H无穷滤波技术在电池荷电状态估计中的应用—开题报告.docx

H无穷滤波技术在电池荷电状态估计中的应用—开题报告.docx

《H无穷滤波技术在电池荷电状态估计中的应用—开题报告.docx》由会员分享，可在线阅读，更多相关《H无穷滤波技术在电池荷电状态估计中的应用—开题报告.docx（6页珍藏版）》请在冰豆网上搜索。

毕业论文开题报告

题 目 H无穷滤波技术 在电池荷电状态估计中的应用

学 院 自动化与电气工程学院

专 业 电气工程及其自动化班 级

学 生

学 号

指导教师

二〇一五年四月八日

毕业论文开题报告

学院 自动化与电气工程学院 专业 电气工程及其自动化 学生 学号

论文题目 H无穷滤波技术在电池荷电状态估计中的应用

一、选题背景与意义

1.近年来，随着全球人口的不断增加，世界汽车数量大幅攀升，造成能源的需求量越来越大，环境污染也日益严重。

为了减少能源和环境压力，各国政府都加强了对电动汽车的研究和开发。

-5-

济南大学

而作为电动汽车动力源的电池更是成为了电动汽车研究中的重中之重1，2

。

动力电池无论是技术

上还是成本上都严重制约着电动汽车的发展。

动力电池技术包含制造技术和管理技术，电池制造技术在短时间内很难取得突破性进展，所以车载动力电池的成本效益、可靠性，很大程度上依然直接依赖于电池管理系统的设计是否合理、优化。

动力电池状态估计精度低将会导致电池管理不善，不仅影响电池寿命、使用成本、而且对人身安全构成威胁。

因此可以看出电池的荷电状态（StateofCharge，SOC）是电池在工作过程当中最重要的性能参数之一，所以精确的估算荷电状态不但能够提高电池的使用寿命而且还能提高电动汽车的续航能力，对于电动汽车的发展十分重要。

2.SOC是指电池最大可用容量与电池标称容量的比值，在给定工作条件下，也可以表示为电

池可用时间的长短3，4,5。

目前国内外有多种对于电池荷电状态（SOC）估计得方法。

为了研究电

池在不同电流强度下电压随SOC的变化规律SOC，Curtis仪器公司在1963年开发了可以提示电池剩余电量的仪表，这是最早的SOC估计技术。

1975年，Dowgiallo提出了最早的电池阻抗测试概念，自此，电化学阻抗谱法开始应用于电池SOC估计。

最早的使用安培积分法计算电池SOC的文献是1975年的Finger，在其发明的专利中指出了安时积分法是估计电池荷电状态的有效方法。

而对锂离子电池进行SOC的研究，则始于1984年，Peled等人对电池进行离线开压电路（OCV）标定，以查表的方式实现锂离子电池SOC在线估计。

将电池的健康状态考虑到电池SOC估计中的最早文献见于1988年的Seyfang。

通过神经网络估计电池SOC最早始于1997年的Gerard。

模糊逻辑方法的最早应用则于1999年由Salkind提出。

卡尔曼滤波法是一种不断调整参数以适应电

池模型的SOC估计方法，这种方法应用于锂离子电池是DiDomenico在2008年开始的6。

安倍小时计算法原理简单、工作稳定，是目前最常用的电动汽车SOC估计方法之一。

这种方法计算电池放出的电量有一定的准确性，但是不能计算电池初始的SOC。

它的主要缺点是：

电流测量的不准确容易引起SOC计算误差，而且随着计算时间增加而积累变大。

而且电池放电效

率的确定也需要大量实验数据建立起经验公式，对SOC可靠性也有一定的影响7,8,9，10。

所以安

倍小时计算法通常与其他一些方法一起使用。

神经网络法是基于BP神经网络的一种算法，可以适用于各种电池，它的缺陷就在于需要大量的实验数据进行训练，估计误差受训练数据和训练方

法的影响比较大。

适用范围受训练数据及方法限制，而且在电池管理系统中难以实现11,12，13。

卡

尔曼滤波法理论的核心思想是对系统状态做出最小方差意义上的最优估计。

其优点是对初始SOC

误差不敏感。

卡尔曼滤波方法的缺点是对电池性能模型精度及电池管理系统计算能力要求高

14,15,16。

目前应用广泛的卡尔曼滤波法需要在已知噪声统计特性的情况下对电池荷电状态的估计精确度较高，在噪声统计特性未知的情况下，其精确度会很低，甚至发散15,16,17。

针对这一问题，本文在H无穷滤波理论的基础上设计H无穷滤波器来进行电池的SOC估计。

二、研究内容与目标

动力电池荷电状态（SOC）的精确估计，不仅为高性能的电池管理系统提供必要的参数和依据，而且是电池健康状态、功率估计的重要参考参数。

由于车载动力电池工作环境复杂，噪声统计特性难以预知，传统方法估计电池SOC其精度一直不能满足电动汽车快速发展要求。

因此此次研究内容在于能够在噪声统计特性未知的情况下得到SOC的精确估计。

噪声统计特性的不确定性对于SOC的精确估计有较强的干扰，我们需要解决噪声统计不确定性的干扰，消除噪声统计不确定性的干扰是不现实的，所以我们应该尽量减少或适应这个干扰因素，我们采用的H无穷滤波技术对于噪声统计特性未知情况的不确定性具有较强的鲁棒性（所谓“鲁棒性”，是指控制系统在一定（结构，大小）的参数摄动下，维持其它某些性能的特性）。

H无穷滤波技术可以解决噪声统计不确定性的干扰。

三、研究方法与手段

首先选择适当的电池等效电路模型，通过复合脉冲实验测试模型参数。

给出电池系统的动态描述，基于鲁棒H无穷滤波技术设计SOC估计器，并进行仿真试验验证所设计滤波器的有效性。

四、参考文献

[1]马树才，范青，张晓，谢芳.电动汽车锂离子电池SOC检测技术的研究.电源技术.2014,138（10）:

1812-1814.

[2]夏晴.电动汽车用锂离子电池荷电状态估计算法的研究.2011，黑龙江，哈尔滨工业大学学位论文.

毕业论文开题报告

[3]麻友良，陈全世，齐占宁.电动汽车用电池SOC定义与检测方法.清华大学学报, 2001,41

（11）:

95-97.

[4]方小斌.动力电池荷电状态估计方法的研究.通讯电源技术, 2014, 31（6）:

13-16.

[5]吴红杰，齐铂金，郑敏信，陈波，舒伟辉.混合动力电动车电池荷电状态描述方法[J].北京航空航天大学学报，2005,31

（2）:

223-226.

[6]席安静，白鹏.锂离子电池荷电状态估计方法综述[C].2011，北京:

中国电工技术学会年会.

[7]余运俊，谌新，万晓凤.电动汽车电池荷电状态估计研究综述[J].电源学报，2014，53（3）:

95-102.

[8]曾求勇，张鑫，范兴明.电动汽车动力电池荷电状态估计方法探讨[J].电测与仪表，2014，51

（24）:

76-84.

[9]李德东，王振臣，郭小星.基于模糊卡尔曼滤波的HEV氢镍电池SOC估计[J].电源技术，2011,35

（2）:

192-194。

[10]鲍慧，于洋.基于安时积分法的电池SOC估计误差矫正[J].计算机仿真，2013,30

（11）:

148-159.

[11]朱小平，张涛.基于自适应理论的锂离子电池SOC估计[J].电气技术，2013,7,47-50.

[12]蔡信，李波，汪宏华，聂亮.基于神经网络模型的动力电池SOC估计研究[J].机电工程，2015,32

（1）:

128-132.

[13]雷肖，陈清泉，刘开培，马历.电动车蓄电池荷电状态估计的神经网络方法[J].电工技术学报，2007,22（8）:

155-160.

[14]赵又群，周晓凤，刘英杰.基于卡尔曼粒子滤波算法的锂电池SOC估计[J].中国机械工程，

2015,26:

394-397.

[15]袁闪闪，刘和平，杨飞.基于扩展卡尔曼滤波的LFePO4电池荷电状态估计[J].电源技术，

2012，36（3）:

325-327.

[16]孙冬，陈息坤.基于离散滑模观测器的锂电池荷电状态估计[J].中国电机工程学报，2015，

35

（1）:

185-191.

[17]陈凤祥,纪光霁,张传升,周苏.基于鲁棒H滤波的蓄电池荷电状态估计[J].计算机仿真，

2009,26（10）:

298-301.

毕业论文开题报告

指导教师（签字）

2015年4月10日

五、指导教师评语

系主任（签字）

2015年4月12日

六、审核意见