鉅大LARGE | 點擊量：5220次 | 2018年05月20日
基于電動汽車工況，如何識別預測的鋰離子電池SOE？
中國科學院電力電子與電力傳動重點實驗室、中國科學院大學的研究人員劉偉龍、王麗芳、王立業，在2018年第1期《電工技術學報》上撰文指出，能量狀態（SOE）是電動汽車動力電池的重要狀態指標，直接影響電動汽車續航里程，受電動汽車工況顯著影響。
為進行基于電動汽車工況的SOE估計，對SOE估計方法、行駛工況識別算法、行駛工況預測算法展開研究，建立基于模型的電池剩余能量狀態（SOR）估計方法，提出基于信息熵理論的行駛工況識別算法，應用馬爾科夫鏈理論構建了行駛工況預測算法，建立電動汽車系統模型，仿真獲取電動汽車預測行駛工況對應的電池預測工況，實現基于電動汽車工況識別與預測的SOE估計。仿真結果驗證了該方法的有效性。
目前，電動汽車已經成為科研與汽車產業界的熱點，但電汽車的“里程焦慮”問題限制著其發展[1]，荷電狀態（State-of-Charge,SOC）作為動力電池剩余荷電量的指標參量被廣泛地應用于電動汽車中，具有提醒用戶及時充電的功能。
但由于在放電工況下動力電池的端電壓呈現下降趨勢，使得動力電池在SOC較大區間內的能量（W×h）供給能力降低，進而在電動汽車運行過程中SOC指標表現出加快下降的趨勢。以SOC作為充電指標參量，容易導致充電時機的誤判，給電動汽車用戶造成了諸多不便。
動力電池的能量狀態（StateofEvergy,SOE）作為電動汽車W×h單位尺度上剩余能量的比例參數，是電池能量供給能力的直接描述，將其作為電動汽車用戶充電指標參量更具優勢。
符合Exic IIB T4 Gc防爆標準
充電溫度：0~45℃
-放電溫度：-40~+55℃
-40℃最大放電倍率：1C
-40℃ 0.5放電容量保持率≥70%
目前，電池SOE估計方法通常為SOC估計算法的應用拓展，利用SOC與SOE的映射關系估計電池SOE[2,3]，然而通過SOC換算得到的SOE并不準確，這是由于動力電池在實際應用中，隨著車輛行駛工況的改變將造成不同程度的能量損耗，使得動力電池的實際供給能量產生變化。因此，基于未來車輛行駛工況預測的動力電池剩余可用能量狀態（SOE）更具實際意義。
而未來車輛行駛工況預測的前提是歷史車輛行駛工況的識別，為此本文進行了基于電動汽車工況識別預測的鋰離子電池SOE估計的研究。
電池模型是進行電池狀態估計的基礎，主要可以分為電化學機理模型[4,5]、經驗模型[6,7]和等效電路模型[8,9]三類。其中，因等效電路模型具有便于分析應用，通用性好的優點，取得了廣泛應用。
本文基于電池等效電路模型進行SOE估計算法研究，提出了基于模型的電池剩余能量狀態（StateofResidualEnergy，SOR）估計算法、基于信息熵理論的行駛工況識別算法以及基于馬爾科夫鏈理論的行駛工況預測算法；構建了電動汽車系統模型，獲取電池預測工況，實現了基于工況識別與預測的SOE估計；仿真結果分析、驗證了算法的精度。
圖1鋰離子電池等效電路模型結構
圖2電動汽車系統模型
圖3電池SOE估計算法示意圖
結論
本文提出了一種基于電動汽車工況識別與預測的鋰離子電池SOE估計算法。
首先，基于電極阻抗譜理論，構建了不同階次電池等效電路模型，并應用GA算法實現了模型參數辨識；
其次，基于AUKF，提出了基于不同階次電池模型的SOR估計算法，仿真結果表明，該算法可以實現迅速收斂；
再次，應用FCMIE算法，實現了電動汽車行駛工況的識別，并采用基于馬爾科夫鏈理論的行駛工況預測算法，得到了電動汽車預測行駛工況，仿真結果表明，該算法預測工況效果良好；
最后，將不同階次電池等效電路模型集成于電動汽車系統模型，仿真獲取了電動汽車預測行駛工況對應的電池預測工況，進行了電池預測工況下的電池能量損耗率的計算，繼而實現了電池SOE的估計。
SOE估計方均誤差在2.45%以內，本文提出的電池SOE估計算法具有良好效果。
