全文总字数：5486字
1. 研究目的与意义（文献综述）
-
目的及意义
近几年来，随着电动汽车的发展以及新能源的大规模接入电网，作为储能单元的锂离子电池应用也越来越广泛，市场规模也在不断增长。相对传统储能单元，锂离子电池有以下优点：1、输出电压高;2、能量高、储存能量密度大;3、自放电率低,储存寿命长; 4、无记忆效应;5、支持较大的充电电流、充电速度较快;6、放电电压稳定,工作温度范围宽。由于可充电锂电池具备以上诸多优点，其应用非常广泛,最常见的应用就是手机的供电、笔记本电池、工业仪器仪表、医疗器械设备等产品上。锂离子电池在使用过程中，对于其荷电状态（state of charge, SOC）的准确估计非常重要，因为SOC直接关系到电池安全使用。
荷电状态(SOC)是表示电池工作状态和老化程度的重要状态变量。精确地测量 SOC 对电池的管理至关重要，但目前 SOC 不能直接测量，必须通过测量其他变量来估算。目前，SOC 估计的方法主要是安时(库仑)计量法、内阻法、现行模型法、开路电压法、人工神经网络和卡尔曼滤波(KF)等。扩展卡尔曼滤波 ( EKF) 和无迹卡尔曼滤波(UKF)都是对 KF 的扩展。其中，开路电压法主要依靠电池长时间静置后的端电压与 SOC 呈高度线性关系，通过静置后测量得到的端电压估计当前 SOC 值，充放电初期电压变化较大，此方法可以取得不错的估计精度。故此方法的缺点较为明显即需要长时间静置，因此其不适用于实时估计SOC无法满足实际使用需求。内阻法是首先测量电池的内阻，然后映射至SOC，由于交流内阻极易受温度影响，而通过直流内阻估计锂离子电池 SOC 需要精确的测量仪器测量电阻值，因此也不适用于在线估计 SOC。安时法是一种估计 SOC的直接方法，其需要 SOC 的初值以及较高精度的电流测量，其误差会不断累积因此不可单独使用。基于模型的方法主要以 KF 以及粒子滤波（Particle Filter，PF）为框架结合相应的电池模型进行使用，因此此类方法的精度主要依靠模型对系统的匹配程度，采用安时法作为状态方程，模型作为量测方程，通过量测方程给出的估计结果修正状态方程的状态推进结果。PF 算法在处理非线性、非高斯系统时有着极大的优势，与 KF 类似它也是一种动态特性极好的算法。但 PF 若想近似系统真实的后验概率，就需要大量的样本数据，这就造成了计算复杂度的增高，并且 PF 的重采样阶段还会造成粒子多样性的缺失，造成估计的不准确性。因此，PF 在锂离子电池 SOC 估计方面很难保证在线的实时性以及准确性。Gregory L. Plett 在 2004 年使用扩展卡尔曼滤波（Extended Kalman Filter，EKF）有效的估计了电池状态，证明了这一类方法在电池状态估计上的可用性。
剩余内容已隐藏，您需要先支付后才能查看该篇文章全部内容！2. 研究的基本内容与方案
-
基本内容与技术方案
课题主要目的为主要包括以下几方面的内容：
（1）了解锂离子电池模型
剩余内容已隐藏，您需要先支付后才能查看该篇文章全部内容！3. 研究计划与安排
1-4周，查阅国内外相关资料，做好阅读笔记，做好外文翻译，并做好开题报告；
5-8周，了解锂离子的电池模型；了解卡尔曼滤波器的工作原理，建立基于卡尔曼滤波的锂离子电池SOC估算数学模型;
9-12周，编写、搭建基于卡尔曼滤波的锂离子电池SOC估算程序及模型并仿真；
剩余内容已隐藏，您需要先支付后才能查看该篇文章全部内容！4. 参考文献（12篇以上）
[1] 张东华，马燕，陈斯琪，朱国荣，陈伟. 锂电池模型参数估计与荷电状态估算研究. 武汉理工大学学报[J]. 2015, Vol. 37, No: 179~182.
[2] 高明煜，何志伟，徐杰，“基于采样点卡尔曼滤波的动力电池 SOC 估计”，电工技术学报，2011
[3] 曾求勇. 动力客车蓄电池组SOC监测评估及应用研究 [J]., 2015 (6).
剩余内容已隐藏，您需要先支付 10元 才能查看该篇文章全部内容！立即支付 -
以上是毕业论文开题报告，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。
