刘弘伟 申彩英
(辽宁工业大学)
汽车产业是我国国民经济的主要支柱型产业,对经济的发展起着非常重要的作用。但是,随着我国经济的快速发展和汽车保有量的不断增加,能源和环境污染问题也随着突显出来。为了解决这些问题,电动汽车以其零排放和低噪声的优点成为新能源车发展的重要趋势。而动力电池作为电动汽车的关键技术,准确地估计和检测其荷电状态(SOC),对电池的安全性和使用效率是至关重要的。文章简述了安时积分法、内阻法及开路电压法等的发展历程和估算方法、实现原理、优缺点及目前应用的情况。
安时积分法是最早使用也是最基本的SOC估算方法,也称电流积分法或电荷累积法。其计算公式,如式(1)所示。
式中:SOCo——初始时刻的SOC;
CN——电池的标称总容量,A·h;
η——充放电效率;
I——充放电电流,A。
安时积分法是把电池当做一个封闭的整体系统,不研究电池内部的电化学反应及相关参数之间的关系,而只研究电流和效率等外在的特性,这种估算方法简单,短时间内较准确,但是存在3个问题:1)初始SOC的值需要人为给出,无法自行测出,同时若初始值存在误差,安时积分法无法对其进行修正;2)因为该方法是对电流的积分,如果测试的时间过长,会产生误差并且不断的积累,从而会导致SOC的误差越来越大;3)充放电效率难以确定。因此,单独使用安时积分法对SOC进行估算会产生很大的误差,往往会和其他的方法结合使用来保证所需的精度。
组成电池内阻的直流内阻和交流内阻与SOC有着密切的联系。当电池通直流电时,电池内阻可以看作为电压变化量和电流变化量的比值;当电池通交流电时,电池内阻可以看作为电压和电流的函数,此时需要特定的仪器来测量其抗性能力[1]。当电池以交流充放电时,产生的温度变化会影响电池内阻的变化,况且这种变化不是线性的,从而影响SOC的估算,因此单独用内阻法估算SOC在实车上会产生很多的问题。
大量试验表明,内阻法适用于放电后期对动力电池SOC的估计,通常与安时积分法结合使用。
由于电池的开路电压约等于电池的电动势,并且随着电池的放电时间呈规律性的减小,所以可以较为准确地估算SOC。
虽然开路电压法简单易行,但是需要电池达到稳定的状态,而这需要很长的时间,一般需要几个小时甚至十几个小时,这会对试验测试造成很大的困难;同时,动力电池往往由多个单体电池串联而成,当其中任何一个单体电池出现异常时,会使整体电池的电压出现升高的现象,这样同样会对SOC的估算产生较大的误差,所以开路电压法只适合电动汽车驻车状态下SOC的估算。
开路电压法的估算通常在充电初期和末期时有很好的效果,通常与安时积分法共同使用。
由于动力电池在使用过程中往往是非线性的,所以导致建立电池模型比较困难,以此电池内部也会发生非常复杂的化学反应与物理反应,因此,这就给电池内部参数的获取造成了很多的麻烦[2]。
神经网络法是对人脑最简单的一种抽象和模拟,主要是利用输入输出样本集进行相应训练,使网络达到给定的输入输出映射函数关系,通常分为2个阶段。第1阶段:正向计算过程。由样本选取信息从输入层经隐含层直到输出层逐层计算各单元的输出值。第2阶段:误差反向传播过程。由输出层计算误差并逐层向前算出隐含层各单元的误差,并以此修正前一层权值[3]。神经网络法的结构图,如图1[4]所示。
图1 神经网络法结构图
神经网络法适合于各种电池,能够快速、方便地估算SOC,但是该方法的缺点是需要对大量的参考数据进行训练,必须建立在大量的试验数据基础上,而且受训练数据和训练方法的影响很大。
模糊逻辑算法是人工智能领域的一个分支,是一种从含糊、不精确的信息中提炼出确切结论的方法。该方法可以利用人们的经验和知识来建立模型(如长期从事电池试验工作的专业人员可以根据经验来对SOC进行估计),但是其缺点是很难得到较高的精度,而且需要制定大量的模糊规则来进行SOC的估算,还要不断的完善控制规则。
从20世纪60年代初,卡尔曼滤波法被提出来,并在航空航天领域获得了广泛的应用。随着对卡尔曼滤波算法深入的研究和探索,卡尔曼滤波技术在导航制导领域、工业控制领域、大地测量学及金融等领域受到越来越多地关注和使用。卡尔曼滤波法作为一种最佳估计方法,可以用于非线性动态系统。卡尔曼滤波法是一种不断更新数据与选择系统最优化的数据来处理非线性系统的方法,它是采用不断递推的方式来进行计算的。它的基本原理是对某一时刻试验数据进行分析并与系统的理论值进行比较,选取最优的误差值,同时更新各组数据进行计算。然后再去估算下一时刻的误差,以此经过反复的更新与选取,最后得到最优值。相对于其他的算法,它具有较高的稳定性和准确性[5]。卡尔曼滤波法的核心思想是对动力系统的状态做出最小方差意义上的最优估计。卡尔曼滤波法的计算原理为将电池看成一个动态系统,SOC看成是系统内部的一种状态,电池模型的一般数学表达式,如式(2)和(3)所示。
状态方程:
观测方程:
式中:UK——系统的输入向量,通常包含电池的温度、电流、剩余容量及内阻等变量;
XK-1——K-1时刻的系统状态;
YK——K时刻的测量值,此时电池工作电压和电池SOC包含在系统的状态量XK中,V;
VK——分布未知的系统量测噪声;
AK-1,BK-1——系统参数,对于多模型系统,其为矩阵;
UK-1——K-1时刻系统的输入向量,通常包含电池的温度,电液、剩余容量及内阻等变量;
CK,DK——测量系统的参数,对于测量系统,CK和Dk为矩阵;
WK——分布未知的系统过程噪声;
WK-1——K-1时刻的分布未知的系统过程噪声;
XK——K时刻的系统状态;
f(XK-1,UK-1),g(XK,UK)——由电池模型确定的非线性方程,在计算过程中要进行线性化。
基于卡尔曼滤波法计算SOC的优点主要有2个方面:1)能克服安时积分法随着时间的增长而出现误差积累的现象;2)不需要像安时积分法对初始时刻的SOC那样有较高的要求,即使初始误差很大,也会很快将SOC值收敛到真实值附近。卡尔曼滤波方法适用于各种电池,与其他方法相比,尤其适合于电流波动比较剧烈的混合动力汽车SOC的估计,它不仅给出了SOC的估计值,还给出了SOC的估计误差[6]1687。
目前,用于估算电动汽车SOC的方法都是基于传统方法,即在安时积分法的基础上加入一些影响因子,用来平衡误差,但还是不能达到准确性。目前应用于动力电池SOC的估算方法种类很多,但是还不是很成熟,每种方法都存着一定的缺陷,难以达到SOC实时在线,高精度估计的要求。
未来对于SOC估算方法的研究,必须从4个方面进行完善:1)通过进行大量的试验,建立丰富的数据库,使得估算SOC有据可依;2)依靠硬件方面的技术,提高电压和电流等的测量精度,保证用于估算SOC基本数据的准确性;3)建立准确的电池模型,更真实地表征电池在使用过程中的动态特性;4)综合各种算法,扬长避短,最大程度上提高其估算的准确性[6]1688。