 3.3 神经网络的设计原则与过程
• 3.4 BP神经网络
• 3.4.1 BP算法
• 3.4.2 BP算法存在的问题及改进
• 3.4.3 Levenberg-Marquardt算法
• 3.5 SOC估算神经网络模型的建立
• 3.5.1 训练样本的选取及数据预处理
• 3.5.2 网络训练及测试
• 4 电池管理系统的硬件设计
• 4.1 电池管理系统的硬件组成
• 4.2 状态检测系统
• 4.2.1 电压检测电路设计
• 4.2.2 电流检测电路设计
• 4.2.3 温度检测电路设计
• 4.3 均衡管理系统
• 4.3.1 电池均衡的目的及意义
• 4.3.2 电池均衡的依据
• 4.3.3 常见电池均衡的方法
• 4.3.4 本文采用的电池均衡方案
• 4.4 CAN通信接口设计
• 4.5 硬件抗干扰措施
• 5 电池管理系统的软件设计
• 5.1 软件功能介绍
• 5.2 系统主程序设计
• 5.3 各部分子程序设计
• 5.3.1 电池信息采集子程序设计
• 5.3.2 电池状态判断子程序设计
• 5.3.3 均衡管理子程序设计
• 5.3.4 电池荷电状态子程序设计
• 5.3.5 CAN通信子程序设计
• 5.4 软件抗干扰设计
• 6 系统调试及实验分析
• 6.1 实验平台
• 6.2 系统的软硬件调试
• 6.3 实验分析
• 6.3.1 状态检测实验
• 6.3.2 CAN通信显示实验
• 7 结论
• 参考文献
• 作者简历
• 学位论文数据集