资源描述：
《动力电池soc估算复杂方法综述》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。
1、动力电池SOC估算复杂方法综述荷电状态(SOC)定义为剩余容量占电池容量的比值，用来表征动力电池剩余的能量，是反映动力电池状态的重要参数⑴。对其进行在线准确估算,是提高电动汽车续航里程的关键环节。由于soc受温度、自放电、极板活性物质等因素的影响，很难通过对某些参数的测量直接得到soc的值。区别于传统方法的复杂方法不断硏究与改进,对准确估算动力电池soc有着重要意义。Qsoc估算影响因素分析影响动力电池SOC估算的因素有很多，主要包括以下方面：(1)动力电池的工作状态复杂，开通或关断动力电池的时间是随机的，给估算工作造成一定困难。(2)动力电池SOC估算的过程应当处于电动汽车的实际运行中。
2、因此，要求必须实时在线估算，而不是单独对电池进行离线测量；同时估算的结果要有较好的收敛性、鲁棒性,即使存在一定误差，经过估算方法处理与调节，仍然能够收敛到期望值⑴。电动汽车中的电流冲击、环境温度、电池自放电与老化等复杂因素都给估算工作增加很多困难。目SOC估算复杂方法该领域研究初期，比较常用的方法有开路电压法、安时积分法、放电实验法等,但是这些方法难以运用到实际在线估算之中，存在一定的局限性。近年来，国内外研究人员对估算方法不断改进与创新，提出很多复杂方法，对动力电池soc估算更加准确。2.1卡尔曼滤波法卡尔曼滤波器是一种最优化自回归数据处理算法，所处理的是线性的并且服从高斯分布的动态系统
3、。由于动力电池SOC估算模型为非线性，因此需要利用扩展卡尔曼滤波法处理。该方法应用于动力电池SOC估算是将动力电池视为一个动态系统，荷电状态为系统的一个内部状态，基本思想是对系统状态做出最小方差意义上的最优估计⑵。扩展卡尔曼滤波法对电池模型的准确性要求很高，目前t匕较常用的电池经典模型主要包括三类：Rint、Thevenin以及PNGV电路模型，如图1所示。其中，Rint模型过于理想化,实际估算中并不适用；Thevenin模型能较好地表征电池特性且便于计算，易于工程实现；PNGV模型电路的参数较复杂，计算不便⑶。扩展卡尔曼滤波法的一个特点是用状态空间的概念来描述其数学模型⑷。基于图1中的T
4、hevenin电池等效模型进行数学建模。由基尔霍夫电压、电流定律以及SOC的定义可以得到以下等式:i⑴*⑴/Rp+Cpg⑴)/d£(i)r/(0=^(soc,T)-i(t)R^up(t)S()(K)Co—(3)(A)其中，亿描述电池欧姆内阻；Rp、(：p描述电池的极化效应⑸。将上述公式离散化并计算其离散空间状态方程与输出方程：R「R代3心-1)+s(A-1)+一△〃(A)。2(k_)〃仏)二亿⑷一伉仏)一儿/仏)+2”)(4)(5)r-^/T0C(A'-l)‘S()(：(A).0IS()C(A-1)其中,3(k)为系统白噪声，v(k)为观测噪声,在设计中均假设为高斯白噪声。将建立的状态方
5、程与观测方程带入扩展卡尔曼滤波算法的五条核心公式，建立时间更新、观测更新方程,最后利用MATLAB建立仿真系统，估算动力电池SOC。扩展卡尔曼滤波法适合用于电流波动比较剧烈条件下的SOC估算，克服了早期研究方法的缺点，能够将SOC估算误差控制在一定的范围内，但是对动力电池的模型准确性和计算能力要求较高。2.2神经网络法BP神经网络是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一,具有鲁棒性、高度非线性、容错性等特点⑹。BP神经网络由正向传播和反向传播两部分组成:正向传播是输入信号从输入层经隐含层传向输出层。若输出层得到期望的输出,则学习算法结束，否则转至反向传播
6、；反向传播是将误差(样本输出与网络输出之差)按原连接通路反向计算,由梯度下降法调整各层节点的权值和阈值,使误差减小⑺。根据BP神经网络的特性，结合动力电池的多个参数，建立基于BP神经网络的SOC估算模型，如图2所示。文献［8］采用基于BP神经网络的智能方案建立类似的模型，并对动力电池SOC进行估算。同时，将遗传算法用于优化神经网络参数,以提高估算的精度,并通过实验验证该方法的可行性。对模型进行采样是采用神经网络法估算SOC的前提条件。选择一定规格的动力电池,使其从满荷电状态完全放电至零，以固定时间周期对SOC采取n组数据作为训练样本，并从中选择m组数据作为神经网络训练后的测试样本⑼。由于动
7、力电池SOC估算是一个复杂的过程，对其建立精确模型较为困难。而BP神经网络法作为一种新型的智能算法,不需要建立准确的数学模型。该方法可以通过模拟人脑学习机制,通过训练与学习分析数据中蕴含的关系。但是该方法需要大量的实验数据进行训练，且训练数据越多,估算的精度越高，而所耗时间越长。2.3支持向量回归法支持向量机(SVM)是一种能够较好实现结构风险最小化思想的方法。该方法根据给出的数据信息在系统模型复杂性与逼近的精度之间寻求
