电动汽车用磷酸铁锂电池状态估计

摘要

　　在能源危机的背景下，虽然新能源汽车近年来依靠国家的补贴政策销量得到快速发展，但去年全年销量仍然只有燃油车辆的 2.1%，部分原因是新能源汽车的安全问题和续航能力未能令人满意。通过对电池的剩余电量以及剩余寿命的研究，可以为新能源汽车的电池管理系统的安全与保障提供支撑；同时对电池组均衡控制系统进行研究，可以维护电池管理系统的安全运行，从而保证新能源汽车的行驶安全。

　　本文以电动汽车用磷酸铁锂电池为研究对象，首先通过电池的充放电试验确定电池开路电压与 SOC（State of Charge）的映射关系式，同时对电池的回弹电压阶段进行分析后选定 Thevenin 模型作为电池模型。在 MATLAB/Simulink平台下建立电池模型并进行复杂工况下的仿真，仿真结果与真实数据拟合平均误差为 24.3mV，拟合效果良好，验证了电池模型的可靠性。

　　针对通用的卡尔曼滤波算法估计 SOC 时，噪声分布采用高斯分布带来的负面影响，本文选定标准粒子滤波算法估计 SOC，在 MATLAB 平台上将标准粒子滤波算法以及扩展卡尔曼滤波算法与电池模型结合，选定主要变量及方程的具体形式进行 SOC 递推估计，仿真结果证明标准粒子滤波算法精确度更高，误差不超过 4%。针对标准粒子滤波算法的重要性密度函数进行改进得到辅助粒子滤波算法，在 MATLAB 平台上的仿真结果表明误差最大值不超过 3.5%，较之标准粒子滤波算法估计精度更高。

　　在对常用 RUL（Remaining Useful Life）估计算法分析的基础上，选定基于随机重采样的标准粒子滤波算法进行 RUL 估计，针对随机重采样的采样效果较差的缺点，在 MATLAB 平台上分别对采用多项式重采样、残差重采样以及系统重采样的标准粒子滤波算法进行试验仿真，综合比较后证明系统重采样的RUL 估计精度最高，估计误差为 34 个充放电循环。针对标准粒子滤波算法粒子退化现象改进得到正则化粒子滤波算法，仿真证明正则化粒子滤波算法相对标准粒子滤波算法 RUL 估计精度提高 3.64%，估计误差为 16 个充放电循环。

　　对通用均衡方式进行分析后，本文选定基于电感的单向能量转移式主动均衡作为均衡方案，对电感模块与反激式变压器模块进行参数的配置计算后，基于 PSIM 平台搭建均衡模型，仿真电池的电压值正序依次递减排列时均衡效果良好。针对电压值乱序时均衡未能启动的现象，并联入反激式变压器实现均衡电路的闭环拓扑。仿真结果表明，这种新型的综合电感与变压器的均衡方案兼顾能量利用率与工程实用性，均衡效果良好。

　　关键词：锂离子电池；粒子滤波算法；SOC 估计；RUL 预测；均衡控制

Abstract

　　Under the background of energy crisis, although the clean-energy vehicles have been developed very fast in recent years owing to the country’s subsidy policies, the annual sales in last year were still only 2.1% of fuel vehicles and the reasons are safety and endurance problems partly. The research on the state of charge (SOC) and remaining useful life (RUL) of the battery can support the safety and security of the battery management system of clean-energy vehicles. At the same time, the research on the battery control system can maintain the safe operation of the battery system to ensure the safety of vehicles.

　　The paper consider the lithium-ion battery as the object of study. Firstly the paper determined the mapping relationship between the battery open voltage and the state of charge through the battery charge and discharge test date and chose the Thevenin model as battery model through the analysis on the battery rebound voltage stage. The battery model was established and the simulation was carried on. The simulation results were compared with the real data and maximum error is 33 mV, which can prove the high reliability of battery model.

　　The paper chose the standard particle filter to estimate state of charge to overcome the negative effect when the noise distribution of Kalman filter were Gaussian distribution. The standard particle filter and the extended Kalman filter was combined with battery model and the paper chose the main vectors and the concrete equation form to estimate the state of charge , whose results indicated the standard particle filter was more accurate and error is less than 4%. The standard particle filter was improved on the aspect of importance density function, which can be called auxiliary paticle filter algorithm. The simulation of the auxiliary particle filter to estimate SOC was carried out in MATLAB/Simulink and the maximum error didn’t exceed 3.5%, which is more accurate than the results of auxiliary particle filter.

　　The paper chose the standard particle filter used random resampling algorithm to estimate the RUL, which based on the analysis of the commonly RUL estimation algorithms. To overcome the weaknesses of the random resampling algorithm, the standard particle filters based on multinomial resampling, residual resampling and systematic resampling were carried out to estimate RUL. the results showed that the the standard particle filter based on systematic resampling got the most accurate result, whose estimation error was 34 charge and discharge cycles. To overcome the particle degradation phenomenon, the paper improved the standard particle filter and got the regularized particle algorithm. The simulation results showed the estimation accuracy based on regularized particle filter improved 3.64% compared with that of standard particle filter, whose estimation error was 16 charge and dicharge cycles.

　　The paper chose the one-way energy transfer active balance based on inductance as the balance scheme after analyzing the general balance methods. Then the paper calculated the parameters of the inductive module and the flyback transformer module and established the balance model based on PSIM. The balance simulation was accomplished when the voltage values of the battery arranged on the positive order. To overcome the weakness that the balance failed to start when the voltage values arranged out of order, the paper combined with the flyback transformer and achieved the closed-loop topology of the balance circuit. The simulation results showed that the active balace scheme based on the combination between the inductance and the flyback considered both energy utilization and engineering practicality and the simulation results was satisfactory.

　　Keywords: lithium polymer battery, state of charge estimation, remaining useful life prediction, equalization control

　　截至 2017 年 1 月份，我国的新能源汽车保有量为 109 万辆，2016 年全年汽车保有量相对于 2015 年增长了 86.90%。其中纯电动汽车的保有量为 74.1 万辆，占新能源汽车总量的 67.98%，相比于 2015 年增长了 223.19%。2016 年全年全球电动汽车销量为 77.4 万辆，其中中国占比 53%[1]。在政策扶持与电动汽车本身的技术进步下，新能源汽车在中国发展非常迅速。

　　随着我国经济的飞速发展，汽车的销量随之迅猛增加，从而能源危机越来越凸显的严重。根据相关资料，中国现在机动车保有量达 2.91 亿辆，一年的燃油需求量为 2.53 亿吨，而因此产生的机动车尾气污染物排放量高至 5002.3 万吨[2]。能源的巨大消耗及环境污染的日益严重将愈来愈成为阻碍中国经济社会发展的障碍，新能源汽车的大力推广对于这两大问题的缓解有着很大的作用。

　　为了推动中国新能源汽车产业的长远发展，我国政府多次出台补贴政策，规划至2020年时，纯电动汽车以及插电式混合动力汽车生产能力达到 200万辆，累计产销超 500 万辆。但即便 2016 年新能源汽车增长迅猛，全年销量也只达到50 万辆。原因主要是新能源汽车的安全问题以及续航能力还不能使人们信服。

　　对于内燃机来说其心脏是汽车发动机，而对于新能源汽车来说，它的心脏就是电池系统。使用的电池系统与新能源汽车的续驶里程和汽车安全息息相关。

　　目前新能源汽车使用的电池类型愈来愈成为主流的是锂离子电池。锂离子电池根据不同的正极材料类型，可以划分为锰酸锂电池、磷酸铁锂电池以及镍钴锂电池等。锂离子电池具有循环寿命长、比能量高以及自放电率低等突出的优点。

　　随着新能源汽车大力推广与应用的同时，由于动力电池的过充电、过放电以及电池过温等引起的电池爆炸、汽车自燃以致损害汽车内驾乘人员生命安全的事故还时有发生。然而锂离子电池自身容易过充过放、安全性较差的特点，故对于电池系统的监控技术以及保护措施提出了愈加严苛的要求。

　　新能源汽车的长远发展必须克服续驶里程低的弱点，同时提升自身动力性以满足人们的实际需求以及驾乘体验。现有的新能源汽车动力电池通常多节电池成组后串并联使用，但是动力电池在生产的过程当中由于生产工艺等原因，即便同一生产批次、同一型号的动力电池之间的电容与电阻等参数也难以避免的会出现差异。

　　动力电池之间不一致性的增大会造成以下情况：同一时刻充电状态下有些电池电量较低，而有些电池电量大或者接近充满状态，这时继续充电会造成电池的过充电现象；或者同一时刻放电状态下某些电池电量放空而某些电池仍有电量，这时继续放电就会造成动力电池的过放电现象。总之，动力电池之间的不一致性会严重影响新能源汽车的续驶里程以及动力性，影响动力电池组的使用寿命甚至破坏掉整个电池系统。因此，为了保持电池之间不一致性在安全范围内，保护动力电池系统工作在良好状态下从而保证新能源汽车的行驶安全，这时对于动力电池的各状态参数的监控与反馈以及提高电池均衡控制系统的效能就显得非常重要。

　　本文以电动汽车用磷酸铁锂电池为研究对象，对动力电池的 SOC 估计、电池剩余寿命进行研究，用以获取动力电池的各工作状态参数，为电池管理系统的安全与保障提供支撑；本文同时对动力电池的均衡控制系统进行研究，降低电池之间不一致性，提升新能源汽车行驶里程，维护电池管理系统的安全运行。

　　在初始容量已知并且电流传感器精确度高的基础上，通过安时积分法得到的 SOC 估计结果是相对精确地。但动力电池及电流传感器在实际的工作过程中，传感器会受到零点漂移、环境噪声以及其他未知因素的影响，从而影响电流测量值出现相对误差。更进一步的是，随着相当长的周期循环过后，这种测量误差会不断的得到积累。因此安时积分法需要额外的误差修正措施以获取较好的 SOC 估计效果。针对由于误差积累等因素导致的安时积分法的估计劣势，一些学者提出了很多对于安时积分法的修正方法。

　　陈嵩等[3]通过设置容量修正模式门槛电压等措施来对安时积分法进行修正；刘玉丛等[4]基于传统安时积分法又考虑进 SOC 初值受电池充放电后的静置时间的影响以及电池充放电受温度的影响，从而对 SOC 初值进行及时修正，一定程度上降低了安时积分法造成的误差积累的负面影响；Kutluay 等[5]提出一种以电流和温度的在线安时积分估计方法，该方法估计精度可达 3%~4%；李哲等[6]则证明了初始 SOC 值的修正对提升安时积分法的准确性最为重要。

　　接下来阐述基于动力电池本征参数的映射估计方法，这种 SOC 估计方法是最为直接简便的方法，包括开路电压法、阻抗谱法[7]等。基于电池本征参数的映射估计方法优点是可以通过 SOC 与电池本征参数的映射关系直接获取，缺点是该方法的适用条件有限，并且过度依赖于 SOC 与电池本征参数之间映射关系的准确度，例如开路电压法需要经过长时间的静置来获得电池的开路电压，不适用于行车状态下的 SOC 估计。Holger Blanke 等[8]对基于阻抗谱的 SOC 估计方法进行了全面的梳理总结。

　　Waag W 等[9]证实锂离子电池的阻抗参数会随着电池老化而发生较大变化。阻抗谱法的另一个缺点是阻抗参数对于 SOC 的敏感程度远远低于对于温度的敏感程度，因此需要考虑温度因素作为 SOC 估计的补偿措施，但是新能源汽车的电池温度可能变化非常剧烈，所以估计精度难以得到保证。

　　然后阐述基于神经网络以及机器学习方法的 SOC 估计方法。人工神经网络、模糊神经网络以及支持向量机可以用作 SOC 的估计方法，其中应用人工神经网络进行 SOC 估计可以划分为三种类型：直接运用人工神经网络进行 SOC估计、与卡尔曼滤波器或其他控制器融合进行 SOC 估计以及利用人工神经网络进行反馈矫正的安时积分法。

　　廖恩华[10]针对传统 BP 神经网络进行改进，在训练样本中加入温度和电流影响因子，分析并运用试探的方法确定出改进的 BP 神经网络输入向量的时间点个数，运用遗传算法优化各个时间点数据权重系数，取得了较好的估计效果。

　　直接运用人工神经网络进行 SOC 估计的优点是不需要完全明晰动力电池的内部机理。但是这种方法需要非常庞大的数据来训练神经网络，并且对于老化后的动力电池再运用旧数据进行训练的神经网络估计效果将不再精确。这种方法无法随着电池的老化而实时更新神经网络，是一种开环估计方法。

　　Du 等[11]联合扩展卡尔曼滤波同时运用基于人工神经网络的极限学习机（Extreme Learning Machine，ELM）实现了对 SOC 的闭环估计。在这种联合估计方法中，估计的 SOC 值作为神经网络的输入，而输出的电压值与实际电压值比较之后的差值可以作为 SOC 估计的矫正标准。这种闭环估计的优点是理论上可以实现随着动力电池老化而对人工神经网络进行在线校准，从而神经网络便得以与动力电池的老化进程相适应。但是这种估计方式需要处理器具备很高的计算能力，而且会带来诸如过度拟合的潜在问题。

　　Sheikhan 等[12]利用人工神经网络实现了对传统安时积分法反馈纠正，他考虑到动力电池的老化效应，运用优化的多层结构感知器和 RBF 神经网络作为安时积分法的矫正措施实现了对 SOC 的精确估计。模糊神经网络估计 SOC 可以分为两种类型：适应性模糊神经干预系统（Adaptive Neuro-fuzzy inference System，ANFIS）[13]与本区线性模式数（LocalLinear Model Tree，LOLIMOT）[14]。这两种 SOC 估计方法都是开环估计，与直接运用人工神经网络进行 SOC 的估计具有相同的缺点。

　　骆秀江等[15]将基于 VC 维和结构最小化理论的支持向量机（Support VectorMachine，SVM）用于 SOC 估计并取得了相对精确地估计效果。支持向量机估计 SOC 同样需要大量的数据进行训练，同时它也需要处理器具备很高的计算能力。

　　最后阐述基于电池模型的 SOC 估计方法。基于电池模型的 SOC 估计可以分为两类：基于电池的电化学模型的 SOC 估计与基于等效电路模型的 SOC 估计。

　　Schmidt[16]针对基于电池的电化学模型的 SOC 估计，根据经典单粒子方法，开发了集中参数非线性模型，基于电解质点位的并入、液相锂离子浓度的偏微分方程的模态分解等要点，提出了一种新型的电化学锂离子电池模型。黄泽波[17]采用电化学模型作为电池模型，结合卡尔曼滤波器估计 SOC，取得了相对较好的估计效果。电化学模型的优点是可以深刻反映电池的内部机理，缺点有两个方面，一方面由于精确的电化学模型复杂度非常高，不适用于应用在低成本的处理器上；另一方面随着动力电池的老化过程，高复杂度的模型迫使模型参数的在线辨识更加困难。

电动汽车用磷酸铁锂电池状态估计：

人工神经网络直接估计 SOC 的典型结构

综合电感与反激式变压器主动均衡电路拓扑图

三节电池的主动均衡仿真模型

模型图两个 MOS 管楼漏极电压示意图

三节电池主动均衡仿真图

五节电池的电感单向均衡仿真

反激式变压器主动均衡示意图

综合电感与变压器的六节电池的主动均衡仿真示意图

目 录

　　摘 要
　　Abstract
　　第 1 章 绪 论
　　　　1.1 课题来源及其研究意义
　　　　1.2 国内外研究现状
　　　　　　1.2.1 SOC 估计的国内外研究现状
　　　　　　1.2.2 RUL 预测的国内外研究现状
　　　　　　1.2.3 均衡控制系统的国内外研究现状
　　　　1.3 本文主要研究内容
　　第 2 章 电池模型的参数辨识与试验仿真
　　　　2.1 常用电池模型叙述
　　　　　　2.1.1 电化学电池模型
　　　　　　2.1.2 等效电路电池模型
　　　　2.2 电池的外特性与开路电压特性
　　　　2.3 电池模型建立与参数辨识
　　　　2.4 电池模型的实现与仿真
　　　　2.5 本章小结
　　第 3 章 粒子滤波估计 SOC 的仿真分析与试验验证
　　　　3.1 粒子滤波器估计 SOC 的机理分析
　　　　　　3.1.1 贝叶斯递推估计算法
　　　　　　3.1.2 贝叶斯重要性采样
　　　　　　3.1.3 序贯重要性采样算法与重采样算法
　　　　3.2 粒子滤波器与电池模型结合估计 SOC 及试验验证
　　　　　　3.2.1 建立估计模型
　　　　　　3.2.2 估计验证
　　　　3.3 扩展卡尔曼滤波算法估计 SOC 的性能试验
　　　　　　3.3.1 扩展卡尔曼滤波与电池模型的结合
　　　　　　3.3.2 EKF 与 PF 估计 SOC 的试验效果对比
　　　　3.4 辅助粒子滤波器估计 SOC 及试验验证
　　　　　　3.4.1 基于改进重要性密度函数的辅助粒子滤波器
　　　　　　3.4.2 辅助粒子滤波器估计 SOC 的性能试验
　　　　3.5 本章小结
　　第 4 章 粒子滤波算法预测电池剩余寿命
　　　　4.1 基于标准粒子滤波器的锂离子电池 RUL 预测方法
　　　　　　4.1.1 寿命衰退模型及试验数据预处理
　　　　　　4.1.2 RUL 预测框架以及算法描述
　　　　　　4.1.3 RUL 的预测试验与评价效果分析
　　　　4.2 基于四种重采样方法的 RUL 预测仿真及性能对比试验
　　　　　　4.2.1 标准粒子滤波三种重采样算法 RUL 的预测仿真
　　　　　　4.2.2 四种重采样算法的性能综合对比试验
　　　　4.3 基于改进重采样算法的粒子滤波 RUL 预测仿真与性能试验
　　　　　　4.3.1 正则化粒子滤波的原理
　　　　　　4.3.2 REG-PF 与 PF 预测 RUL 仿真与性能对比
　　　　4.4 本章小结
　　第 5 章 综合电感与变压器的主动均衡仿真
　　　　5.1 均衡系统的设计方案与参数设计
　　　　5.2 三节电池的储能电感单向传递主动均衡仿真
　　　　5.3 多节电池主动均衡仿真及反激式变压器均衡仿真
　　　　5.4 综合电感与反激式变压器环形拓扑均衡仿真
　　　　5.6 本章小结
　　结 论
　　参考文献
　　攻读硕士学位期间发表的论文及其它成果
　　哈尔滨工业大学学位论文原创性声明和使用权限
　　致 谢

（如您需要查看本篇毕业设计全文，请您联系客服索取）