实时、准确地获得电池模型的参数可提高电池状态估计的精度。常用的系统辨识算法和智能优化算法不仅实时性差,而且辨识精度低。为了解决等效电路模型的参数辨识及提高等效电路模型参数的辨识精度,本文通过直接离散的方法建立了能够同时辨识二阶RC(resistance-capacitance)等效电路模型和PNGV(partnership for a new generation of vehicles)模型参数的差分方程。基于多新息算法辨识理论,提出了带遗忘因子的多新息辅助模型扩展递推最小二乘(FMIAELS)算法。FMIAELS算法只需利用电池的电流及端电压即可实现等效电路模型参数的实时、精确辨识。实验验证结果表明,在不同温度、工况和老化程度下,FMIAELS算法可精确地辨识电池的模型参数,误差约为常用的系统辨识算法和智能优化算法的1/3。FMIAELS算法也能实现开路电压(OCV)的精确辨识,在不同脉冲下辨识的OCV的精度也明显优于常用的系统辨识算法和智能优化算法,其平均误差仅有0.22%。
电动汽车的发展对电池管理系统(Battery Management System,BMS)提出了更高的要求,当前BMS仅对电池电压、电流、温度进行测量进而进行电池状态估计,需要依赖复杂的算法才能完成电池的状态估计。本文设计了一种基于光纤布拉格光栅(Fiber Bragg Grating,FBG)传感器的智能电池,能够同时在单体层面对电池的表面温度和膨胀力进行无损测量,并且具有一定扩展性。通过恒流恒压(Constant Current Constant Voltage,CCCV)循环测试数据验证了电池表面温度、膨胀力随电池充电状态及循环次数发生规律性变化,并且观测到了电池的可逆和不可逆膨胀力。其中可逆膨胀力与电池荷电状态(State of Charge,SOC)呈近似线性关系,不可逆膨胀力与电池循环次数高度正相关,这意味着智能电池具有通过对膨胀力的监测估计电池荷电状态和电池健康状态(State of Health,SOH)的潜力,从而为将电池膨胀力引入BMS提供了一次有价值的探索。
暂无评论