搜索
龙源期刊网估计研究作者：牛仁强赵红刘鹏赵英良来源：《中国科技博览》2018年第01期[摘要]本文针对基于改进Thevenin电路模型的混合动力汽车锂离子动力电池，采用扩展卡尔曼滤波法（EKF）结合改进的安时积分法对电池的荷电状态（SOC）进行了估计。通过在MATLAB中进行验证，表明扩展的卡尔曼滤波法相较于传统的动力电池SOC估计方法，可以高效地追踪电池SOC的变化，具有误差小，精度高，计算速度快，可用于实时检测的良好效果。[关键词]锂离子电池；荷电状态SOC；安时积分法；卡尔曼滤波算法；中图分类号：TM912文献标识码：A文章编号：1009-914X（2018）01-0121-020引言整车能量管理系统是混合动力汽车等新能源汽车的关键技术之一，动力电池作为混合动力汽车的关键部件和主要动力源，其能量管理系统（BMS）是整车能量管理系统的核心，而对于动力电池荷电状态SOC的准确估计是实现电池能量管理系统高效管理的必要条件，它能为整车控制提高可靠的决策基础，在实现整车能量管理的同时，又能合理地根据电池的剩余容量控制电池的充放电倍率，从而延长动力电池的续驶里程，又能有效保护电池，提高电池的使用寿命。因此，近年来对于混合动力汽车动力电池SOC的估计研究成为新能源汽车技术研究的热点。目前，主要的动力电池SOC估计方法有：开路电压法、安时积分法、线性模型法，神经网络法等。安时积分法：该方法忽略动力电池内部影响动力电池SOC变化的诸如极化效应、自放电能因素的影响，通过测量电池的充放电电流的积分来计算SOC，因此存在测量误差随时间不断积累的弊端。开路电压法：该方法测量SOC的必要前提是动力电池静置时间足够长，从而形成稳定的开路电压，也因此导致该方法不能实现在线应用。线性模型法：该方法忽略忽略电流变化的高阶因素，对电池模型做线性化处理，虽然具有较好的鲁棒性，但是线性化处理只能针对小电流且变化速度较慢的情况，难以实现对电池SOC的精确估计。神经网络法：该方法是一种智能算法，该算法需要大量的样本对模型进行训练来调整优化模型内部参数，目前还未取得实际的应用。考虑到扩展卡尔曼滤波法在非线性系统的数据处理中的优势：即使并不知道模型的确切性质，也可以估计变量的过去和当前状态，甚至能估计将来的状态，同时通过滤波实现较其他方法更高的估算精度。因此本文针对混合动力汽车锂离子动力电池这一高度非线性的系统，采用龙源期刊网的估计，具有精度高，速度快的特点，并且能够实现在线应用。1电池模型本文动力电池的电路模型采用Thevenin模型，该模型能够既能很好地反应电池的动态和静态特性，又能显著地提高模型计算的速度。其模型如图1所示。本文利用安时积分法来计算动力电池的SOC，该模型的数学表达式如下：其中，E（t）为锂离子动力电池电动势，在数值上等于电池的开路电压；I（t）为动力电池输出的电流；R0为电池欧姆内阻；Uc（t）为一阶容阻网络两端的电压；V（t）为负载电路电压；R1为一阶容阻网络的电阻；C为一阶容阻网络的电容；SOC（t）为动力电池在t时刻的荷电状态；SOC（t0）为动力电池初试时刻的荷电状态；Q0为动力电池的容许电量；η为动力电池充放电效率。2扩展卡尔曼滤波算法针对锂离子动力电池这一高度非线性系统，本文采用扩展扩展卡尔曼滤波算法来高效地估计电池SOC这一状态的变化，且能确保估计均方误差最小，实现最优估计。该算法由一些列数学递归公式给出，以锂离子动力电池的SOC为系统的状态变量，包括电池模型SOC用于预测的状态方程和用于观测的测量方程，系统噪声和测量噪声均为Gauss型白噪声，协方差分别为Q和R。Q和R决定了滤波的效果，Q是建立模型中的误差造成的，R主要是在测量输出电压过程中引起的，共同影响增益矩阵K和误差协方差矩阵P的性能。。具体形式如下：其中，控制输入Uk包括锂离子动力电池充放电流，电池温度等参数；系统输出为负载电路两端的电压。3实验验证本文电池实验系统采用的锂离子单体电池的标称容量为11Ah，内阻3～8m，充电电压3.65±0.05V，最大放电电流12I3（连续）18I3（30s），放电终止电压2.0V。动力电池组是由单体电池经过3并联107串联的方式构成。实验数据通过电池测试平台采集。电池测试平台由NI数据采集板卡、智能充电机、恒温箱、电池保护模块、可编程直流电子负载、主机及Labview应用软件组成。实验工况的室温是25℃，采用“静置–小电流恒流放电–大电流恒流放电”的过程循环进行，持续5000s，循环3次。通过测试平台采集实验数据，在MATLAB仿真程序中，利用SOC的定义公式和扩展卡尔曼滤波法分别得到SOC的真实值和估计值。4结果与结论龙源期刊网看出，SOC估计值和实际值几乎重合，，扩展卡尔曼滤波法能够准确预测电池SOC，且速度较快，便于应用，适用于在线估算蓄电池SOC值，为电池能量管理系统提供重要依据.参考文献[1]AylorJH，ThiemeA，JohnsonBW.Abatterystateofchargeindicatorforelectricwheelchairs[J].IEEETrans.onIndustrialElectronics，1992，39（5）：398-409.[2]EhretC，PillerS，SchroerW，etal.State-of-chargeDeterminationforLead-acidBatteriesinPVApplications[A].Proceedingsofthe16thEuropeanPhotovoltaicSolarEnergyConference[C].Glasgow，2000：1125-1132.[3]张利，王为，陈泽坚，等.新能源汽车SOC估算的模糊预测算法研究[J].电子测量与仪器学报，2011，25（4）：315-319.[4]GregoryLP.Kalman-filterSOCEstimationforLIBcells[A].Proceedingsofthe19thInternationalElectricVehicleSymposium[C].2002：198-221.[5]林成涛，陈全世，王军平，等.用改进的安时计量法估计电动汽车动力电池SOC[J].清华大学学报，2006，46（2）：247-251.龙源期刊网