每日文献【2020|001】基于自适应回归扩展卡尔曼滤波的电动汽车动力电池全生命周期的荷电状态估算方法

每日文献 |
带你坚持阅读
掌握行业最前沿技术

扫描下方二维码，进入微信公众号

文献 |
刘 芳，马杰，苏卫星等
基于自适应回归扩展卡尔曼滤波的电动汽车动力电池全生命周期的荷电状态估算方法
电工技术学报

该文针对传统扩展卡尔曼滤波（EKF）算法对电池数学模型精确的高度依赖与动态电池模型难以精确获得之间的矛盾问题，提出一种完全数据驱动的基于改进EKF算法的动力电池全生命周期荷电状态（SOC）估计方法。该方法为数据驱动的SOC估计方法和基于模型的SOC估计方法的良好结合，其优点在于：一方面抑制数据驱动方法存在累积误差的问题，并保留其良好的动态特性；另一方面改善基于模型的算法过度依赖电池模型的缺点，并保留其很好的鲁棒特性。该方法的创新之处在于将等效电路中难以获知的一部分视为以电池电流为输入，以内部电压为输出，以电池内部阻抗为时变参数的黑箱系统，并加以动态在线辨识，获得实时的动力电池真实状态，从而保证电池模型的准确性和动态性，真正实现动力电池全生命周期的SOC估算。

电池管理系统（Battery Management System, BMS）对电动汽车动力电池至关重要。其主要任务之一是通过估计动力电池的荷电状态（State of Charge, SOC）、健康状态（State of Health, SOH）、功率状态（State of
Power, SOP）等关键状态，确保动力电池在最佳运行状态下的安全性，已达到安全运行目的的同时，延长动力电池的使用寿命。

目前工程应用最为普遍的安时积分法，其计算复杂度较低，且易于实现，因此得到工程界的广泛认可，但其也有一定的局限性，如初始SOC不精确影响SOC估算精度，另外BMS检测的电流信号难免存在噪声、漂移等，而单纯的安时积分法会因此而无限制累积这种误差，导致其估算精度会逐渐下降，为此，工程上的解决办法为在动力电池截止电压处对其进行SOC修正。

基于模型的扩展卡尔曼滤波（Extended Kalman Filter, EKF）算法，因存在根据观测值矫正SOC的过程，而具有很好的鲁棒性，且准确性较高，但其估算精度高度依赖动力电池模型结构以及模型参数。

单纯基于数据的SOC估算方法，如基于神经网络的SOC估算方法，以及基于支持向量机（Support Vector Machine, SVM）的SOC估算方法等。此类算法不再依赖于动力电池模型结构以及电池参数，而是将动力电池视为黑箱，以可测得量作为输入（如电压、电流等），SOC作为输出，进行大量的模型训练，已获得精确的SOC 估算结果，此类算法完全基于数据，因此对数据质量较为依赖。数据不准确会影响神经网络训练的结果，另外此类算法网络结构复杂，前期需要大量数据训练。

回归（Auto Regression, AR）模型适用于平稳过程时间序列的预测模型，由于其是线性结构，因此计算量相对简单且具有在线更新特点；另外，AR模型完全基于数据驱动，而过程数据能够在动力电池全生命周期内真实地反应内部参数老化过程，因此采用AR模型对动力电池内部进行在线动态估算，能够较好地捕捉动力电池老化过程的变化。

综合AR模型以及EKF算法各自的优势，本文提出了一种完全数据驱动的基于AR-EKF的电动汽车动力电池全生命周期的SOC估算方法。基于AR-EKF算法的完整的SOC估计算法流程如下图所示。

电池模组实验验证解结果对比如下：

结论

本文提出了一种数据驱动的基于AE-EKF的电动汽车电池全生命周期的SOC估算方法。该方法将数据驱动的SOC 估计方法与基于模型的SOC估计方法有效地结合起来，可以避免数据驱动的SOC算法无法消除累积误差的问题，改善了基于模型的SOC估计方法过于依赖电池模型精度而导致的不适用于电动汽车等运行环境复杂多变且需要动力电池全生命周期的SOC估计要求。本文提出的SOC估计算法将内部电池阻抗模型视为具有慢时变特性的黑盒模型，进而采用基于AR模型对其动态建模分析，避免了由于电池一致性差、难以应用实验室测试数据的缺点，同时满足电池内部阻抗全生命周期的动态预估要求，使得本文提出的SOC 估计算法具有良好的动态特性。由于本文的主要思想是基于传统EKF的SOC估计方法，因此具有闭环校正SOC的结构，使得本文提出的动力电池全生命周期的SOC算法保留了传统EKF 算法的良好收敛性以及鲁棒特性。最后通过仿真验证说明了本文提出的数据驱动的基于AR-EKF的动力电池全生命周期SOC估计算法的实用性和有效性。