登录

  • 登录
  • 忘记密码?点击找回

注册

  • 获取手机验证码 60
  • 注册

找回密码

  • 获取手机验证码60
  • 找回
毕业论文网 > 外文翻译 > 理工学类 > 自动化 > 正文

一种基于H无穷算法的新型多模型概率电动汽车锂电池 荷电状态估计方法外文翻译资料

 2022-09-05 16:16:31  

英语原文共 8 页,剩余内容已隐藏,支付完成后下载完整资料


一种基于H无穷算法的新型多模型概率电动汽车锂电池

荷电状态估计方法

摘要

由于锂电池具有强非线性和复杂时变性的特性,现有的锂电池荷电状态(SOC)估计方法在整个放电周期内无法准确的测定电池的剩余电量,因为这些方法都是基于一些简单的等效电路模型来计算电池的SOC值。为了提高实际应用性能,本文旨在提出一种基于多种ECM融合方式的新型SOC估计方法。本文所提出的SOC估计方法中涉及三种电池模型,分别是戴维宁模型、双偏振模型和三阶RC模型,我们使用这三种模型去描述锂离子电池的动态电压变化,然后使用遗传算法来确定模型参数。采用线性矩阵不等式的H无穷算法可以用来估计上述三种模型的SOC值,而且基于贝叶斯定理的概率估计法可以用来确定这三种模型SOC估计的最优权重。本文采用两种类型的锂电池来验证所提SOC估计方法的可行性和鲁棒性。实验结果表明,针对不确定的电池材料和不准确的初始状态,该方法能够有效提高SOC估计的精度和可靠性。

—2016年艾斯维尔有限公司保留所有权利

  1. 简介

由于其高能量和高功率密度可以满足电动汽车(EVs)[1,2]的电力需求,锂离子电池已经引起了人们广泛的关注,并且调动了许多研究人员的积极性。为了避免电池的不合理使用,荷电状态(SOC)不仅被认为是一个重要的监控参数,而且可以用来管理电池系统,以保证电池运行的安全性和高效性,同时延长电池的使用寿命。尽管如此,作为电池的一种内在隐含的状态,SOC难以直接测量,而且容易受到电池材料类型和操作条件的影响[3,4]。

1.1 SOC估计方法综述

随着电池管理技术的发展,研究人员提出了大量的方法以准确的估计SOC值,并且每种方法都有其优点。表1列出了现有的SOC估计方法的系统分类和比较。这些方法大致可分为四类,分别是查表法、安时积分法、模型计算法和数据分析法。查表法十分简单,但是不适合在线计算,而且需要定期校准电池的开路电压(OCV)和电化学阻抗谱(EIS)等[5-8]。安时积分法因其易于实施和计算而被广泛采用,但是,由于环境噪声、电流漂移和错误初始值[9-10]等不确定干扰的存在,这种开环估计方法可能会产生累积误差,使得测量结果严重偏离真实值。模型计算法可以克服上述两种方法所提到的缺点,由于其闭环反馈机制[11,14],还可以保证SOC估计的稳健性(鲁棒性)。参考文献[12],通过自适应的卡尔曼滤波算法,提出了一种基于电池SOC估计的戴维南电池模型;参考文献[13]采用sigma-point卡尔曼滤波算法建立了一个基于电池模型的SOC估算方法;参考文献[14-16],采用卡尔曼滤波算法建立了一个基于电池模型的SOC估算方法,结果表明,这类模型计算法具有良好的鲁棒性和准确性[17-22]。在处理非线性问题时,数据分析法具有独特的优势,但是这种方法需要大量的实验数据来训练模型,如果所测实验数据不能反映电池的综合性能,那么SOC的估计值可能会有很大的误差[23-27]。

表1 主要的SOC估计方法比较

方法

优点

缺点

准确性

鲁棒性

查表法

·易于实现

·易受干扰

较好

·计算量小

·需要定期校准

·较为满意的实时性

·需要昂贵的测试器

安时积分法

·易于实现

·需要准确的初始值

一般

·计算量小

·采用开环计算,易产生误差

·极好的实时性

·易受电流漂移、老化、噪声

等不可避免的因素影响

模型计算法

·高准确性

·需要较高水准的电池模型

较好

较好

·闭环控制

·计算量大

·较好的实时性

·鲁棒性和可靠性差异较大

·强适应性

数据分析法

·高准确性

·计算量非常大

极好

·高非线性预测能力

·非常依靠实验数据

1.2 论文的贡献

基于表1所做的分析,我们可以观察到,模型计算法能够兼顾实时SOC估计的准确性和鲁棒性。为了实现准确的估计SOC值,模型计算法需要一个高预测精度的复杂ECM模型,尽管如此,ECM对电池材料和电池荷电状态仍是十分敏感(ECM仍然易受电池材料和荷电状态的影响)。总之,在整个放电周期,使用单一的电池模型(ECM)很难准确的估计电池的动态参数SOC,此外,采用单一的电池模型很可能会导致不稳定的估计结果。

本文研究的主要贡献在于提出一种采用H无穷算法的多模型概率相融合的SOC估计方法。首先,通过对锂离子电池动态电压变化的分析,我们选择了三种典型的电池模型(ECM)来描述锂电池在整个工作范围内的极化效应特征,这能够有效地提高锂电池的整体预测性能;其次,和现有的SOC估计方法相比,采用H无穷算法技术能够针对不同的电池模型(ECM)在线估计SOC,更重要的是,和现有的方法相比,本方法使用的线型矩阵不等式能更有效的确定SOC观测器的参数,值得注意的是,H无穷算法不仅可以提高SOC估计的准确性和鲁棒性,而且算法的融合过程将确保SOC估计结果的可靠性。最后,为了融合由多个观测器估计的SOC值,我们采用贝叶斯定理概论模型来确定SOC融合过程中的最优权重。因此,本文所提出的SOC估计方法能够有效地保障SOC估计值的准确性、可靠性和鲁棒性。

1.3 本文的组织结构

本文的其余内容分为四个部分。第2部分介绍了基于模型分析的SOC估计方法,其中还包括SOC的定义和SOC估计中的H无穷算法观测器;第3部分分析了融合估计对于SOC估计的必要性,以及多模型概率融合估计(MMPEE)方法所得估计结果能够显著提高SOC估计的准确性;第4部分阐述了本文所提SOC估计方法在北京公交系统(BJDC)和联邦城市交通系统(FUDS)的测试实验,测试的结果将来本文的最后部分说明。

  1. 基于模型分析的SOC估计

2.1 SOC的定义

电池的SOC被定义为电池的剩余电量与标称容量的比值,它可以由下面的公式表示:

(1)

其中,表示在t时刻的SOC值,表示初始SOC值,表示电池的标称容量,表示本文所使用的锂电池的充放电效率,表示电池电流,它从阳极流向阴极。SOC的动态方成可以写成:

(2)

2.2 电池模型

文献[29-32]中介绍了几种电池模型,比如打印模型、n阶RC网络模型、RC模型和PNGV模型,虽然这些模型都可以用于基于模型分析的SOC估计,但是在实际应用中,n阶RC网络模型是应用最广泛的,这种模型可以通过并联RC网络来描述电池的动态松弛效应[14]。在理论上,模型中的RC对数越多,我们就能够得到更加准确的电池模型和更加真实的电池估计,然而,实际情况却并非如此,在实际应用中,超过3个平行RC网络的模型在某些方面是不可取的,并且会造成很高的计算量,因此,本文采用的是3个以内的并行RC网络。表2列出了模型的原理图和相关动态方程。

其中表示电池的开路电压(OCV),图1为电池的开路电压(OCV)和SOC之间的关系,表示电池的端电压,表示电池的内阻,表示第i个极化电压交叉的第i个极化电阻,表示第i个极化电容。

表2 电池模型的原理图和动态方程

图1 电池的开路电压和SOC之间的关系

2.3 基于线型矩阵不等式的H无穷算法SOC观测器

根据表2的戴维南电池模型,我们可以得到如下的电池状态空间方程:

(3)

其中的系统矩阵分别为:

(4)

此外,表示需要估计的状态向量,表示观测值,表示系统输入,表示噪声向量,包括过程噪声x、t和测量噪声n。

为了通过线性矩阵方程(LMI)获得观测器的可控增益,观测方程也需要以矩阵表示。由于OCV(开路电压)和SOC之间的非线性关系,我们需要采用Nernst模型来表示OCV的变化,如公式5所示。

(5)

其中,z表示电池的SOC。因此,观测方程可以变换为:

(6)

其中,,值得注意的是,这一项不应该视为模型错误,这个函数是相对于电池SOC而言的,这是因为,如果它以这种方式使用,观测方程将是:

(7)

该系统是无法观测的,因为矩阵的秩是1lt;2,所以,状态观测器无法估计系统的状态。

考虑到原系统方程(3)和(6),观测器可以构造为:

(8)

(9)

相应的误差方程为:

(10)

(11)

(12)

如果误差系统逐渐稳定,观测器的状态将逐渐接近真实的系统状态,那么也能够有效地估计SOC。建立H无穷算法观测器的目的在于,对于给定的衰减级别Cgt;0时,系统方程(11)和(12)是稳定的,并且下面的不等式在零初始条件下也能够满足。

(13)

其中,表示的是术语的规范。根据鲁棒控制理论中的有限真值定理,如果存在矩阵满足以及合适尺寸的x,误差系统会逐渐稳定,并且公式(13)能够满足零初始状态,从而产生以下LMI是可行的[19]。

(14)

其中,和I表示适当大小的单位矩阵,增益L可以由来计算。通过MATLAB LMI工具箱的mincx和feasp求解器,可以分别计算术语C、矩阵P和X。

  1. 多模型概率SOC融合估计

3.1 多个模型SOC估算的比较

近年来,基于单个电池模型的SOC估算方法虽然已被广泛研究,并在估算精度上取得了一定程度的进展,但是SOC估算的精度和可靠性仍需要进一步提高。我们通过图2进行说明,在图2中,使用基于戴维南模型、动态规划模型和3阶RC模型的LMI-H无穷算法观测器进行SOC检测,从图中可以看出,在A段基于戴维南模型的SOC检测值最接近SOC的参考值,在B段基于3阶RC模型的SOC检测值估算效果最好,此外,基于3阶RC模型的SOC检测值在整个充放电周期具有最高的准确性,但是,在整个充放电周期的任何一段时间,它们都不是最好的SOC估算结果。因此,提出多模型概率SOC估算方法来解决这个问题,同时提高SOC估算的准确性和可靠性。

图2 基于各种模型的SOC估算优势比较

3.2 多模型概率SOC融合估计

3.2.1 融合估计策略

根据上述分析,有必要提出基于三种电池模型的融合SOC估计策略,事实上,融合估算方法已经广泛的应用在卫星定位、机动目标跟踪和故障检测等领域[35-37],尤其是参考文献[38]提出了一种新型的锂电池开路电压确定方法,结果表明,融合估算技术具有良好的鲁棒性和冗余。在本文的研究中,我们提出一种基于H无穷算法的多模型概率融合SOC估计方法,融合估计的主要架构分为集中式、分布式和混合式,由于低计算成本和高效率的优点,分布式体系结构是最合适的SOC融合估计方案。图3描述了这种多模型融合估计的系统结构。

图3 多模型融合估计方法的系统结构

首先,通过使用基于三种电池模型的H算法状态观测器,SOC可由传输到并行过滤系统的待测系统输入电压和电流估计;然后,可以得到估计的SOC值和端电压,并将其传送到数据中心,根据各个模型对SOC估计的贡献率的融合规则,可以用估计的端电压来计算权重,权重越大,该种模型对SOC估计结果的影响就越大;最后,融合SOC估计结果可以由公式(15)计算得到。

(15)

权重满足下面的公式:

剩余内容已隐藏,支付完成后下载完整资料


资料编号:[147273],资料为PDF文档或Word文档,PDF文档可免费转换为Word

您需要先支付 30元 才能查看全部内容!立即支付

企业微信

Copyright © 2010-2022 毕业论文网 站点地图