【《锂电池等效电路模型的建立及参数辨识分析概述》2100字】

锂电池等效电路模型的建立及参数辨识分析概述目录TOC\o"1-3"\h\u27339锂电池等效电路模型的建立及参数辨识分析概述 115501.1锂电池常用等效电路模型 1222921.1.1内阻模型 2286111.1.2戴维南等效电路模型 2260801.1.3PNGV模型 2227151.1.4选用锂电池等效电路模型 2326411.2.模型参数辨识 3锂电池的内特性由一系列关系复杂的化学参数来决定，但是这些参数是无法直接通过测量的方法来获取的，因此可以通过利用一些基本的电路元器件来建立锂电池等效电路模型，进而模拟锂电池所表现出的外特性以达到研究锂电池性能的目的。建立锂电池等效电路模型之后，可以依据实验数据结合一定的算法对模型参数进行辨识，通过模型的输出和真实的电压输出对比即可验证模型和参数的有效性。1.1锂电池常用等效电路模型根据锂电池的基本工作原理，以及相关的参数，包括电池电压、内阻和容量等数据可以建立锂电池的电路模型。锂电池的特性受到外界各种环境因素的影响，在仿真和建模过程中无法完全考虑所有因素的影响，所以在建立等效模型时需要明确参数和变量。以锂电池的基本参数作为建模的基础，外界因素中仅考虑温度、时间等明显变量，以此可以建立简单的等效电路模型。考虑到本课题研究的对象仅为单个锂电池模型，因此在等效电路模型构建中可以对相关参数进行简化。等效电路模型是一种对电路研究的模型策略，当前国际上公认的模型有神经网络模型、内阻模型以及戴维南等效模型、PNGV模型。此外，由文献[8]清华大学林成涛提出的通用线性模型也得到了广泛认可，这5种方法是常见的模型分析方法。评估电池SOC的过程中，模型不能太简单或太复杂，因为如果模型太简单，就不能准确反映电池的变化特性，如果模型太复杂，建模难度大[44-47]。因此，估计的模型应符合电池的特性同时又不至于过于复杂。在等效电路模型中，内阻模型、戴维南等效模型和PNGV模型应用较为广泛，下面分别对其进行简要介绍。1.1.1内阻模型内阻模型是一种最简单的等效电路模型，该模型将电池等效成一个理想电压源和一个电阻串联[48]。对电池内阻在一定范围内进行量化，同时忽略了极化内阻的影响。内阻模型基本能够反映电池的相关情况，但是由于参数较少，所以不能很好的体现电池在充放电工况变化时的特性。1.1.2戴维南等效电路模型戴维南一阶等效模型，由一个电压源、一个等效内阻和一个RC并联电路组成[49]。戴维南二阶等效模型是在一阶等效电路模型的基础上增加一个RC回路得到的，以此来等效表现极化的过程，这一改进使等效电路与电池的真实情况更加接近，通过电路中相应的状态可以判断电池充放电过程中动态特性和稳态特性，能够得到电池较为真实的状态。1.1.3PNGV模型PNGV模型是一种标准电池模型，它是在一阶戴维南等效电路模型上增加一个电容，来描述负载电流的时间累计产生的开路电压的变化。从而更准确的反映电池充放电过程中的某个时刻电池容量状态[50]。研究结果表明，在PNGV模型的基础上，借助递推最小二乘法对模型参数进行在线辨识和实时修正，能精确的表征电池放电过程中任意时刻的动态响应，是等效模型中较为成功的一种模型。1.1.4选用锂电池等效电路模型综上对比，Thevenin二阶等效电路模型具有以下几个优点：首先其二阶RC并联回路具有较好的能体现电池动、静态特性的能力。其次其待估参数不多，模型不会过于复杂，计算繁琐，不会造成误差的累计，适合于实际应用的需求。本文基于模型的复杂度和准确性的综合考虑，决定采用二阶戴维南等效电路作为电池的模型。如图1.1所示为二阶RC电池等效模型。图1.1二阶RC电池等效模型在图1.1中：是电池的欧姆内阻，，和，是电池的两个极化电阻和极化电容，两个串联的段代表电池内部的极化现象。是电池环路电流，是电池两端的工作电压。1.2.模型参数辨识二阶RC电池等效模型中，需要确定电池内部参数R1、R2、C1、C2、R0，才可以确定电池具体模型。当电池经过长时间静止，内部处于稳定状态时，在实验室中可以通过脉冲放电实验来测量参数，但是电动汽车在实际运行过程中，电池处于正常工作状态，很难利用典型的脉冲放电实验来测量电池内部参数，并且电动汽车运行工况复杂，受到诸多因素影响，如温度、充放电电流、荷电状态和电池的老化程度[51]。在短时间内电池老化对于参数的影响不大，所以暂时不考虑老化对电池的影响，本文重点研究充放电电流对于电池参数和电池容量的影响。递推最小二乘是一种常用的参数辨识方法，它利用实时测量的电池电流和端电压迭代更新模型参数，但在递归过程中，随着数据量的增加，会导致算法对快速时变参数的跟踪性能较差。带遗忘因子的递推最小二乘法（FFRLS）可根据前一时刻的估计量快速计算出当前时刻的估计量，能够解决递推最小二乘法中的数据饱和问题。该系统计数量小，无需历史数据存储，可实现电池模型参数的在线识别。取回路电流，进行拉普拉斯变换，得到电池模型的传递函数为：（3-1）令，，，，则式（3-1）离散化可得：（3-2）式（3-2）中是采样时间。令，，，，那么式（3-2）可以表示为：（3-3）令，FFFLS算法对参数集的识别过程如下：（3-4）（3-5）（3-6）这里的参数是遗忘因子，其取值范围一般为0.95-1.00。的值直接影响算法的性能。随着的增加，旧数据的权重也随之增加，降低了算法的跟踪能力，增强了算法的鲁棒性。随着的减小，新数据的权重增加，算法的跟踪能力增强，但算法的鲁棒性降低，对噪声更敏感。考虑