基于神经网络的电动汽车磷酸铁锂电池SOC估算方法研究-控制理论与控制工程专业论文.docx

万方数据 万方数据 独 创 性 声 明 本人声明所呈交的学位论文是本人在导师指导下进行的研究工 作及取得的研究成果。据我所知，除了文中特别加以标注和致谢的地 方外，论文中不包含其他人已经发表或撰写过的研究成果，也不包含 为获得电子科技大学或其它教育机构的学位或证书而使用过的材料。 与我一同工作的同志对本研究所做的任何贡献均已在论文中作了明 确的说明并表示谢意。 签名： 日期： 年 月 日 关于论文使用授权的说明 本学位论文作者完全了解电子科技大学有关保留、使用学位论文 的规定，有权保留并向国家有关部门或机构送交论文的复印件和磁 盘，允许论文被查阅和借阅。本人授权电子科技大学可以将学位论文 的全部或部分内容编入有关数据库进行检索，可以采用影印、缩印或 扫描等复制手段保存、汇编学位论文。 （保密的学位论文在解密后应遵守此规定） 签名： 导师签名： 日期： 年 月 日 万方数据 万方数据 摘要 摘 要 目前电动汽车技术发展的关键问题是研制安全、高效和低价的动力电池。以 磷酸铁锂为正极材料的磷酸铁锂电池以其自身优点，逐渐成为电动汽车动力电池 发展的主要方向之一。动力电池在使用过程中，对荷电状态（State of Charge，后 文简称 SOC）准确地进行估算，可以有效提高电池的使用效率，提高电池的使用 寿命。电池 SOC 不能直接测量，需要通过其它参数和方法间接获得。 本文结合电动汽车对动力电池性能的要求，对磷酸铁锂电池特性进行了分析。 根据磷酸铁锂电池特性，对几种常用 SOC 估算方法进行对比分析，选择采用 BP 神经网络对电池 SOC 进行估算。为了提高网络训练的效果，对训练样本进行了一 系列的优化处理。通过对具体问题的分析，确定了 BP 网络各层结构，经过大量试 探实验确定了网络中间层的节点数。在 MATLAB 上对网络进行训练，并用训练好 的网络对测试样本和恒流放电实验进行 SOC 估算，取得了较好的效果。 针对动力电池在实际工况中参数时变性的特点，对 SOC 估算网络进行了改进， 在网络的输入中加入估算前几个时刻的电池电压、电流和温度参数。设计了改进 后网络的训练样本的获取实验。在建立训练样本时，提出了对训练样本参考 SOC 加入温度和电流影响因子的方法。对改进后网络输入向量中时间点个数进行了分 析，并采用试探的方法进行确定。对网络输入向量中各个时间点参数对 SOC 估算 值影响权重系数进行了讨论分析，并用遗传算法对各时间点数据权重系数进行寻 优。通过大量网络训练试探确定改进后网络的隐层节点数，建立新的 SOC 估算网 络。分别在恒流放电和变电流放电情况下，对改进前后的网络进行 SOC 估算对比 测试，测试结果证明改进后的网络在变电流工况下对 SOC 的估算要优于改进前网 络。 关键词：磷酸铁锂，SOC，BP 网络，动力电池，遗传算法 I ABSTRACT ABSTRACT The key issue of the development of electric vehicle technology currently is to develop safe and effective low-cost battery. The lithium-iron battery gradually becomes the mainstream of development power battery for its own advantadge. Accurate estimation of SOC (State of Charge) to battery could improve the efficiency and extend the service life of the battery. SOC of battery can only be measured indirectly. The characteristic of lithium-iron is analyzed based on electric vehicles requirements to power batteries. Several existing SOC estimation method of is comparative analysised. According to the characteristics of lithium iron batteries, BP neural network is chosen for battery estimate of SOC. The BP neural network structure is established by the analysis of the specific