国产精品不卡在线,精品国产_亚洲人成在线高清,色亚洲一区,91激情网

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重要。其主要任務之一是通過估計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）等關鍵狀態(tài)，確保動力電池在最佳運行狀態(tài)下的安全性，已達到安全運行目的的同時，延長動力電池的使用壽命?？梢奡OC、SOH以及SOP的準確估計對于動力電池至關重要，甚至影響電動汽車技術的發(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：目前工程應用最為普遍的安時積分法，其計算復雜度較低，且易于實現(xiàn)，因此得到工程界的廣泛認可，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行SOC修正，但修正頻率卻受到汽車使用者的使用習慣影響。

基于以上問題，科研工作者繼續(xù)致力于尋求更好的方法，實現(xiàn)SOC的精確估計。如基于模型的擴展卡爾曼濾波（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，且準確性較高，但其估算精度高度依賴動力電池模型結構以及模型參數(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，產生了許多在電池模型基礎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）辨識經驗機理模型參數(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理經驗模型均存在一定的結構復雜性（非線性模型），加之在線辨識，使其復雜度大為增加。

同時也產生了許多單純基于數(shù)據(jù)的SOC估算方法，如基于神經網絡的SOC估算方法，以及基于支持向量機（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構以及電池參數(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，進行大量的模型訓練，已獲得精確的SOC估算結果，此類算法完全基于數(shù)據(jù)，因此對數(shù)據(jù)質量較為依賴。數(shù)據(jù)不準確會影響神經網絡訓練的結果，另外此類算法網絡結構復雜，前期需要大量數(shù)據(jù)訓練，網絡參數(shù)較多，計算量較大，較不適合實際工程應用。

基于以上分析，可以看出SOC的估算精度與計算復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、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。結合現(xiàn)有SOC估算方法的不足，提出了一種更適合于工程實際應用的數(shù)據(jù)驅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估計方法作為基本算法。

其次，考慮動力電池應用于電動汽車的特殊需求，即要求在整個生命周期內對動力電池進行SOC估算，且對實時性要求較高（0.01s），因此需要算法具有較小的計算量和較好的動態(tài)特性。而自回歸（Auto Regression, AR）模型適用于平穩(wěn)過程時間序列的預測模型，由于其是線性結構，因此計算量相對簡單且具有在線更新特點，具有較好的動態(tài)特性；另外，AR模型完全基于數(shù)據(jù)驅動，而過程數(shù)據(jù)能夠在動力電池全生命周期內真實地反應內部參數(shù)老化過程，因此采用AR模型對動力電池內部進行在線動態(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)驅動的算法與基于模型的估算方法的結合，繼承了兩類算法的優(yōu)點，同時避免了兩類算法的缺點。該方法將電池內部化學反應視為黑箱，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部特性的變化，包括電池老化、溫度、電量等因素造成的內阻變化等。該方法適用于動力電池全壽命周期的SOC估計，具有較強的動態(tài)特性且計算復雜度低；而且不需要知道電池的初始SOC值，具有估計SOC的閉環(huán)校正能力以及較強的收斂性。

研究人員提出的SOC估計算法將內部電池阻抗模型視為具有慢時變特性的黑盒模型，進而采用基于AR模型對其動態(tài)建模分析，避免了由于電池一致性差、難以應用實驗室測試數(shù)據(jù)的缺點，同時滿足電池內部阻抗全生命周期的動態(tài)預估要求，使得本文提出的SOC估計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估計方法，因此具有閉環(huán)校正SOC的結構，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《電工技術學報》，論文標題為“基于自適應回歸擴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。