基于模糊逻辑控制的电动汽车锂离子电池组均衡外文翻译资料
2023-02-25 13:14:08
英语原文共 10 页，剩余内容已隐藏，支付完成后下载完整资料
基于模糊逻辑控制的电动汽车锂离子电池组均衡
摘要——针对串联锂离子电池的不一致性，提出了一种基于模糊逻辑控制（FLC）的非耗散均衡方案。设计了带能量转移电感的两级双向均衡电路，实现了电池组的单元到单元的均衡，为基于模块的硬件均衡铺平了道路，提出了基于荷电状态（SOC）的均衡，并给出了戴维南等效电路采用锂离子电池电路模型和扩展卡尔曼滤波（EKF）算法进行SOC估计。为了有效均衡，提出了FLC以降低能量消耗和均衡时间。利用一组隶属函数构造FLC策略来描述小区均衡行为。通过与均值差分算法的比较，验证了该算法的优越性。仿真结果表明，在NEDC工作条件下，与平均差分算法相比，FLC的最终SOC标准差降低了18.5%，均衡时间缩短了23%。与平均差分算法相比，能量效率提高了5.54%。另外，两级双向均衡电路具有良好的性能，改善了不一致性。
指标项——扩展卡尔曼滤波（EKF）、能量转移电感、模糊逻辑控制（FLC）、不一致性、荷电状态（SOC）、两级双向均衡。
I.前言
电动汽车（EV）是近年来研究的热点。锂离子电池具有安全性能好、自放电率低、能量密度高、寿命长等优点，被广泛认为是电动汽车最有潜力的候选电源。然而，由于电池受到电压和容量的限制，为了满足电动汽车的功率和能量要求，需要将成百上千个电池并联和/或串联起来。不幸的是，由于电池组中单个电池的制造不一致，电池电压或充电状态（SOC）之间会产生严重的不一致。此外，由于不同的自放电速率、不同的内阻和温度变化，在多次充放电循环后，这种不一致性往往会随着时间的推移而增加。这会降低电池组的可用容量，甚至由于电池的过度充电或过度放电而导致电池退化和安全隐患。因此，电池均衡对于防止这些问题和延长电池组的寿命至关重要。
基于均衡电路，电池均衡分为耗散均衡和非耗散均衡。耗散方法是通过电阻或其他耗能元件耗散多余的电容，达到均衡的目的。耗散法电路结构简单，但受均衡能量损失和均衡时间消耗的限制。此外，储存在带电较多的电池中的能量会随着热量而损失。因此，由于电池间散热量大，散热方法可能会引起热管理问题。另一方面，非耗散法是比较有效的，它利用储能元件来实现电池之间的能量传递。非耗散均衡的储能元件一般是电容器、电感或变压器。本文提出了一种利用电感传递能量的两级双向均衡电路，该均衡电路能有效地解决电池均衡器的体积和成本问题，并且它的结构可靠。
电池均衡算法主要分为两类：基于电压的均衡算法和基于SOC的均衡算法。基于电压的均衡算法易于实现，因为单元电压可以直接测量。然而，由于电池电压是一种不能完全反映电池容量和内阻的外部特性，基于电压的电池均衡方法不适用于评价电池不一致性。另一方面，SOC代表了电池的综合性能，受电池电压、电池电流、环境温度、内阻和SOH（健康状态）的影响。因此，提出了基于SOC的均衡算法，以改善电池的不一致性，实现电池的优化配置。基于SOC的均衡算法需要精确的SOC估计是很有必要的，因此提出了许多SOC估计方法。本文提出了一种基于模型的SOC估计方法，该方法利用扩展卡尔曼滤波（EKF）算法，能够准确地实现SOC估计。
选择均衡电路后，需要一种有效的优化均衡算法。蚁群算法的优点是适合于确定地图上的最优路径，但其计算量大，难以实现。平均差分法可以方便地实现电池均衡，但均衡效率不高。另外，由于电池组中含有多个单元，且单元间相互作用，因此很难建立精确的电池组数学模型。因此，本文采用不需要精确数学模型的FLC算法，具有较强的非线性、鲁棒性、自适应性和容错性，改善了电池不一致性，优化了均衡效率。
论文的结构如下：第二节介绍了两级双向均衡电路，第三节详细阐述了基于等效电路模型的SOC估计，第四节介绍了基于SOC的FLC均衡技术，最后，第5节给出了与均衡技术相关的结论。
II.均衡电路配置
非耗散均衡方法可分为四种拓扑结构：单电池到单电池、单电池到电池组、电池组到单电池和单电池到电池组到单电池。本文选择了单电池到单电池的结构，因为它可以快速有效地实现电池均衡。提出了一种基于Buck-Boost电路的双向均衡电路，该电路采用功率电感来传递能量。均衡电路如图1所示，均衡电路由两个电感L1和L2、两个电阻R1和R2以及四个带体二极管的功率MOSFETs组成。功率MOSFETs是电池均衡控制开关。以Cell1和Cell2为例，其中Cell2的SOC高于Cell1。将均衡过程分为三个步骤，分析了均衡电路的工作原理。
M1_ a
M1_b
D1_ D
R1
Cell3
Cell2
图1 双向均衡电路
1）当均衡控制系统的控制信号被输入时，Cell2:M1a的放电被打开。一个循环由Cell2、L1和M1a组成，红色箭头表示当前方向。电能转换成磁场能量，储存在L1中。L1的电流如下：
(1)
(1)
其中Ron是当M1a打开时回路的总电阻。L是L1的电感值。ton是M1a的开启时间，V2是Cell2的电压。
2）Cell1充电：当M1a关闭时，L1电流达到最大值ipeak，释放L1存储的磁场能量。回路由Cell1、L1和D1b组成，蓝色箭头为当前方向。当Cell1的SOC高于Cell2的SOC时，Cell1停止充电。否则，Cell1由L1充电，直到L1的电压不能使D1b正导通。发现L1的电流为
(2)
其中Roff是M1a关闭时回路的总电阻。Ts是M1 a转换器的开关周期。V1是Cell1的电压。VD是传导压降D1b。
3）消磁：充电过程结束后，感应器L1仍有一些能量。如果L1未通过均衡处理消磁，则电感L1最终将达到磁饱和。因此，电路由R1和L1组成，以消耗L1中存储的剩余能量。
Module N
Module 2
Module 1
CellNk
CellN 2 CellN1
Cell2k
Cell22 Cell21
Cell1k
Cell12 Cell11
Driving signal
Driving signal of second stage equalization
图2两级双向均衡电路
当Cell1的SOC高于Cell2的SOC时，控制均衡控制开关M1b实现电池均衡。均衡电路可以完成任意相邻电池间的均衡。为了给硬件模块的电池均衡铺平道路，提出了两级双向均衡电路，如图2所示。两级双向均衡电路包括N个模块，每个模块包含K个单元。该方案能有效地解决电池均衡器的体积和成本问题。
III.基于A.戴维南等效电路模型的SOC估计
A、 戴维南等效电路模型
本文提出了基于SOC的电池均衡方法，并选择戴维南等效电路模型进行SOC估计，如图3所示。
RS
I
CS
3.5
VS
OCV((V)
3
VD
VOC
2.5
0
50 SOC(%)
100
图3 戴维南等效电路模型
VOC是开路电压（OCV）。R是欧姆电阻。RC网络由极化电阻RS和极化电容CS组成，用于模拟电池的极化效应；VS是RC网络上的电压。VD是终端电压。I表示负载电流，其定义为充电为正，放电为负。SOC的定义是
(3)
(3)
其中SOC（0）表示SOC的初始值。eta;为充放电效率。QN是电池的额定容量。
根据基尔霍夫定律，锂离子电池的状态方程和输出方程可以描述如下：
(4)
(4)
(5)
(5)
其中时间常数tau;S=RSbull;CS。
状态变量选择为x=[SOC VS]T，I和VD分别为输入和输出。方程式（4）可以表示为:
(6)
方程（5）和方程（6）称为离散为方程，其中系数矩阵A =
系数矩阵B=[T/QN T/Cs]。T为采样时间，w（k）为过程噪声，v（k）为测量噪声。
选择A123-26650锂离子电池应用方程（7）和方程（8）计算。通过SOC估计实验，标称容量为1.6Ah，电压为3.2V。OCV-SOC曲线。
(7)
20 40 60 80 100
3.5
3
2.5
2
0
CV (V)
充电点
充电曲线点
放电
放电曲线
OCV-SOC曲线
OCV (V)
3.5
3
2.5
2
0
Point of Charging Charging Curve Point of Discharging Discharging Curve OCVminus;SOC Curve
20
40
60
80
SOC (%)
图4 OCV与SOC的关系
负载电流（A）
图5 加载当前配置文件以进行模型验证
终端电压（V）
图6 用于模型验证的终端电压曲线
电压误差（V）
图7 模型验证的终端电压错误
如图4所示，这是通过快速校准实验得到的，为了得到方程（4）和方程（5）中的参数R、RS和CS，在图5所示的自定义电流条件下测量终端电压（8）。因此，用递推最小二乘法将电池模型参数确定为R=0.0415Omega;，RS=0.0403Omega;，CS=760.354F。
为了验证方程（4）和方程（5）所描述的模型的准确性，在自定义电流条件下，模型的实际测量电压和输出电压的比较如图6所示。戴维南等效电路模型的建模误差如图7所示。
从图6可以看出，蓝色曲线模型的端电压在绿色曲线的测量电压附近不断波动。从图7可以看出，戴维南等效电路模型的建模误差在plusmn;0.06V以内。因此，本文建立的一阶等效电路模型是准确的。
B、 SOC估计的EKF算法
EKF对非线性动态系统是有效的，它可以提高KF的估计性能。基于戴维南等效电路模型，利用EKF估计锂离子电池的SOC，滤除噪声干扰。
表1给出了EKF算法的步骤，即单位矩阵。w（k）和v（k）是均值为零的不相关高斯变量。Q（k）和R（k）分别是w（k）和v（k）的协方差。
表1 EKF算法的步骤
状态空间模型
定义
Definition
初始化
初始状态估计
设SOC（0）=80%，P（0）=，T = 1s。 SOC估计的仿真是在当前剖面下进行的，如图8所示。选择安培小时积分法得到的SOC作为参考曲线，将参考曲线的SOC初值设定为81%，验证了在SOC初值不同的情况下基于EKF的SOC估计的鲁棒性。基于EKF的SOC估计和SOC估计误差的结果分别如图9和图10所示。由于工作电流波动较大，EKF的SOC估计值在参考值附近波动。基于EKF的SOC估计误差小于1%，最终估计误差接近于零。
电流/A
图8 SOC估计的当前概况
SOC%
图9 基于EKF的SOC估计结果
图10 基于EKF的SOC估计误差
IV. 基于SOC均衡的模糊逻辑控制
由于电池组中含有多个单元，且单元间相互作用，很难建立精确的数学模型。因此，提出了采用FLC来实现基于SOC的均衡方案。FLC是一种智能算法，适用于数学模型难以建立的系统。FLC算法具有良好的鲁棒性，可用于非线性时变系统。此外，模糊控制具有良好的自适应性，因为模糊规则在必要时很容易改变。
本文设计了两级双向均衡电路来实现电池组的均衡。
图11基于FLC的两级均衡控制算法框图
首先，设置了两级双向均衡的起始阈值和终止阈值。接下来，我们获取电池的电压和电流，用于估计电池的SOC。然后计算电池的SOC差异和模块的SOC差异。在电池均衡过程中，采用两级双向均衡实现了基于FLC的电池均衡。对于电池来说，当电池的SOC差异超过电池的启动阈值时，电池的均衡就开始了。当电池的SOC差小于电池的停止阈值时，电池的均衡停止。对于模块，每个模块的SOC是模块中N个单元的平均值。同样，当模块的SOC差异超过
剩余内容已隐藏，支付完成后下载完整资料
资料编号：[234168]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
