基于无迹变换强跟踪滤波的锂离子电池SOC估计开题报告
2020-02-10 22:35:51
1. 研究目的与意义（文献综述）
目的及意义
为了解决制约汽车产业发展的能源和环保问题，欧洲很多国家和中国先后表态将在不久的将来全面禁售燃油车，并为淘汰燃油车定下明确时间表以及时间规划。主要汽车生产国已将发展电动汽车上升为较高的国家战略，并为其制定了较为细致的研究计划。作为电动汽车的心脏，动力电池的性能直接决定了电动汽车的动力性与续航性能。动力电池及与之匹配的电池管理系统的开发是电动汽车的核心技术，而锂离子电池以其比能量高，自放电率低，无记忆效应和高循环次数等优点成为电动汽车动力电池的首选。
电池SOC是描述蓄电池剩余电量的重要参数，对于蓄电池应用系统意义重大。有电池的SOC作为参考，操作人员便能了解当前蓄电池的剩余容量，以及当前负载下可继续运行的时间或里程；此外，操作人员还可根据当前SOC对电池负载进行权衡、选择及调整，并做出科学合理的决策，这样就可以在保证电池正常工作的同时，最大限度地发挥电池的工作性能。相反，如果没有SOC状态作为参考或者SOC估算误差过大，则很容易对电池本身以及整个用电系统乃至操作人员造成危害。SOC估计是电池管理系统的关键技术之一，精确的估算动力电池SOC可显著地提高电池工作效率，延长其使用寿命，保证其安全可靠运行，为整车能量管理提供依据等。因此，电池的SOC值估算的精确与否对汽车的续航有着关键意义，本文将会提出一个较为可靠的SOC的估算方法。
国内外研究现状
总体来说，国内外关于电池的SOC估计方法大致可分为以下几种：安时积分法，开路电压法，智能估算法和基于模型的估算法。安时积分法是目前电池管理系统上应用较广泛的一种SOC估算方法。该方法通过电流积分来计算剩余电量，简单且易于实现，然而该方法需要精确的初始 SOC值，而且会由于电流漂移的影响而不断累积积分过程的误差。开路电压法则是基于开路电压和SOC之间的关系来估算 SOC，但由于开路电压测试需要将电池静置一段时间，因此该方法不适合SOC的实时在线估计。智能算法如人工神经网络，模糊逻辑和支持向量机也已被用于估计电池SOC，该类方法通过训练大量历史数据进行电池SOC估计，可用于所有类型的电池SOC估计，其估计精度主要依赖于训练数据的数量与质量，同样不利于SOC的在线实时估计。基于模型的估算方法具有在线估计与自修正等特点，成为目前学术界和工业界研究的热点。该类方法基于电池等效电路模型或电化学模型建立电池的状态空间方程，将电流作为输入，终端电压作为输出，SOC等其他参数作为状态变量，再使用滤波器或观测器来估算或修正状态变量。
目前应用较广泛的滤波算法为卡尔曼滤波算法，国内外学者已提出了多种以卡尔曼滤波算法为基础的锂离子电池SOC估计方法：于仲安等采用基于联合扩展卡尔曼滤波法进行锂电池估算，实验结果表明该方法可以有效抑制电流漂移噪声，也可以有效提高计算精度[1]。刘胜永等则是运用基于自适应无迹卡尔曼滤波法，发现了该方法比传统的卡尔曼滤波法更接近于理论值，并能够解决因固定噪声带来的误差问题[2]。魏克新等人同样使用该算法进行了锂离子动力电池状态的估计，产生了同样的效果，同时该方法还能准确地估计出电池的欧姆内阻[3]。罗玉涛等人则是提出了一种扩展卡尔曼滤波与安时积分的组合算法进行了参数识别，通过实验结果表明了该方法可以有效地修正SOC的初始误差[4]。为了解决SOC估算实验中的跟随性过慢的问题，费亚龙等采用了平方根无迹卡尔曼滤波。该方法能使状态估计值具有比较小的误差和快速跟随性[5]。张彩萍等使用基于遗传优化的扩展卡尔曼滤波算法辨识电池模型参数，实验结果和仿真表明，该方法能够满足电动车辆仿真精度要求[6]。
卡尔曼滤波算法通常与安时法，开路电压法联合使用，但其对电池模型精度要求高，而锂离子电池又是复杂的时变非线性系统，因此应用传统卡尔曼滤波算法估计电池SOC会产生较大的误差，一般需采用扩展卡尔曼滤波算法。EKF估计电池SOC时需对锂离子电池状态空间进行线性化处理，降低了估计精度，增大了计算量，此外其计算过程均为矩阵运算，当系统电压，电流波动时会导致状态估计发散。为了解决上述问题，学者们还提出了自适应sigma卡尔曼荷电状态估算、双卡尔曼滤波、有限差分扩展卡尔曼滤波等算法。刘毅等人采用优化电池模型的自适应sigma卡尔曼荷电状态估算法，根据实验结果可以验证该算法的数学描述更准确[7]。顾亚雄、刘艳丽等则是采用双卡尔曼滤波算法和有限差分扩展卡尔曼滤波，通过减小由模型误差带来的SOC状态估计误差从而提高了SOC估算精度[8,9]。这些改进算法与传统卡尔曼滤波算法相比具有较高的估计精度，但仍存在估计值发散的情况，而且都是基于卡尔曼滤波算法提出的，相比于EKF需增加额外的迭代算法，从而增加了系统设计的复杂性，不利于工程实现。还有一些学者另辟蹊径，从不同角度并采用不同方法来解决这些问题，而Cunxue Wu等是通过考虑内阻的电流依赖性来提高SOC的估算精度[10]。Xiangrong Li等是利用电解液粘度和及其在线充电状态监测设计的应用来改善SOC估计不精确的问题[11]，Ali Ahmadiana等提出了一种用于智能电网研究的插入式电动车电池退化建模方法，该方法能使SOC估算中的电池模型精度更高[12]。冯飞等人提出了热力学荷电状态和动力学荷电状态相结合的均衡控制策略方法，实现了较好的SOC均衡效果[13]。陈息坤等则是基于偏差补偿的最小二乘法进行电池建模的参数辨识，该方法建模性能少、耗时少，可实现性较好的恒流充放电间歇法[14]。而在低温情况下的SOC估算，同样有学者提出了新的方法：冯飞等采用改进安时计量法，该方法考虑了不同温度对SOC估计的影响，通过平台实验认证，得出该方法能够提高SOC估算的结论[15]。
|
| 优点 | 缺点 |
| 安时积分法 | 应用较为广泛，操作较为简便。 | 依赖初始的SOC值，且受电流漂移的影响。 |
| 开路电压法 | 基于开路电压和SOC之间的关系来估算 SOC。 | 不太适合SOC的在线估计 |
| 智能估算法 | 用于所有类型的电池SOC估计 | 估计精度主要依赖于训练数据的数量与质量，同样不利于SOC的在线实时估计 |
| 基于模型的估算法 | 目前是研究的热点，拥有在线估计与自修正等特点 | 对模型的精度要求很高。 |
由表中可以看见，四种SOC的估算方法各有优劣，其分别受到模型精度和电流漂移的不同限制，本文将针对这四种算法的缺陷提出新一种基于UTSTF的SOC的估算方法。
2. 研究的基本内容与方案
基本内容
学习电池的基本工作原理和matlab/simulink的相关知识，建立电池的等效电路的数学模型，得到该模型的离散状态的空间方程，基于复合脉冲功率循环实验（hybrid pulse power characteristic，hppc）进行参数辨识。最后运用无迹变换强跟踪滤波并根据最小二乘法的准则，对辨识得到的参数进行曲线拟合。并与常用的扩展卡尔曼滤波算法和无迹卡尔曼滤波算法进行对比研究，验证该算法的有效性。
研究目标
3. 研究计划与安排
| 毕业实习周 （2019.1.6~ 1.18） | 赴校外实习、搜集设计资料，并提交实习日记、实习报告。 |
| 毕业设计预备周 （2019.1.3-2019.1.18） | 确定指导教师人选，对未选好导师的学生进行调剂分配。确定选题志愿、校内搜集资料、消化资料。 |
| 1~ 2 （2.18~3.1） | 学生提交文献检索摘要。撰写开题报告。并完成网上提交开题报告。整理论文提纲、设计概要。 |
| 3~ 4 （3.4 ~ 3.15） | 进行外文翻译，并提交外文翻译译文。 |
| 5~ 6（3.18~ 3.29） | 设计类，下达绘图任务，开始绘图。 研究类，制定试验方案或下达编程任务，开始试验及编程。 |
| 7~ 8（4.1~ 4.12） | 继续完成绘图、试验或编程任务； 撰写毕业设计说明书（设计类）或论文（研究类）。 |
| 9 ~ 11（4.15~ 4.26） | 完成绘图、试验或编程； 完善毕业设计说明书、毕业论文； |
| 12（4.29~ 5.10） | 网上提交毕业设计说明书、毕业论文、绘图等附件材料； 提交答辩申请。 |
| 13~14（5.13~ 5.24） | 教师审阅毕业设计说明书（设计类）或论文（研究类）和（图纸），审查确定学生答辩资格并予以公示。 |
| 15（5.27～5.31） | 根据评阅意见修改毕业设计说明书、毕业论文，并网上提交；准备答辩PPT。 |
| 16（6.3~ 6.7） | 毕业设计答辩。 |
4. 参考文献（12篇以上）
[1]于仲安，简俊鹏. 基于联合扩展卡尔曼滤波法的锂电池soc估算[j]. 电源技术，2016（5）：1941-1949.
[2] 刘胜永，于跃，罗文广，等. 基于自适应无迹卡尔曼滤波的锂电池soc估计[j].电工技术学报，2014，29（1）：1611-1615.
[3] 魏克新，陈峭岩. 基于自适应无迹卡尔曼滤波算法的锂离子动力电池状态估计[j]. 中国电机工程学报，2014，34（1）：445-452.
