電動汽車鋰電池SOC估計研究.pdf

1、石油等化石能源的漸近枯竭和城市大氣環(huán)境的日益惡劣促使人類開始尋找更加節(jié)能、環(huán)保的交通工具以替代傳統(tǒng)內(nèi)燃汽車，因此以動力電池為動力源的電動汽車得以迅速發(fā)展。電池的荷電狀態(tài)（State of Charge，SOC）作為電池動力性能、估計汽車續(xù)航里程的重要指標，對其估算的準確性直接影響駕駛者對電池狀態(tài)的掌握和行駛計劃的制定，甚至關乎其對電動汽車的接受程度。然而對動力電池SOC估算的研究還處于起步階段，各類算法在適用性和實用性方面尚存不足。本文

2、以電動汽車電池 SOC作為研究目標，以被廣泛采用的磷酸鐵鋰電池作為研究對象，展開討論。
　　首先對現(xiàn)有電池SOC估計方法進行總結、分析，針對電動汽車鋰電池靜態(tài)充電和汽車行駛時電池動態(tài)放電兩種狀態(tài)，分別建立兩種網(wǎng)絡模型進行研究。對于靜態(tài)充電過程，提出基于粒子群優(yōu)化算法的最小二乘向量機估算方法。該方法利用粒子群算法收斂速度快和全局尋優(yōu)的特點優(yōu)化最小二乘向量機模型的參數(shù)，解決了電池SOC估計非線性模型參數(shù)優(yōu)化問題。針對電動汽車行駛過程中

3、鋰電池放電受環(huán)境影響，參數(shù)動態(tài)變化，提出基于改進自組織遞歸模糊神經(jīng)網(wǎng)絡（Self-organizing Recurrent Fuzzy Neural Network，SRFNN）模型算法對電池SOC進行在線估計。改進的SRFNN網(wǎng)絡結構在TSK型網(wǎng)絡結構模糊規(guī)則的后件部分引入函數(shù)鏈接型神經(jīng)網(wǎng)絡（FLANN），以增強反饋映射能力。前件部分和遞歸參數(shù)學習采用梯度下降法，后件參數(shù)的學習更新采用卡爾曼濾波法算法。模型的初始規(guī)則數(shù)為零，所有的模糊