动力锂电池荷电状态估计策略的研究

论文摘要

日趋恶化的大气污染和能源问题使得环保型电动汽车在研制和推广方面越来越多地被人们所关注。作为电动汽车实用化和商品化的关键技术之一，电池管理系统的开发与研制也被认为是发展电动汽车的重要环节之一。其中，电池剩余电量SOC（State OfCharge）估计一直以来都是电池管理系统研究的核心，是整车控制策略调整的判断依据。磷酸铁锂锂离子电池因其卓越的性能而备受关注，本文使用这种电池对荷电状态SOC的估计策略进行研究。本文首先对电动汽车及相关技术进行了简单概述，其次在考虑磷酸铁锂锂离子电池（LiFePO4）性能的同时，分析了影响电池荷电状态SOC的内外因素。然后针对国内外几种常用的SOC估计方法中存在的估计精度不高，数学模型建模复杂，实时性差等缺点，本文提出两种新的算法，即最小二乘支持向量机法（LS-SVM）和小波神经网络法（Wavelet Neural Network），通过大量实验数据进行预测分析比较，结果证明了两种方法的有效性与可行性。最后本文又将电池健康状态（State Of Health, SOH）因素引入LS-SVM模型中，提出了根据SOH修正电池SOC权值的方法，精度得以进一步提高。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 电动汽车概述
• 1.2 动力电池的发展状况
• 1.3 电池管理系统概述
• 1.4 研究目的及意义
• 1.5 课题来源和研究内容
• 1.5.1 课题来源
• 1.5.2 课题研究内容
• 1.6 课题的研究特色与创新之处
• 第二章 磷酸铁锂电池 SOC 影响因素分析
• 2.1 磷酸铁锂锂离子电池的工作原理
• 2.2 电池 SOC 的定义
• 2.3 SOC 预测影响因素分析
• 2.3.1 放电倍率
• 2.3.2 温度因素
• 2.3.3 电池的寿命与电池的健康状态
• 2.3.4 自放电因素
• 2.4 本章小结
• 第三章 电池 SOC 估计方法的研究
• 3.1 国内外 SOC 估计方法比较
• 3.2 电动汽车对 SOC 算法的要求
• 3.3 电池健康状态（SOH）概述
• 3.3.1 电池 SOH 定义
• 3.3.2 电池 SOH 的影响因素
• 3.3.3 电池 SOH 预测国内外方法概述
• 3.4 本章小结
• 第四章 电池荷电状态预测
• 4.1 基于小波神经网络的电池 SOC 预测研究
• 4.1.1 小波神经网络预测原理
• 4.1.2 基于小波神经网络的电池 SOC 预测
• 4.2 基于最小二乘支持向量机的电池 SOC 预测研究
• 4.2.1 支持向量机回归算法原理介绍
• 4.2.2 最小二乘支持向量机的预测原理
• 4.2.3 最小二乘支持向量机的电池 SOC 建模
• 4.2.4 基于最小二乘支持向量机的电池 SOC 预测
• 4.3 基于 SOH 的 SOC 预测方法的改进
• 4.3.1 基于 SOH 权值选择的 SOC 预测
• 4.3.2 基于 SOH 的电池 LS-SVM 预测
• 4.4 本章小结
• 第五章 总结与展望
• 参考文献
• 发表论文和科研情况说明
• 致谢