摘 要
随着纯电动汽车行业的快速发展，国内外在电池管理系统研究方面已经取得一定成果，其中关于电池荷电状态估计的技术已经较为成熟，与其相比电池健康状态估计的研究相对滞后，估算水平仍有待提升。因此本文以三元锂离子电池为研究对象，通过建立相应的锂离子电池模型对电池的健康状态估计进行深入研究。
在双扩展卡尔曼滤波算法(DEKF)的基础上，本文提出一种基于有限差分思想的改进算法(F-DEKF)来估算电池SOH。该算法对非线性系统的线性化过程做出优化，有利于减少双扩展卡尔曼滤波算法中的线性化误差，并且由于该算法不涉及求解系统雅可比矩阵因此在模型计算量方面具有优势。最后针对DEKF算法和F-DEKF算法分别进行UDDS循环工况仿真实验和循环充放电测试实验，结果表明后者在电池SOH估算方面估算精度更高，估算效果更好。
关键词：纯电动汽车；电池模型；双扩展卡尔曼滤波；SOH估算
第一章绪论
近些年来我国汽车产业飞速发展，汽车保有量不断增长，但同时环境污染与能源危机等问题也愈发严重，为有效解决这些问题，发展新能源汽车迫在眉睫。
目前，纯电动汽车成为新能源汽车行业的主要研究方向，而作为整车动力来源的锂离子电池其安全性受到了人们的密切关注[1]。
目前常见的电池SOH（state of health）估算方法有实验室测试法、卡尔曼滤波法、人工神经网络发和支持向量机法等。其中实验测试方法存在着诸多限制，在实际应用中效果较差，人工神经网络法计算量较大，实用效果有待提高，卡尔曼滤波法经过多年研究发展衍生出多种改进算法，以提高该算法的准确性和适应不同的系统环境，如扩展卡尔曼滤波法、双重卡尔曼滤波法和无迹卡尔曼滤波法等等[。本文在双扩展卡尔曼滤波算法的基础上引入有限差分思想，对处理非线性系统时的线性化过程进行优化，不仅可以减少双扩展卡尔曼滤波算法中的线性化误差，而且在模型计算量方面也具有优势[2][3]。
第二章电池模型建立及参数辨识
2.1电池模型参数辨识
本文采用二阶RC模型作为SOH研究的电池模型。
图2.1 二阶RC等效电路模型
选取六阶多项式拟合实验数据，其函数表达式为：
实验数据拟合后为：
本文采用HPPC测试实验来完成对电池模型RC参数的辨识。
欧姆内阻计算：
通过计算可以得到25℃下不同SOC区间的系统辨识参数，如下表所示：
表2.1 HPPC测试参数辨识结果
10 1.28 0.3218 0.1878 2.1277 15.3446
20 0.95 0.2869 0.1474 1.4273 14.4689
30 0.92 0.2621 0.1447 1.7273 13.4261
40 0.89 0.2484 0.1472 1.6441 11.6181
50 0.88 0.2501 0.1399 1.9527 13.1479
60 0.86 0.2455 0.1405 1.4973 11.6181
70 0.86 0.2481 0.1419 1.3911 11.4458
80 0.86 0.2391 0.1434 1.4026 8.9091
90 0.88 0.2463 0.1385 1.4384 9.5269
100 0.87 0.2462 0.1409 1.4473 9.1732
2.2电池模型验证
利用Matlab的Simulink工具实现电池模型验证实验仿真模型的建立，脉冲充放电仿真验证实验采用的电流为1C，通过对室温下电池端电压的测量，可得到如下电压对比图。
图2.2 脉冲充放电仿真电压
从上述图中可以看出，在整个脉冲充放电仿真过程中，通过所建立模型输出的电压估计值可以较好的追踪电池电压实际测量值，在数值上基本接近，且误差基本满足要求。
.png)
.png)
.png)
.png)
.png)
第四章总结
本文基于有限差分思想对双扩展卡尔曼滤波算法进行改进，选取二阶RC等效电路模型作为电池研究模型，并通过HPPC测试对电池模型进行参数辨识，最后通过UDDS循环工况仿真实验和循环充放电测试实验，对比分析双扩展卡尔曼滤波算法和改进双扩展卡尔曼滤波算法的SOH估算结果，证明了改进双扩展卡尔曼滤波算法的估算精度更高，估算效果更好。但是由于时间和条件限制，还有许多因素未在研究中考虑，如温度、单体与电池组差别等问题，并且关于改进算法的实用性也需要在后续工作中进行验证。
参考文献
[1]魏学哲,孙泽昌,田佳卿.锂离子动力电池参数辨识与状态估算[J].同济大学学报，2008,36(2):231-235.
[2]唐葆君,刘江鹏.中国新能源汽车产业发展展望[J].北京理工大学学报(社会科学版),2015,17(02):1-6.
[3]张民.基于EKF的电动汽车锂离子电池SOC、SOH估算[D].大连：大连海事大学控制工程系,2017.