电动汽车动力电池SOC与开路端电压的非光滑迟滞特性建模及SOC估算研究

The high efficient and safe operation for the electric vehicle power battery is one of the key technologies to the development of new energy vehicle. The battery being over-charged and over-discharged will result in the permanent damage and un-safety including the combustion and blast. Therefore, the battery state of charge (SOC) is one vital state parameter for the high efficient and safe management system of battery under the condition of the dynamic charging and discharging..The drift problem of the frequent charging and discharging and the complexity of the electrochemical reaction for the battery are considered. Basis on the hysteresis behavior relationship between the SOC and the open-circuit voltage (OCV) for the battery and the consistency under the condition of the dynamic charging and discharging,the SOC estimation is realized by the hierarchical modeling，and the drift problem is solved. The main the research includes two respects: 1) the equivalent circuit model based a new neural networks estimation model for the OCV is conducted, in which the parameter and state (SOC) variable in the model are identified at the same time so that the long waiting time for battery to reach a steady state for obtaining for the OCV can be avoided and 2) The hybrid hysteresis model, which is used to describe the characteristic for the complex non-smooth hysteresis nonlinear behavior between the SOC and OCV, is presented.The nonlinear error causing by the hysteresis behavior is compensated effectively.The high precise SOC is on　line estimated to provide a theoretical support and a key technology for the intelligent energy management system of the power battery.

动力电池高效、安全运行是新能源汽车关键技术之一。动力电池处在随机动态充、放电交替运行状态下过度充电和深度放电，可能导致动力电池不可逆的损坏，并涉及到安全问题。其电荷状态（SOC）是动力电池组动态充放电过程高效、安全管理中关键的状态参数之一。.针对汽车动力电池电化学反应的复杂性和多次充放的漂移问题，从SOC与开路端电压(OCV)所表现出的复杂迟滞特性及稳定的重复一致性角度，以分层建模的方法，解决其漂移问题，实现SOC估计。重点研究：1）基于能够描述机理特性的电池等效电路模型结构，构建一个全新的神经网络OCV预估模型,实现模型的参数与状态同时辨识，基于模型状态实现OCV快速在线估算，可避免因得到OCV需长时间等待问题；2）建立SOC与OCV混合迟滞模型，精细化描述动力电池的非光滑复杂迟滞非线性特性，实现对迟滞非线性的补偿。SOC在线准确估算,将为动力电池智能优化管理提供关键理论和技术支撑。

项目在时间节点、内容等按计划执行，该项目围绕动力电池的重要参数SOC( State of Charge )估计展开研究。通过电池等效模型对应结构，建立具有自适应性学习能力的双神经网络电池模型，适应电池的慢变化特性。基于的EKF的SOC估计方法包括：①引入PID控制思想，提出了改进的自适应扩展卡尔曼滤波的动力电池SOC的估算方法，有效地抑制了噪声干扰。②反向推算由虚拟的量测噪声方差阵与量测噪声方差阵之比构成的调整因子，提出了具有强鲁棒性的方差阵相匹配的RAUKF算法。③提出了一种基于EKF的新型SOC估算方法。④极大似然准则的自适应扩展卡尔曼滤波AEKF算法对SOC进行在线估计方法。采用一个变结构滤波对电池参数辨识；另一个变结构滤波参数自适应性调整，提出了模糊-变结构滤波SOC估计算法。基于OCV-SOC关系的SOC估计方法包括:①提出了增量式动态迟滞模型的构架，设计出了RBF神经网络迟滞模型；②充分利用OCV-SOC的稳定一致性，基于ARMAX模型并采用端电压偏差前馈补偿和开路电压(OCV)偏差反馈补偿的SOC估算方法；③采用在线LS-SVM模型辨识开路电压OCV，提出了SOC估算模型。粒子滤波的SOC方法包括: ①引入教与学方法的SOC初值搜索与重建重要性概率密度函数，提出了改进的粒子滤波的SOC方法；②提出了改进的高斯粒子滤波SOC算法。同时对电池内阻的估计、动力电池组管理系统等进行了研究。发表论文17篇，其中SCI收录3 篇，EI 收录8篇， 中文核心7篇。申请发明专利15项，其中6项已授权。培养研究生13名。在读博士1名。承（协）办第12届全球智能控制与自动化会议及第 34 届中南六省自动化年会。. 汽车动力电池运行过程存在电化学反应的复杂性和多次充放的漂移问题。从SOC 与开路端电压 (OCV)所表现出的复杂迟滞特性及稳定的重复一致性角度，探索SOC估计问题。该项目利用电池慢变化过程特点，建立开路电压OCV估计模型，估计OCV，通过稳定的重复一致性OCV-SOC模型, 得到SOC估计值；并引入前馈和反馈思想，实现OCV-SOC模型误差，提高SOC的估计精度。提出SOC估计多种算法，平均精度在1.5%内，适用于不同硬件环境下的动力电池SOC估计。

内容获取失败，请点击重试