- 选题背景和意义：
如今人们意识到化石能源迟早会消耗殆尽，为了可持续发展，重新重视起新能源的发展和应用。电能的获得途径较多，并且无污染，易控制，相关技术成熟。汽车领域中，越来越多人将目光投到了零排放，低噪音的电动汽车上。电动汽车使用的主要储能元件是锂电池，如何充分，健康地利用电池中的能量，从而提高电池寿命是电动汽车需要解决的首要问题。在电池管理系统中，电池荷电状态（State of Charge，SOC）的估计，即电池剩余电量估计，是解决上述问题的重要措施。电动汽车不同于燃油车，因为电池的功率提供的能力随着电池SOC变小会发生衰减；电池是否充满和耗尽也没有清晰准确的判据；电池的容量会随着温度、工作循环次数而发生变化；过充和过放也会危害电池性能。精确的SOC估计，对驾驶员来说体现在能够提供准确的续航里程而且可以保障锂电池组能量在合理范围内使用，对电池本身来说可以增加寿命，提高能量利用率，降低维护成本。因此提高SOC的估计精度并提高算法的实用性具有很高的理论价值及实际意义。
- 课题关键问题及难点：
- 课题的关键问题
选取合适的电池模型，通过实验对其模型参数进行辨识和分析。选取安时法和卡尔曼滤波法分析比较优劣。
- 难点
- 电池模型的辨识
- 充放电试验及其曲线拟合
- 卡尔曼滤波实现方法
- 卡尔曼滤波和安时法的结合
- 文献综述（或调研报告）：
本次毕业设计需主要调研的方面。第一，分析并选取合适的锂离子等效电路模型，并对其进行实验辨识和分析。第二，选取不同的算法估计电池的SOC。第三，通过仿真，对比不同算法的优劣。现综述如下：
- 锂离子电池模型分析
为了对锂离子电池组进行SOC估算，我们需要建立锂离子电池组的等效电路模型。因为只有在建立了电池组电路模型后，才能用数学公式描述锂离子电池的充放电动态过程。对于模型的未知参数才能进行辨识。目前，常用的模型有电化学模型、Rint等效电路模型、Thevenin等效电路模型、PNGV等效电路模型、RC等效电路模型、四阶动态等效电路模型、GNL等效电路模型。文献[1]主要采用了将电池组等效为电压源、内阻、一阶RC串联的Thevenin模型，文献[2]主要采用改进的Thevenin模型，在改进之处在于，模型之中多加了一个一阶RC串联环节。主要将极化电阻和电容细分为电化学极化分量和浓度极化分量，提高了精度和运算量。文献[3]主要采用Rint模型，并且为了减小误差，设置一个常数C来修正小误差。本次设计，将不采用Rint模型，因为其未考虑锂电池充放电过程的电极极化和浓度差极化，精度低，将采用Thevenin模型，因为其既考虑电池的动态特性，又参数相对简单。
- 电池模型参数辨识
在建立锂电池模型之后最主要的就是得到模型的各个量的参数，通过已知的电压电流参数和计算出的模型的参数来求解电池的SOC。文献[1]使用复频域分析和最小二乘法列出方程并结合双脉冲放电实验，根据递推最小二乘法成功辨识出内阻和极化电阻的值。文献[2]通过静置电池的方法来测量电池的端电压，使其近似等于电池的开路电压，并且每隔0.1测一次SOC值得到充电和放电的开路电压和SOC的两条关系曲线并成功拟合。又结合HPPC实验得出内阻的值，最终由卡尔曼滤波算法成功且稳定地辨识出电池模型参数。可以看出对于电池模型的参数的辨识是需要实际试验的，如充放电试验或HPPC实验。另外算法可以采用最小二乘法或卡尔曼滤波算法，最小二乘法简单容易实验且符合精度要求，本文可以选用其作为辨识方法。
- SOC估算研究
据查阅，SOC估算有四大类：基于模型的方法、安时积分法、开路电压法、机器学习法。文献[1]使用了检测电池充放电的电流值，计算电池充放电电流对时间的乘积作为电池冲入和放出的电量，从而求解SOC的安时积分法。在UDDS工况下，得出该方法虽然简单易实现，但只在估计前期精确，随着误差的累计将不能再使用。开路电压法是通过已知的开路电压和SOC之间的关系，来通过计算开路电压的数值进而得到SOC值。文献[4]通过Z变换，采用最小二乘多元线性回归算法实时在线辨识电池等效电路模型参数值，然后根据测得的电池端电压和充放电电流来计算得到的电池的开路电压，从而获得SOC。文献[2]通过物理实验得到了电池端电压和SOC的曲线，并且通过HPPC Test获得锂电池内阻与SOC的关系，将这些作为已知量并使用EKF方法获得估计的SOC值，结果良好，误差在需要的范围之内。在机器学习方面文献[5]采用引用改进的PSO来优化BP神经网络，验证了其可以有效提高SOC预测精度。总结得出，由于在第一次测量为获得SOC初值时可以使用开路电压法，因为模拟的电动汽车第一次启动时，大概率经过了长时间的静置，可以忽略电池的极化效应带来的影响，所以可以视为开路电压等于端电压，从而得到精确的SOC初值。另外，通过上述文献可以看出如果将上述方式有效结合可能会有更好的效果，比如文献[1]将安时法和扩展卡尔曼滤波法结合，有可能实验结果会安时法初期的精读以及扩展卡尔曼滤波法中期的精度，并且使用EKF也可以消除由安时法所积累的误差，提高了系统的精度，也减小了EKF所带来的计算负担。
参考文献：
[1] 涂涛 锂离子电池组SOC估算和主动均衡的设计与实现[D]电子科技大学 2016
[2] Hongwen He. State-of-Charge Estimation of the Lithium-Ion Battery Using an Adaptive Extended Kalman Filter Based on an Improved Thevenin Model. IEEE Transactions on vehicular technology, VOL.6, No.4, MAY 2011
[3] 陈宁. 基于无迹卡尔曼滤波的锂电池SOC和SOH的估算方法[C]. 东北大学、IEEE新加坡工业电子分会、IEEE哈尔滨控制系统分会.第26届中国控制与决策会议论文集.东北大学、IEEE新加坡工业电子分会、IEEE哈尔滨控制系统分会:《控制与决策》编辑部,2014:4726-4730.
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
