关键词:
磷酸铁锂电池
卡尔曼滤波器
强跟踪算法
多采样率数字控制系统
荷电状态估计
摘要:
锂电池自问世以来就以其良好的充放电性能且无记忆效应被广泛应用于手机、电动车或者其它电气设备。本文以磷酸铁锂电池作用研究对象,为深海作业机器的电池储能系统提供可靠及精确的荷电状态估计值(State of Charge, SOC),并将此估计值作为能量管理系统的重要动作指标。磷酸铁锂电池具有自放电现象弱、能量密度大和化学结构稳定等优点。由于锂离子脱嵌过程中,锂电池端电压稳定在3.2V附近,因此磷酸铁锂电池充放电特性曲线的中部存在非常长的平台期,而在充放电开始或者结束处其电压会突升或者突降,使得该特性曲线呈现强烈的非线性特征。计算荷电状态的普遍方法是利用安时积分法,该方法容易受到荷电状态初始误差和过程误差的干扰而使得估计值精确度降低。磷酸铁锂电池荷电状态值对电池能量管理系统的有效性起到关键作用,考虑到卡尔曼滤波算法可以很好降低初值误差和过程噪声对状态量估计值的影响,故将卡尔曼滤波算法应用于磷酸铁锂电池荷电状态估计过程中。由于卡尔曼滤波框架对模型精确度要求较高,因此本文基于Labview搭建电池性能测试平台,获得磷酸铁锂电池充放电数据,利用实验法提取SOC和电池等效电动势(Voltage of Open Circuit, Uoc)数据特征,使用Curvefit Toolbox对二者关系进行拟合并得到描述其非线性特征的函数表达式。根据实验数据,基于MATLAB/SIMSCAPE平台搭建二阶RC等效电路电池模型,以SIMSCAPE提供的Parameter Estimation Toolbox对等效电路中的RC参数进行估计,建立了与实际电池充放电特性匹配的等效电路模块。在已建立的磷酸铁锂电池RC等效电路基础上,建立相应的状态空间模型。使用扩展卡尔曼滤波器(Extended Kalman Filter, EKF)对电池荷电状态进行估计,EKF估计结果可以很好地在荷电状态具有初始误差的情况将SOC估计值收敛于真值。针对深海探测器在加速时要求电池瞬时大功率放电而导致SOC突变的情况,采用强跟踪扩展卡尔曼滤波器(Strong Tracking Extended Kalman Filter, STEKF)实现电池的SOC估计,从而使得滤波器可以很好地跟踪荷电状态实际值。为增强STEKF算法稳定性,本文引入特征值分解对STEKF中的状态量先验估计值误差协方差阵计算方式进行修正,得到性能更好的滤波器。对于连续物理系统中各处信号变化速率不同的情况,本文利用多采样率控制策略对EKF和STEKF进行改进,经理论推导分别得到输入多采样率扩展卡尔曼滤波算法、输入多采样率强跟踪扩展卡尔曼滤波算法、输出多采样率扩展卡尔曼滤波算法和输出多采样率强跟踪扩展卡尔曼滤波算法。为验证以上叙述算法的有效性,本文NEDC (New European Driving Cycle)电动车实验放电序列考查了在采样倍率为2和4的情况下,算法的SOC估计精度。