基于平方根容积卡尔曼滤波的退役动力电池SOC估算研究

【摘要】：从我国电动汽车产业的发展速度来看,预计到2020年电动汽车市场存量将超过500万辆,以每辆车平均配备20kWh的电池来估算,约有1亿kWh(100GWh)的车用动力锂电池进入市场。当这些动力电池的容量衰减至初始容量的80%时就要退役处理。以前这些退役下来的动力电池会直接被废物处理掉,不仅浪费,而且造成了大量的污染。经过研究发现,退役动力电池仍有一定的剩余容量和使用寿命,可以用在对电池要求更低的应用场景,如家里的电灯,或者电网储能,或者小型微电网,再或者通信基站的储能。本文研究在通信基站中退役动力电池的利用价值,从电动汽车退役下来的动力电池如果要在通信基站中发挥二次利用,有必要对退役动力电池的性能进行研究,其中电池的荷电状态(state of charge,SOC)是最为关键的因素,所以准确估计电池SOC可以最大限度地利用退役动力电池。本文将引入扩展卡尔曼滤波(E KF)和平方根容积卡尔曼滤波算法(SRCKF)对退役动力电池的SOC分别进行估算并进行比较。本文主要研究内容如下。(1)本文基于退役动力电池三星18650-22P电池进行了研究。首先简要地提出了退役动力电池的管理系统,其系统包括硬件设计和软件设计。并且说明在通信基站中的运用,其次电池管理系统最核心的就是电池SOC估算研究。(2)来模拟电池的动态特性模型中,本文举出了几种,最后本文选取了二阶RC电路作为本文的电池模型。并采取了一系列实验来证明模型的可靠性,实现了参数辨识。(3)本文提出了EKF和SRCKF算法。EKF可以使用泰勒展开来线性化非线性函数,并忽略高阶的其余部分,因此,EKF可以应用于非线性系统。SRCKF是基于CKF,协方差矩阵的平方根是被Cholesky分解的形式传播和更新状态,获得高效的计算速率。(4)本文在Matlab中仿真,分别从算法的误差、收敛速度、稳定性来比较,并且用仿真证明SRCKF的滤波性。实验结果表明,SRCKF与扩展卡尔曼算法和相比,在估算准确性和收敛速率以及稳定性方面都具有较好的表现。