新型电动汽车动力电池SOC估计方法研究

《新型电动汽车动力电池SOC估计方法研究》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、万方数据第43卷第5期2009年5月电力电子技术PowerElectronicsV01．43No．5May，2009新型电动汽车动力电池SOC估计方法研究李熠1，石庆升2，崔纳新2‘(1．山东大学威海分校，山东威海264209；2．山东大学，山东济南250061)摘要：利用支持向量回归算法(占．SVR)非线性逼近能力强、收敛速度快、具有全局最优解的特性，对电动汽车动力电池的荷电状态(StateofCharge．简称soc)估计方法进行了研究．确立了动力电池的电压、电流、输入输出功率与SOC之间的非线性关系。通过对比BP神经网络算法进行了仿

2、真实验。结果表明，利用占．SVR算法能更准确地逼近实际SOC值，获得更好的估计效果。关键词：电动汽车；电池，支持向量『口J归：荷电状态估计中图分类号：U469．72文献标识码：A文章编号：1000—100X(2009)05_0078-03StudyonnovelPowerBatterySOCEstimationMethodofElectricVehicleUYil，SHIQing—shenga，CUINa—xin2(1．ShandongUnivers蚵mWeihai，Weihai2“209，China；2．ShandongUnivers渺

3、，J／nan250061，China)Abstract：Supportvectorregressionalgorithm(s-SVR)，whichhasgoodnonlinearapproximationability，quickconvergencerateandglobaloptimalsolution，isproposedtoestimatethebatterystateofcharge(soc)，andthenonlinearrelationshipbetweenbatteries’voltage，current，inputand

4、outputpowerandSOCisestablished．BycomparingwiththeBPneuralnet—workalgorithm，thesimulationandexperimenthavebeencarriedon．TheresultsindicatethattheSVRalgorithmCallmoreaccuratelyapproximatetheactualSOCvalueandobtainbetterestimativeperformance．Keywords：electricvehicle；battery，

5、supportvectorregression；stateofchargeestimationFoundationProject：SupportedbyNationalNaturalScienceFoundationofChina(No．60874016)；ResearchFundfortheDoctoralProgramofHigherEducationofChina(No．200804220047)；theOutstandingYoungScientistsIncentiveFundingofShandongProvince(No．2

6、007BS01012)1引言随着人们环保意识的日益提高和石油价格的持续上涨，电动汽车技术的研究已蓬勃发展开来11-21。作为电动汽车的主要能量源。动力电池的荷电状态(soc)对于预测车辆剩余行驶里程．避免电池出现过放电、过充电有着十分重要的影响。因此。动力电池SOC的准确估计问题叵待解决。目前，动力电池SOC的估计方法可分为4类：①等效电路模型法．主要通过分析电池的恒流放电特性来计算SOC。该方法的模型参数大都在稳态下获得，因此难以反映电动汽车动力电池的动态特性；②安时测量法，以安培小时简单计算从蓄电池输出或输入的能量，并通过稳态开路电压

7、校正累计误差。对于该方法，稳态开路电压一般认为是电池充分静置一段时间后测得的端电压。但在实际运行中．很难停车较长时间；③阻抗法，通过往电池中注入小电流基金项目：国家自然科学基金项目(60874016)；高等学校博士学科点专项科研基金(200804220047)；山东省优秀中青年科学家奖励基金(2007BS01012)定稿日期：2008—12-19作者简介：李熠(1987一)。男，山东济南人，研究方向为自动化技术、电机与控制。78来测得内部阻抗。该方法测得的阻抗不能反映大电流放电时的动态特性。新近出现的神经网络方法通过建立电池电压等特性参数

8、与SOC之间的非线性输入输出关系来获得较高的估计精度。但神经网络存在局部最优、训练周期长等缺点，对它的应用有待于更深入的研究。支持向量回归算法(F．SVR)基于结构风险最小化原理．将经验风险和