王碩

摘要：電動車電池的電荷狀態(tài)（SOC）準確估計是整個電池管理系統(tǒng)（BMS）安全充放電的基礎(chǔ)。考慮到非線性系統(tǒng)的SOC估計中的擴展卡爾曼濾波算法（EKF）具有較大的近似值和線性近似值，因此提出了一種無味卡爾曼濾波算法濾波算法（UKF），該方法是將磷酸鐵鋰電池與測試1階RC模型，識別參數(shù)并估算電池SOC。由初始值確定的安培時間積分方法的估計值用作標準值，并且在初始SOC為60%和100%的兩種情況下，通過MATLAB仿真驗證了EKF和UKF的SOC估計精度。根據(jù)SOC估計，UKF算法比EKF算法在某種程度上提高了精度，并且誤差控制在較小的范圍內(nèi)，并且從大誤差到小誤差的校正時間短，因此具有很高的適應(yīng)性。

關(guān)鍵詞：磷酸鐵鋰電池;SOC;估算方法;UKF;EKF

一、引言

當前，在現(xiàn)代汽車工業(yè)的發(fā)展中，對安全、節(jié)能和環(huán)保的要求越來越高。電動汽車是新興的汽車行業(yè)，與傳統(tǒng)的石油能源汽車相比，具有低污染、高節(jié)能和低噪音的優(yōu)勢。由于傳統(tǒng)車輛的消耗和排放而導(dǎo)致的日益嚴重的能源和環(huán)境問題，電動車輛當前在世界范圍內(nèi)得到廣泛發(fā)展，并且其規(guī)模和影響力逐漸超過傳統(tǒng)車輛。電動汽車的關(guān)鍵部件是電池，與傳統(tǒng)汽車相比，本文使用的電動汽車電池是性能安全穩(wěn)定的磷酸鋰鐵電池，目前許多電動汽車都選擇它作為動力源。鑒于電動汽車電池的充電狀態(tài)（充電狀態(tài)，SOC）與整個電動汽車的安全性，壽命和電池使用密切相關(guān)，因此對其進行研究非常實用。

電動汽車電池充電和放電時，內(nèi)部會發(fā)生復(fù)雜的化學(xué)反應(yīng)，并受許多內(nèi)部和外部因素的影響。當前的SOC估計方法包括放電實驗方法、開路電壓方法、線性模型方法和擴展卡爾曼濾波方法。放電實驗方法采用恒流放電，通過實驗獲得電池SOC，但實驗耗時較長，必須停止電池運行，這種方法一般不用于驅(qū)動電動汽車，并且開路電壓該方法基于開路電壓和SOC曲線，存在諸如電壓滯后之類的問題以達到估計目的。擴展卡爾曼濾波器方法主要使用擴展濾波器理論來估計電池SOC，該算法可以更好地實時估計SOC，但是模型的準確性是棘手的，不利于非線性系統(tǒng)。另外，一些學(xué)者介紹了其他SOC估計方法，例如二次斯特林插值濾波器估計方法，模型參數(shù)自適應(yīng)識別方法與SOC估計協(xié)同估計方法相結(jié)合，噪聲方差可變卡爾曼濾波方法等。

二、磷酸鐵鋰電池等效電路模型

等效電路模型使用電阻器、電容器、恒壓源和其他電路元件來形成電路網(wǎng)絡(luò)，以模擬電池的動態(tài)特性。與其他性能模型相比，它具有以下優(yōu)點：（1）分析可以編寫數(shù)學(xué)方程，方便分析和應(yīng)用。（2）模型參數(shù)辨識實驗易于實現(xiàn)。（3）可以在整個電池范圍內(nèi)（SOC = O 1）進行建模。（4）在模型中考慮溫度的影響很方便。因此，等效電路模型最廣泛地用于電動汽車動力電池仿真中。鋰電池中常用的等效電路模型包括戴維南模型，PNGV模型，GNL模型和RC模型?；陔姵貙嶒炋匦郧€綜合考慮模型的準確性和復(fù)雜性，最終選擇圖1所示的二次RC等效電路模型，它不僅可以滿足磷酸鐵鋰電池仿真的精度要求，適合的復(fù)雜度也易于編程實現(xiàn)和實際應(yīng)用。

電池SOC是電動汽車行駛過程中非常重要的因素。需要盡可能準確地進行測量，但是電池SOC不同于端子電壓，或者輸入輸出電流那樣可以直接進行測量，因此需要選擇適當?shù)臏y量方法，并使用可測量的參數(shù)間接計算電池SOC。一些常見的算法包括放電實驗方法、開路電壓方法、安培時間積分方法、線性模型方法、卡爾曼濾波方法和神經(jīng)網(wǎng)絡(luò)方法。

1） 開路電壓法OCV（Open Circuit Voltage）是一種開路電壓，非常接近電池的電動勢，并且與電池的SOC一一對應(yīng)。開路電壓法的原理是通過實驗獲得電池SOC與開路電壓之間的直接對應(yīng)關(guān)系。通過該對應(yīng)關(guān)系，可以計算OCV以獲得電池的SOC。測量開路電壓需要長時間保持電池達到平衡狀態(tài)，因此開路電壓方法不適用于電動汽車在運行期間的實時測量，一般適合于電動汽車駐車時應(yīng)用，可以為測量電池SOC的初始值提供基礎(chǔ)。

2） 安時積分法簡單，易于實現(xiàn)且工作可靠。 因此它用于許多電池SOC測量，但是這種方法有一些缺點。例如，該方法不能準確地測量電池的初始值，它是開環(huán)測量，并且不能校正現(xiàn)有的累積誤差，導(dǎo)致電池SOC測量的精度誤差越來越大。因此，該方法不適用于需要高精度的場合。在實際應(yīng)用中，通常將安培時間積分方法與其他方法結(jié)合使用以實現(xiàn)更好的精度。

三、基于UKF的電池SOC估計

UKF算法是一種處理最近出現(xiàn)的非線性系統(tǒng)的出色算法，該算法可以在估計點附近進行無損變換來獲取樣本，將一個狀態(tài)估計點變換為多個估計點，然后根據(jù)權(quán)重差對狀態(tài)進行變換?；谡`差的實時觀察，通過連續(xù)反饋校正，函數(shù)逼近更加動態(tài)和準確，這使得非線性變換后的均值和協(xié)方差更加準確，并獲得了較為理想的狀態(tài)值。它是一種濾波方法，通常使用采樣策略來近似非線性分布，并且至今仍在廣泛使用。

在查看了相關(guān)信息之后，可以看出，只要給定的初始SOC足夠準確，通過安時積分法估算的SOC就可以實際使用。為了驗證UKF和EKF算法對電池標準SOC估計的有效性，該程序根據(jù)電池等效模型以及無味卡爾曼的原理在Matlab中編寫，初始電池SOC為60%和100%。進行了兩組HPPC脈沖實驗。

在兩個初始SOC為60%和100%的不同HPPC脈沖實驗中，與電池SOC估計相比，UKF算法對電池的SOC估計與安培時間積分更加一致。EKF算法對電池的SOC估計，更與安時積分法對SOC估計的標準數(shù)值相吻合，也即是更加接近脈沖試驗中的實際SOC值，這表明UKF在此模型中比EKF的電池SOC估算更為準確。在整個SOC估計過程中，UKF算法的誤差變化范圍小于EKF算法的誤差變化范圍，從大誤差到小誤差的校正時間也較小。簡而言之，使得UKF模型的電池SOC估計的適應(yīng)性較強。

四、結(jié)論

本文在逼近非線性模型時，考慮到一些SOC估計方法的缺點和EKF算法的問題，建立了RC電池主模型，并通過HPPC實驗獲得了電池電阻和電容的參數(shù)辨識模型。然后將其與UKF算法結(jié)合，并與EKF算法的SOC估計進行比較，得出以下結(jié)論：

1）在估計電池SOC的過程中，由于非線性系統(tǒng)的線性近似，誤差可能會增加。

2）對于這種電池模型，與EKF算法的SOC估計相比，UKF算法在初始SOC值為60%和100%時均具有較小的誤差，并且由于從大到小的時間短，適應(yīng)性強。

3）此次研究結(jié)果為SOC估計的探討提供了一些借鑒，更加復(fù)雜模型的驗證以及更完善的參數(shù)辨識，依然是下一步研究的工作。

參考文獻：

[1] 周翔.趙韓.江昊.基于EKF算法的磷酸鐵鋰電池在線SOC估 算[J].合 肥 工 業(yè) 大 學(xué) 學(xué) 報 （自 然 科 學(xué) 版 ）.2013，36（4）：385-388.

[2] 尚麗平，王順利，李占鋒，等.基于放電試驗法的機載蓄電池SOC估計方法研究[J].電 源 學(xué) 報，2014，12（1）：61-65