摘要
锂电池由于其高能量密度和长循环寿命等显著优势，广泛应用于电动汽车动力系统中。但因电池内部电化学反应的复杂性和电动汽车运行状况多变性，使电池内部呈现高度的非线性特性，且受到温度、工况等因素的影响，导致电池内部状态以及各项参数难以准确计算，进而威胁到锂离子电池运行的安全性和稳定性。因此，亟需针对锂离子电池荷电状态（StateofCharge,SOC）、电池健康状态（StateOfHealth,SOH）开展电池管理系统（BatteryManagementSystem,BMS）的优化研究，提出有效提高电池状态估计精度和鲁棒性的方法，为电动汽车中的BMS提供有效的优化策略。 本文以松下NCR18650B三元锂电池和NASA数据集为研究对象，研究等效电路模型的建立和参数辨识方法，通过引入分数阶电路元件和自适应遗传算法（AdaptiveGeneticAlgorithm,AGA），构建优化的电池模型，并提出基于多新息扩展卡尔曼滤波（MultiInnovationExtendedKalmanFilter,MI-EKF）的SOC估计方法。融合鲸鱼优化算法（WhaleOptimizationAlgorithm,WOA）和极限学习机（ExtremeLearningMachines,ELM），提出基于WOA-ELM的SOH估计方法，显著提高SOC和SOH估计的准确性。具体研究内容如下： ①阐明锂离子电池工作机制和充放电基本原理，探究锂离子电池的主要特性，搭建电池测试系统的实验平台。通过实验的方法，进行电池混合脉冲功率特性测试（HybridPulsePowerCharacterization,Hppc）、电池的充放电、容量和内阻特性等性能实验，获得电池初始容量和开路电压（OpenCircuitVoltage，OCV）曲线等重要电池性能指标。 ②结合电化学阻抗谱（ElectrochemicalImpedanceSpectroscopy,EIS）和分数阶微积分原理（FractionalCalculusPrinciple,FCP），引入Warburg元件，构建涵盖高频电阻、中频电荷转移、双电层效应和低频固相扩散的分数阶二阶RC等效电路模型。并利用AGA对模型中的参数进行自适应辨识，获取完整的分数阶等效电路模型。采用Hppc数据对模型进行测试，验证模型的精确度和稳定性。 ③引入多新息理论（MultiInnovation,MI），增强算法对历史数据的分析和利用，推导多新息理论的数学原理方程，并与传统扩展卡尔曼滤波（ExtendedKalmanFilter,EKF）融合，提出基于MI-EKF的SOC估计算法，在城市循环工况（UrbanDynamometerDrivingSchedule，UDDS）作用下，采用仿真实验的方式验证算法精度，最后通过对比基于整数阶模型的SOC估计精度，验证模型的优势。 ④基于NASA数据集中提取了电池充放电时间、电流、电压和温度等关键数据，通过皮尔逊相关分析（PearsonCorrelationAnalysis,PCA），验证了健康因子与电池SOH之间的相关程度。基于健康因子，使用ELM算法进行电池SOH估计。随后利用WOA对最优值的快速高效的搜索能力，来自动调整ELM的权重和偏置参数，进而对ELM算法性能进行优化处理，提高WOA-ELM算法对动力锂电池SOH估计精度。
NETL