久久88香港三级台湾三级中文-久久91-久久91精品国产91久-久久91精品国产91久久-久久91精品国产91久久户

眾所周知，電池管理系統(tǒng)（Battery Management System, BMS）對電動汽車動力電池至關(guān)重要。其主要任務(wù)之一是通過估計(jì)動力電池的荷電狀態(tài)（State of Charge, SOC）、健康狀態(tài)（State of Health, SOH）、功率狀態(tài)（State of Power, SOP）等關(guān)鍵狀態(tài)，確保動力電池在最佳運(yùn)行狀態(tài)下的安全性，已達(dá)到安全運(yùn)行目的的同時，延長動力電池的使用壽命。可見SOC、SOH以及SOP的準(zhǔn)確估計(jì)對于動力電池至關(guān)重要，甚至影響電動汽車技術(shù)的發(fā)展。

科研工作者為此做了許多探索，取得了非常不錯的成績，如：目前工程應(yīng)用最為普遍的安時積分法，其計(jì)算復(fù)雜度較低，且易于實(shí)現(xiàn)，因此得到工程界的廣泛認(rèn)可，但其也有一定的局限性，如初始SOC不精確影響SOC估算精度，另外BMS檢測的電流信號難免存在噪聲、漂移等，而單純的安時積分法會因此而無限制累積這種誤差，導(dǎo)致其估算精度會逐漸下降，為此，工程上的解決辦法為在動力電池截止電壓處對其進(jìn)行SOC修正，但修正頻率卻受到汽車使用者的使用習(xí)慣影響。

基于以上問題，科研工作者繼續(xù)致力于尋求更好的方法，實(shí)現(xiàn)SOC的精確估計(jì)。如基于模型的擴(kuò)展卡爾曼濾波（Extended Kalman Filter, EKF）算法等，此類算法因存在根據(jù)觀測值矯正SOC的過程，而具有很好的魯棒性，且準(zhǔn)確性較高，但其估算精度高度依賴動力電池模型結(jié)構(gòu)以及模型參數(shù)，而動力電池一致性普遍不高加之電池參數(shù)會隨著老化問題而改變，使其不能滿足單純基于模型算法要求。

為此，產(chǎn)生了許多在電池模型基礎(chǔ)上在線辨識模型參數(shù)的思想，如最小二乘算法辨識等效電路模型參數(shù)，遺傳算法（Genetic Algorithm, GA）辨識經(jīng)驗(yàn)機(jī)理模型參數(shù)的方法等，其在一定程度上解決了基于模型算法依賴模型的問題，且有效提高了SOC估算精度，但無論等效電路模型還是機(jī)理經(jīng)驗(yàn)?zāi)Ｐ途嬖谝欢ǖ慕Y(jié)構(gòu)復(fù)雜性（非線性模型），加之在線辨識，使其復(fù)雜度大為增加。

同時也產(chǎn)生了許多單純基于數(shù)據(jù)的SOC估算方法，如基于神經(jīng)網(wǎng)絡(luò)的SOC估算方法，以及基于支持向量機(jī)（Support Vector Machine, SVM）的SOC估算方法等。此類算法不再依賴于動力電池模型結(jié)構(gòu)以及電池參數(shù)，而是將動力電池視為黑箱，以可測得量作為輸入（如電壓、電流等），SOC作為輸出，進(jìn)行大量的模型訓(xùn)練，已獲得精確的SOC估算結(jié)果，此類算法完全基于數(shù)據(jù)，因此對數(shù)據(jù)質(zhì)量較為依賴。數(shù)據(jù)不準(zhǔn)確會影響神經(jīng)網(wǎng)絡(luò)訓(xùn)練的結(jié)果，另外此類算法網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜，前期需要大量數(shù)據(jù)訓(xùn)練，網(wǎng)絡(luò)參數(shù)較多，計(jì)算量較大，較不適合實(shí)際工程應(yīng)用。

基于以上分析，可以看出SOC的估算精度與計(jì)算復(fù)雜度是相互矛盾的兩個量，因此希望通過算法融合的方式尋求一種較為折中的處理策略。

天津工業(yè)大學(xué)、天津清源電動車輛公司等單位的研究人員，從電動汽車需求出發(fā)，分析其對SOC估算的特殊需求。結(jié)合現(xiàn)有SOC估算方法的不足，提出了一種更適合于工程實(shí)際應(yīng)用的數(shù)據(jù)驅(qū)動的動力電池全生命周期的SOC估算方法。

首先，考慮電動汽車駕駛工況復(fù)雜多變，使得電池充放電過程具有較多瞬態(tài)尖峰電流，且噪聲較大，由于采樣周期的局限，使得實(shí)際采集過程存在瞬態(tài)尖峰電流丟失現(xiàn)象，且干擾較大，因此采用目前較為成熟的且具有自校正能力和快速收斂性的EKF估計(jì)方法作為基本算法。

其次，考慮動力電池應(yīng)用于電動汽車的特殊需求，即要求在整個生命周期內(nèi)對動力電池進(jìn)行SOC估算，且對實(shí)時性要求較高（0.01s），因此需要算法具有較小的計(jì)算量和較好的動態(tài)特性。而自回歸（Auto Regression, AR）模型適用于平穩(wěn)過程時間序列的預(yù)測模型，由于其是線性結(jié)構(gòu)，因此計(jì)算量相對簡單且具有在線更新特點(diǎn)，具有較好的動態(tài)特性；另外，AR模型完全基于數(shù)據(jù)驅(qū)動，而過程數(shù)據(jù)能夠在動力電池全生命周期內(nèi)真實(shí)地反應(yīng)內(nèi)部參數(shù)老化過程，因此采用AR模型對動力電池內(nèi)部進(jìn)行在線動態(tài)估算，能夠較好地捕捉動力電池老化過程的變化。

圖1 SOC估計(jì)算法流程

基于以上分析，綜合AR模型以及EKF算法各自的優(yōu)勢，研究人員提出了一種完全數(shù)據(jù)驅(qū)動的基于AR-EKF的電動汽車動力電池全生命周期的SOC估算方法。

基于AR-EKF的動力電池SOC估算方法是數(shù)據(jù)驅(qū)動的算法與基于模型的估算方法的結(jié)合，繼承了兩類算法的優(yōu)點(diǎn)，同時避免了兩類算法的缺點(diǎn)。該方法將電池內(nèi)部化學(xué)反應(yīng)視為黑箱，不依賴于電池模型以及電池參數(shù)等，其基于數(shù)據(jù)在線識別動力電池內(nèi)部特性的變化，包括電池老化、溫度、電量等因素造成的內(nèi)阻變化等。該方法適用于動力電池全壽命周期的SOC估計(jì)，具有較強(qiáng)的動態(tài)特性且計(jì)算復(fù)雜度低；而且不需要知道電池的初始SOC值，具有估計(jì)SOC的閉環(huán)校正能力以及較強(qiáng)的收斂性。

研究人員提出的SOC估計(jì)算法將內(nèi)部電池阻抗模型視為具有慢時變特性的黑盒模型，進(jìn)而采用基于AR模型對其動態(tài)建模分析，避免了由于電池一致性差、難以應(yīng)用實(shí)驗(yàn)室測試數(shù)據(jù)的缺點(diǎn)，同時滿足電池內(nèi)部阻抗全生命周期的動態(tài)預(yù)估要求，使得本文提出的SOC估計(jì)算法具有良好的動態(tài)特性。由于研究人員的主要思想是基于傳統(tǒng)EKF的SOC估計(jì)方法，因此具有閉環(huán)校正SOC的結(jié)構(gòu)，使得所提出的動力電池全生命周期的SOC算法保留了傳統(tǒng)EKF算法的良好收斂性以及魯棒特性。

以上研究成果發(fā)表在2020年第4期《電工技術(shù)學(xué)報》，論文標(biāo)題為“基于自適應(yīng)回歸擴(kuò)展卡爾曼濾波的電動汽車動力電池全生命周期的荷電狀態(tài)估算方法”，作者為劉芳、馬杰、蘇衛(wèi)星、竇汝振、林輝。