摘要

　　在能源危機的背景下，雖然新能源汽車(chē)近年來(lái)依靠國家的補貼政策銷(xiāo)量得到快速發(fā)展，但去年全年銷(xiāo)量仍然只有燃油車(chē)輛的 2.1%，部分原因是新能源汽車(chē)的安全問(wèn)題和續航能力未能令人滿(mǎn)意。通過(guò)對電池的剩余電量以及剩余壽命的研究，可以為新能源汽車(chē)的電池管理系統的安全與保障提供支撐；同時(shí)對電池組均衡控制系統進(jìn)行研究，可以維護電池管理系統的安全運行，從而保證新能源汽車(chē)的行駛安全。

　　本文以電動(dòng)汽車(chē)用磷酸鐵鋰電池為研究對象，首先通過(guò)電池的充放電試驗確定電池開(kāi)路電壓與 SOC（State of Charge）的映射關(guān)系式，同時(shí)對電池的回彈電壓階段進(jìn)行分析后選定 Thevenin 模型作為電池模型。在 MATLAB/Simulink平臺下建立電池模型并進(jìn)行復雜工況下的仿真，仿真結果與真實(shí)數據擬合平均誤差為 24.3mV，擬合效果良好，驗證了電池模型的可靠性。

　　針對通用的卡爾曼濾波算法估計 SOC 時(shí)，噪聲分布采用高斯分布帶來(lái)的負面影響，本文選定標準粒子濾波算法估計 SOC，在 MATLAB 平臺上將標準粒子濾波算法以及擴展卡爾曼濾波算法與電池模型結合，選定主要變量及方程的具體形式進(jìn)行 SOC 遞推估計，仿真結果證明標準粒子濾波算法精確度更高，誤差不超過(guò) 4%。針對標準粒子濾波算法的重要性密度函數進(jìn)行改進(jìn)得到輔助粒子濾波算法，在 MATLAB 平臺上的仿真結果表明誤差最大值不超過(guò) 3.5%，較之標準粒子濾波算法估計精度更高。

　　在對常用 RUL（Remaining Useful Life）估計算法分析的基礎上，選定基于隨機重采樣的標準粒子濾波算法進(jìn)行 RUL 估計，針對隨機重采樣的采樣效果較差的缺點(diǎn)，在 MATLAB 平臺上分別對采用多項式重采樣、殘差重采樣以及系統重采樣的標準粒子濾波算法進(jìn)行試驗仿真，綜合比較后證明系統重采樣的RUL 估計精度最高，估計誤差為 34 個(gè)充放電循環(huán)。針對標準粒子濾波算法粒子退化現象改進(jìn)得到正則化粒子濾波算法，仿真證明正則化粒子濾波算法相對標準粒子濾波算法 RUL 估計精度提高 3.64%，估計誤差為 16 個(gè)充放電循環(huán)。

　　對通用均衡方式進(jìn)行分析后，本文選定基于電感的單向能量轉移式主動(dòng)均衡作為均衡方案，對電感模塊與反激式變壓器模塊進(jìn)行參數的配置計算后，基于 PSIM 平臺搭建均衡模型，仿真電池的電壓值正序依次遞減排列時(shí)均衡效果良好。針對電壓值亂序時(shí)均衡未能啟動(dòng)的現象，并聯(lián)入反激式變壓器實(shí)現均衡電路的閉環(huán)拓撲。仿真結果表明，這種新型的綜合電感與變壓器的均衡方案兼顧能量利用率與工程實(shí)用性，均衡效果良好。

　　關(guān)鍵詞：鋰離子電池；粒子濾波算法；SOC 估計；RUL 預測；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，我國的新能源汽車(chē)保有量為 109 萬(wàn)輛，2016 年全年汽車(chē)保有量相對于 2015 年增長(cháng)了 86.90%。其中純電動(dòng)汽車(chē)的保有量為 74.1 萬(wàn)輛，占新能源汽車(chē)總量的 67.98%，相比于 2015 年增長(cháng)了 223.19%。2016 年全年全球電動(dòng)汽車(chē)銷(xiāo)量為 77.4 萬(wàn)輛，其中中國占比 53%[1]。在政策扶持與電動(dòng)汽車(chē)本身的技術(shù)進(jìn)步下，新能源汽車(chē)在中國發(fā)展非常迅速。

　　隨著(zhù)我國經(jīng)濟的飛速發(fā)展，汽車(chē)的銷(xiāo)量隨之迅猛增加，從而能源危機越來(lái)越凸顯的嚴重。根據相關(guān)資料，中國現在機動(dòng)車(chē)保有量達 2.91 億輛，一年的燃油需求量為 2.53 億噸，而因此產(chǎn)生的機動(dòng)車(chē)尾氣污染物排放量高至 5002.3 萬(wàn)噸[2]。能源的巨大消耗及環(huán)境污染的日益嚴重將愈來(lái)愈成為阻礙中國經(jīng)濟社會(huì )發(fā)展的障礙，新能源汽車(chē)的大力推廣對于這兩大問(wèn)題的緩解有著(zhù)很大的作用。

　　為了推動(dòng)中國新能源汽車(chē)產(chǎn)業(yè)的長(cháng)遠發(fā)展，我國政府多次出臺補貼政策，規劃至2020年時(shí)，純電動(dòng)汽車(chē)以及插電式混合動(dòng)力汽車(chē)生產(chǎn)能力達到 200萬(wàn)輛，累計產(chǎn)銷(xiāo)超 500 萬(wàn)輛。但即便 2016 年新能源汽車(chē)增長(cháng)迅猛，全年銷(xiāo)量也只達到50 萬(wàn)輛。原因主要是新能源汽車(chē)的安全問(wèn)題以及續航能力還不能使人們信服。

　　對于內燃機來(lái)說(shuō)其心臟是汽車(chē)發(fā)動(dòng)機，而對于新能源汽車(chē)來(lái)說(shuō)，它的心臟就是電池系統。使用的電池系統與新能源汽車(chē)的續駛里程和汽車(chē)安全息息相關(guān)。

　　目前新能源汽車(chē)使用的電池類(lèi)型愈來(lái)愈成為主流的是鋰離子電池。鋰離子電池根據不同的正極材料類(lèi)型，可以劃分為錳酸鋰電池、磷酸鐵鋰電池以及鎳鈷鋰電池等。鋰離子電池具有循環(huán)壽命長(cháng)、比能量高以及自放電率低等突出的優(yōu)點(diǎn)。

　　隨著(zhù)新能源汽車(chē)大力推廣與應用的同時(shí)，由于動(dòng)力電池的過(guò)充電、過(guò)放電以及電池過(guò)溫等引起的電池爆炸、汽車(chē)自燃以致?lián)p害汽車(chē)內駕乘人員生命安全的事故還時(shí)有發(fā)生。然而鋰離子電池自身容易過(guò)充過(guò)放、安全性較差的特點(diǎn)，故對于電池系統的監控技術(shù)以及保護措施提出了愈加嚴苛的要求。

　　新能源汽車(chē)的長(cháng)遠發(fā)展必須克服續駛里程低的弱點(diǎn)，同時(shí)提升自身動(dòng)力性以滿(mǎn)足人們的實(shí)際需求以及駕乘體驗。現有的新能源汽車(chē)動(dòng)力電池通常多節電池成組后串并聯(lián)使用，但是動(dòng)力電池在生產(chǎn)的過(guò)程當中由于生產(chǎn)工藝等原因，即便同一生產(chǎn)批次、同一型號的動(dòng)力電池之間的電容與電阻等參數也難以避免的會(huì )出現差異。

　　動(dòng)力電池之間不一致性的增大會(huì )造成以下情況：同一時(shí)刻充電狀態(tài)下有些電池電量較低，而有些電池電量大或者接近充滿(mǎn)狀態(tài)，這時(shí)繼續充電會(huì )造成電池的過(guò)充電現象；或者同一時(shí)刻放電狀態(tài)下某些電池電量放空而某些電池仍有電量，這時(shí)繼續放電就會(huì )造成動(dòng)力電池的過(guò)放電現象。總之，動(dòng)力電池之間的不一致性會(huì )嚴重影響新能源汽車(chē)的續駛里程以及動(dòng)力性，影響動(dòng)力電池組的使用壽命甚至破壞掉整個(gè)電池系統。因此，為了保持電池之間不一致性在安全范圍內，保護動(dòng)力電池系統工作在良好狀態(tài)下從而保證新能源汽車(chē)的行駛安全，這時(shí)對于動(dòng)力電池的各狀態(tài)參數的監控與反饋以及提高電池均衡控制系統的效能就顯得非常重要。

　　本文以電動(dòng)汽車(chē)用磷酸鐵鋰電池為研究對象，對動(dòng)力電池的 SOC 估計、電池剩余壽命進(jìn)行研究，用以獲取動(dòng)力電池的各工作狀態(tài)參數，為電池管理系統的安全與保障提供支撐；本文同時(shí)對動(dòng)力電池的均衡控制系統進(jìn)行研究，降低電池之間不一致性，提升新能源汽車(chē)行駛里程，維護電池管理系統的安全運行。

　　在初始容量已知并且電流傳感器精確度高的基礎上，通過(guò)安時(shí)積分法得到的 SOC 估計結果是相對精確地。但動(dòng)力電池及電流傳感器在實(shí)際的工作過(guò)程中，傳感器會(huì )受到零點(diǎn)漂移、環(huán)境噪聲以及其他未知因素的影響，從而影響電流測量值出現相對誤差。更進(jìn)一步的是，隨著(zhù)相當長(cháng)的周期循環(huán)過(guò)后，這種測量誤差會(huì )不斷的得到積累。因此安時(shí)積分法需要額外的誤差修正措施以獲取較好的 SOC 估計效果。針對由于誤差積累等因素導致的安時(shí)積分法的估計劣勢，一些學(xué)者提出了很多對于安時(shí)積分法的修正方法。

　　陳嵩等[3]通過(guò)設置容量修正模式門(mén)檻電壓等措施來(lái)對安時(shí)積分法進(jìn)行修正；劉玉叢等[4]基于傳統安時(shí)積分法又考慮進(jìn) SOC 初值受電池充放電后的靜置時(shí)間的影響以及電池充放電受溫度的影響，從而對 SOC 初值進(jìn)行及時(shí)修正，一定程度上降低了安時(shí)積分法造成的誤差積累的負面影響；Kutluay 等[5]提出一種以電流和溫度的在線(xiàn)安時(shí)積分估計方法，該方法估計精度可達 3%~4%；李哲等[6]則證明了初始 SOC 值的修正對提升安時(shí)積分法的準確性最為重要。

　　接下來(lái)闡述基于動(dòng)力電池本征參數的映射估計方法，這種 SOC 估計方法是最為直接簡(jiǎn)便的方法，包括開(kāi)路電壓法、阻抗譜法[7]等。基于電池本征參數的映射估計方法優(yōu)點(diǎn)是可以通過(guò) SOC 與電池本征參數的映射關(guān)系直接獲取，缺點(diǎn)是該方法的適用條件有限，并且過(guò)度依賴(lài)于 SOC 與電池本征參數之間映射關(guān)系的準確度，例如開(kāi)路電壓法需要經(jīng)過(guò)長(cháng)時(shí)間的靜置來(lái)獲得電池的開(kāi)路電壓，不適用于行車(chē)狀態(tài)下的 SOC 估計。Holger Blanke 等[8]對基于阻抗譜的 SOC 估計方法進(jìn)行了全面的梳理總結。

　　Waag W 等[9]證實(shí)鋰離子電池的阻抗參數會(huì )隨著(zhù)電池老化而發(fā)生較大變化。阻抗譜法的另一個(gè)缺點(diǎn)是阻抗參數對于 SOC 的敏感程度遠遠低于對于溫度的敏感程度，因此需要考慮溫度因素作為 SOC 估計的補償措施，但是新能源汽車(chē)的電池溫度可能變化非常劇烈，所以估計精度難以得到保證。

　　然后闡述基于神經(jīng)網(wǎng)絡(luò )以及機器學(xué)習方法的 SOC 估計方法。人工神經(jīng)網(wǎng)絡(luò )、模糊神經(jīng)網(wǎng)絡(luò )以及支持向量機可以用作 SOC 的估計方法，其中應用人工神經(jīng)網(wǎng)絡(luò )進(jìn)行 SOC 估計可以劃分為三種類(lèi)型：直接運用人工神經(jīng)網(wǎng)絡(luò )進(jìn)行 SOC估計、與卡爾曼濾波器或其他控制器融合進(jìn)行 SOC 估計以及利用人工神經(jīng)網(wǎng)絡(luò )進(jìn)行反饋矯正的安時(shí)積分法。

　　廖恩華[10]針對傳統 BP 神經(jīng)網(wǎng)絡(luò )進(jìn)行改進(jìn)，在訓練樣本中加入溫度和電流影響因子，分析并運用試探的方法確定出改進(jìn)的 BP 神經(jīng)網(wǎng)絡(luò )輸入向量的時(shí)間點(diǎn)個(gè)數，運用遺傳算法優(yōu)化各個(gè)時(shí)間點(diǎn)數據權重系數，取得了較好的估計效果。

　　直接運用人工神經(jīng)網(wǎng)絡(luò )進(jìn)行 SOC 估計的優(yōu)點(diǎn)是不需要完全明晰動(dòng)力電池的內部機理。但是這種方法需要非常龐大的數據來(lái)訓練神經(jīng)網(wǎng)絡(luò )，并且對于老化后的動(dòng)力電池再運用舊數據進(jìn)行訓練的神經(jīng)網(wǎng)絡(luò )估計效果將不再精確。這種方法無(wú)法隨著(zhù)電池的老化而實(shí)時(shí)更新神經(jīng)網(wǎng)絡(luò )，是一種開(kāi)環(huán)估計方法。

　　Du 等[11]聯(lián)合擴展卡爾曼濾波同時(shí)運用基于人工神經(jīng)網(wǎng)絡(luò )的極限學(xué)習機（Extreme Learning Machine，ELM）實(shí)現了對 SOC 的閉環(huán)估計。在這種聯(lián)合估計方法中，估計的 SOC 值作為神經(jīng)網(wǎng)絡(luò )的輸入，而輸出的電壓值與實(shí)際電壓值比較之后的差值可以作為 SOC 估計的矯正標準。這種閉環(huán)估計的優(yōu)點(diǎn)是理論上可以實(shí)現隨著(zhù)動(dòng)力電池老化而對人工神經(jīng)網(wǎng)絡(luò )進(jìn)行在線(xiàn)校準，從而神經(jīng)網(wǎng)絡(luò )便得以與動(dòng)力電池的老化進(jìn)程相適應。但是這種估計方式需要處理器具備很高的計算能力，而且會(huì )帶來(lái)諸如過(guò)度擬合的潛在問(wèn)題。

　　Sheikhan 等[12]利用人工神經(jīng)網(wǎng)絡(luò )實(shí)現了對傳統安時(shí)積分法反饋糾正，他考慮到動(dòng)力電池的老化效應，運用優(yōu)化的多層結構感知器和 RBF 神經(jīng)網(wǎng)絡(luò )作為安時(shí)積分法的矯正措施實(shí)現了對 SOC 的精確估計。模糊神經(jīng)網(wǎng)絡(luò )估計 SOC 可以分為兩種類(lèi)型：適應性模糊神經(jīng)干預系統（Adaptive Neuro-fuzzy inference System，ANFIS）[13]與本區線(xiàn)性模式數（LocalLinear Model Tree，LOLIMOT）[14]。這兩種 SOC 估計方法都是開(kāi)環(huán)估計，與直接運用人工神經(jīng)網(wǎng)絡(luò )進(jìn)行 SOC 的估計具有相同的缺點(diǎn)。

　　駱秀江等[15]將基于 VC 維和結構最小化理論的支持向量機（Support VectorMachine，SVM）用于 SOC 估計并取得了相對精確地估計效果。支持向量機估計 SOC 同樣需要大量的數據進(jìn)行訓練，同時(shí)它也需要處理器具備很高的計算能力。

　　最后闡述基于電池模型的 SOC 估計方法。基于電池模型的 SOC 估計可以分為兩類(lèi)：基于電池的電化學(xué)模型的 SOC 估計與基于等效電路模型的 SOC 估計。

　　Schmidt[16]針對基于電池的電化學(xué)模型的 SOC 估計，根據經(jīng)典單粒子方法，開(kāi)發(fā)了集中參數非線(xiàn)性模型，基于電解質(zhì)點(diǎn)位的并入、液相鋰離子濃度的偏微分方程的模態(tài)分解等要點(diǎn)，提出了一種新型的電化學(xué)鋰離子電池模型。黃澤波[17]采用電化學(xué)模型作為電池模型，結合卡爾曼濾波器估計 SOC，取得了相對較好的估計效果。電化學(xué)模型的優(yōu)點(diǎn)是可以深刻反映電池的內部機理，缺點(diǎn)有兩個(gè)方面，一方面由于精確的電化學(xué)模型復雜度非常高，不適用于應用在低成本的處理器上；另一方面隨著(zhù)動(dòng)力電池的老化過(guò)程，高復雜度的模型迫使模型參數的在線(xiàn)辨識更加困難。

電動(dòng)汽車(chē)用磷酸鐵鋰電池狀態(tài)估計：

人工神經(jīng)網(wǎng)絡(luò )直接估計 SOC 的典型結構

綜合電感與反激式變壓器主動(dòng)均衡電路拓撲圖

三節電池的主動(dòng)均衡仿真模型

模型圖兩個(gè) MOS 管樓漏極電壓示意圖

三節電池主動(dòng)均衡仿真圖

五節電池的電感單向均衡仿真

反激式變壓器主動(dòng)均衡示意圖

綜合電感與變壓器的六節電池的主動(dòng)均衡仿真示意圖

目 錄

　　摘 要
　　Abstract
　　第 1 章 緒 論
　　　　1.1 課題來(lái)源及其研究意義
　　　　1.2 國內外研究現狀
　　　　　　1.2.1 SOC 估計的國內外研究現狀
　　　　　　1.2.2 RUL 預測的國內外研究現狀
　　　　　　1.2.3 均衡控制系統的國內外研究現狀
　　　　1.3 本文主要研究?jì)热?br /> 　　第 2 章 電池模型的參數辨識與試驗仿真
　　　　2.1 常用電池模型敘述
　　　　　　2.1.1 電化學(xué)電池模型
　　　　　　2.1.2 等效電路電池模型
　　　　2.2 電池的外特性與開(kāi)路電壓特性
　　　　2.3 電池模型建立與參數辨識
　　　　2.4 電池模型的實(shí)現與仿真
　　　　2.5 本章小結
　　第 3 章 粒子濾波估計 SOC 的仿真分析與試驗驗證
　　　　3.1 粒子濾波器估計 SOC 的機理分析
　　　　　　3.1.1 貝葉斯遞推估計算法
　　　　　　3.1.2 貝葉斯重要性采樣
　　　　　　3.1.3 序貫重要性采樣算法與重采樣算法
　　　　3.2 粒子濾波器與電池模型結合估計 SOC 及試驗驗證
　　　　　　3.2.1 建立估計模型
　　　　　　3.2.2 估計驗證
　　　　3.3 擴展卡爾曼濾波算法估計 SOC 的性能試驗
　　　　　　3.3.1 擴展卡爾曼濾波與電池模型的結合
　　　　　　3.3.2 EKF 與 PF 估計 SOC 的試驗效果對比
　　　　3.4 輔助粒子濾波器估計 SOC 及試驗驗證
　　　　　　3.4.1 基于改進(jìn)重要性密度函數的輔助粒子濾波器
　　　　　　3.4.2 輔助粒子濾波器估計 SOC 的性能試驗
　　　　3.5 本章小結
　　第 4 章 粒子濾波算法預測電池剩余壽命
　　　　4.1 基于標準粒子濾波器的鋰離子電池 RUL 預測方法
　　　　　　4.1.1 壽命衰退模型及試驗數據預處理
　　　　　　4.1.2 RUL 預測框架以及算法描述
　　　　　　4.1.3 RUL 的預測試驗與評價(jià)效果分析
　　　　4.2 基于四種重采樣方法的 RUL 預測仿真及性能對比試驗
　　　　　　4.2.1 標準粒子濾波三種重采樣算法 RUL 的預測仿真
　　　　　　4.2.2 四種重采樣算法的性能綜合對比試驗
　　　　4.3 基于改進(jìn)重采樣算法的粒子濾波 RUL 預測仿真與性能試驗
　　　　　　4.3.1 正則化粒子濾波的原理
　　　　　　4.3.2 REG-PF 與 PF 預測 RUL 仿真與性能對比
　　　　4.4 本章小結
　　第 5 章 綜合電感與變壓器的主動(dòng)均衡仿真
　　　　5.1 均衡系統的設計方案與參數設計
　　　　5.2 三節電池的儲能電感單向傳遞主動(dòng)均衡仿真
　　　　5.3 多節電池主動(dòng)均衡仿真及反激式變壓器均衡仿真
　　　　5.4 綜合電感與反激式變壓器環(huán)形拓撲均衡仿真
　　　　5.6 本章小結
　　結 論
　　參考文獻
　　攻讀碩士學(xué)位期間發(fā)表的論文及其它成果
　　哈爾濱工業(yè)大學(xué)學(xué)位論文原創(chuàng )性聲明和使用權限
　　致 謝

（如您需要查看本篇畢業(yè)設計全文，請您聯(lián)系客服索取）