基于卡爾曼濾波算法的電動(dòng)汽車鉛酸電池荷電狀態(tài)的估算

陳東照， 賈利軍

(河南機(jī)電職業(yè)學(xué)院，河南 新鄭 451191)

?

基于卡爾曼濾波算法的電動(dòng)汽車鉛酸電池荷電狀態(tài)的估算

陳東照， 賈利軍

(河南機(jī)電職業(yè)學(xué)院，河南 新鄭 451191)

在卡爾曼濾波法計(jì)算方式的基礎(chǔ)上對(duì)電動(dòng)汽車動(dòng)力電池組荷電狀態(tài)進(jìn)行組合估算，根據(jù)實(shí)際工況及時(shí)調(diào)整變量，并結(jié)合純電動(dòng)汽車行駛工況的特點(diǎn)，將電量回收、充放電電壓和電流、以及環(huán)境溫度等有效變量基于卡爾曼濾波算法進(jìn)行優(yōu)化。試驗(yàn)結(jié)果表明，優(yōu)化后的卡爾曼算法能夠?qū)冸妱?dòng)汽車在行駛過程中的剩余電量進(jìn)行估算，其估算誤差小于8%，滿足目前對(duì)鉛酸動(dòng)力電池SOC估算的誤差要求。

電動(dòng)汽車；卡爾曼算法；荷電狀態(tài)；動(dòng)力電池

隨著電動(dòng)汽車的快速發(fā)展和推廣，作為電動(dòng)汽車動(dòng)力源的電池成為目前制約電動(dòng)汽車產(chǎn)業(yè)發(fā)展的瓶頸，對(duì)電動(dòng)汽車動(dòng)力電池的應(yīng)用與管理的研究也越來越受重視[1]。而動(dòng)力電池管理系統(tǒng)中有關(guān)剩余電量衰減、容電量衰減等參數(shù)直接影響電池整體運(yùn)行狀態(tài)。在動(dòng)力電池的大量參數(shù)中，荷電狀態(tài)(State of Charged，SOC)是電池管理系統(tǒng)的核心[2]，對(duì)荷電狀態(tài)的估算可以檢測(cè)動(dòng)力電池組的單體電池運(yùn)行狀態(tài)和參數(shù)，從而綜合平衡電池組整體電量的消耗。SOC的參數(shù)無法直接通過傳感器檢測(cè)，只能通過建立數(shù)學(xué)模型對(duì)相關(guān)物理量進(jìn)行估算來得到?？柭鼮V波算法(Kalman Filter，KF)是卡爾曼1960年提出的，主要采用方差遞推的濾波方法進(jìn)行狀態(tài)估值運(yùn)算。卡爾曼濾波算法要以狀態(tài)方程和測(cè)量方程作為基本依托，對(duì)時(shí)間進(jìn)行求導(dǎo)后過濾其他干擾因素，再對(duì)某一系統(tǒng)的狀態(tài)結(jié)構(gòu)進(jìn)行計(jì)算。電動(dòng)汽車電池管理系統(tǒng)中核心內(nèi)容在于電池剩余容量的監(jiān)控與管理，SOC指標(biāo)可以用來對(duì)電池剩余容量進(jìn)行實(shí)時(shí)監(jiān)控，同時(shí)，荷電狀態(tài)為電子控制單元(Electronic Control Unit，ECU)提供必要的參考數(shù)據(jù)作為電池管理系統(tǒng)的執(zhí)行依據(jù)。目前針對(duì)動(dòng)力電池SOC的估算方法有：放電實(shí)驗(yàn)法、安時(shí)(Ah)計(jì)量法、開路電壓法、負(fù)載電壓法、內(nèi)阻法、神經(jīng)網(wǎng)絡(luò)法和卡爾曼濾波法等。其中，采用內(nèi)阻法檢測(cè)荷電狀態(tài)時(shí)，要求電池剩余電量低于額定電量的40%時(shí)，才能監(jiān)控電池內(nèi)阻的變化，因此不能全面檢測(cè)電池電量。采用開路電壓法檢測(cè)荷電狀態(tài)時(shí)，要求必須把蓄電池靜置一段時(shí)間，當(dāng)電池電壓穩(wěn)定后才能對(duì)電池剩余電量進(jìn)行估算，這種方法不能應(yīng)用到使用過程中的電池，同時(shí)，開路電壓法不能及時(shí)監(jiān)測(cè)電池內(nèi)部化學(xué)物質(zhì)的老化，對(duì)于電池剩余電量估算誤差較大，偏離了基本參考的價(jià)值。安時(shí)計(jì)量法主要通過電池電流的積分來估算電池剩余電量，但是，由于在行駛過程中電池的電流變化較大，造成估算誤差偏大。卡爾曼濾波算法在對(duì)電池剩余電量進(jìn)行估算時(shí)，要將剩余電量作為電池內(nèi)部的狀態(tài)變量進(jìn)行觀測(cè)，再利用觀測(cè)方程將狀態(tài)變量進(jìn)行遞推，最后估算出剩余變量的最小方差。根據(jù)實(shí)驗(yàn)要求，要對(duì)電池荷電狀態(tài)進(jìn)行實(shí)時(shí)監(jiān)控，在變量估算時(shí)要實(shí)現(xiàn)精確控制，可以通過修正狀態(tài)方程和觀測(cè)方程的初始值來減小系統(tǒng)誤差對(duì)估算值的影響。同時(shí)，利用卡爾曼濾波算法可以對(duì)噪聲進(jìn)行抑制，提高觀測(cè)精度。由于該算法要求模擬電路設(shè)計(jì)和電池模型進(jìn)行匹配，對(duì)系統(tǒng)設(shè)計(jì)運(yùn)算模塊提出了較高要求。卡爾曼濾波算法具有很強(qiáng)的修正能力，而開路電壓法不能合理的對(duì)SOC 初值進(jìn)行估算，Ah計(jì)量法的估算誤差累積會(huì)超出允許范圍，導(dǎo)致 SOC 估算的誤差也不斷增大?？柭鼮V波優(yōu)化算法的基本思想就是充分利用卡爾曼濾波的修正能力，解決開路電壓法和Ah計(jì)量法分別在SOC 初值確定和動(dòng)態(tài)估算中的不足，對(duì)Ah計(jì)量法的估算結(jié)果進(jìn)行實(shí)時(shí)修正?？柭鼮V波理論的核心思想是對(duì)動(dòng)力系統(tǒng)的狀態(tài)做出最小方差意義上的最優(yōu)估計(jì)，卡爾曼濾波估計(jì)電池SOC的研究在近年才開始，該研究把電池看成動(dòng)力系統(tǒng)，SOC是系統(tǒng)的一個(gè)內(nèi)部狀態(tài)。卡爾曼濾波算法適用于各種電池，尤其適合于電流波動(dòng)比較劇烈的混合動(dòng)力汽車電池SOC的估算，它不但給出了SOC的估計(jì)值，還給出了SOC的估計(jì)誤差。本研究結(jié)合開路電壓法和Ah計(jì)量法提出了卡爾曼濾波優(yōu)化算法，最后通過試驗(yàn)驗(yàn)證了優(yōu)化算法的可行性。

1 建立蓄電池電路模型

電池的荷電狀態(tài)是指電池或電池組內(nèi)部的剩余電容量占標(biāo)稱容量的比值。電池的標(biāo)稱容量是指完全充滿電后，電池以標(biāo)準(zhǔn)放電速率C/30(C為額定放電電流)進(jìn)行放電檢測(cè)得到電池的總?cè)萘縖3]。由于電動(dòng)汽車在運(yùn)行過程中動(dòng)力電池的狀態(tài)處于動(dòng)態(tài)變化中，因此必須采用動(dòng)態(tài)檢測(cè)系統(tǒng)，對(duì)動(dòng)態(tài)系統(tǒng)進(jìn)行最小均方差的估算?？柭鼮V波法已經(jīng)在航空、通訊、汽車等領(lǐng)域得到廣泛的應(yīng)用，采用卡爾曼濾波算法可以對(duì)系統(tǒng)進(jìn)行全程跟蹤和動(dòng)態(tài)檢測(cè)，在對(duì)動(dòng)力電池SOC進(jìn)行估算時(shí)，將電池組的荷電狀態(tài)作為系統(tǒng)內(nèi)部的一個(gè)狀態(tài)變量，該變量是系統(tǒng)向量的其中一個(gè)分量。由于電池組狀態(tài)的影響因素較為復(fù)雜，不能簡(jiǎn)單的用線性方程建立模型進(jìn)行估算，因此為了提高SOC估算的精度，必須對(duì)卡爾曼濾波法算法進(jìn)行一定的擴(kuò)展?？柭鼮V波法采用數(shù)學(xué)遞歸公式來計(jì)算相關(guān)數(shù)據(jù)，基本原理是建立信號(hào)與噪聲的狀態(tài)空間模型，在對(duì)上一連續(xù)時(shí)間段內(nèi)的估值進(jìn)行數(shù)據(jù)建模后，再針對(duì)當(dāng)前時(shí)刻的變量進(jìn)行估算。采用卡爾曼濾波算法的電池模型具有以下幾點(diǎn)特性：可以精確實(shí)現(xiàn)電池工作過程中的數(shù)據(jù)采集和運(yùn)算，觀測(cè)方程和狀態(tài)方程在運(yùn)算時(shí)采用較低的階數(shù)，可以采用低頻處理器，降低運(yùn)算成本，有利于工程實(shí)現(xiàn)[4]。此外，選用的數(shù)據(jù)模型可以建立運(yùn)算方程來描述電動(dòng)勢(shì)和端電壓的關(guān)系，從而提高運(yùn)算精度。在運(yùn)用卡爾曼濾波法對(duì)蓄電池進(jìn)行荷電狀態(tài)估算時(shí)，需要建立電池電路工作數(shù)據(jù)模型來反映電池的特性。根據(jù)電池工作原理和特性，可以參考Randles等效電路模型，該電路模型既能模擬電池的化學(xué)反應(yīng)過程，又能實(shí)現(xiàn)對(duì)鉛酸電池的動(dòng)態(tài)模擬[5]，如圖1所示。

圖1 Randles等效電路模型

在圖1中，U0是動(dòng)力電池的輸出電壓，在數(shù)值上比較接近于電動(dòng)勢(shì)。Ri為電池的歐姆內(nèi)阻，主要由電極材料、電解液、隔膜電阻及各部分零件的接觸電阻組成，該數(shù)值通常與電池的尺寸、結(jié)構(gòu)、裝配等有關(guān)。Cbulk是指電池的儲(chǔ)能電容，Csurface為電池內(nèi)部極板之間的電容，主要用于儲(chǔ)存電池極板的轉(zhuǎn)化電量。通過Ri的數(shù)值和Csurface的數(shù)值來作為動(dòng)力電池內(nèi)部離子濃度和內(nèi)部電流密度的參考數(shù)值。Rb表示模擬電池的自放電特性，Ucb表示儲(chǔ)能電容的電壓，可以作為電池電動(dòng)勢(shì)的參考，Ucs表示電容Csurface的電壓，可以作為電池內(nèi)部極化電壓的參考。

按照卡爾曼濾波法原理對(duì)該電路模型建立如下系統(tǒng)方程[6]：

狀態(tài)方程：x(t)=Ax(t)+Bu(t)+w(t)

(1)

測(cè)量方程：y(t)=Cx(t)+v(t)

(2)

式中：x(t)表示動(dòng)態(tài)系統(tǒng)在時(shí)間t的觀測(cè)向量；y(t)表示動(dòng)態(tài)系統(tǒng)在時(shí)間t的狀態(tài)向量；u(t)表示t時(shí)刻對(duì)系統(tǒng)的控制量；A和B是系統(tǒng)參數(shù)，C是測(cè)量系統(tǒng)的參數(shù)，各影響因素都是已知的，w(t)表示觀測(cè)噪聲向量，其維數(shù)和觀測(cè)向量相同；v(t)表示過程噪聲。

從Randles等效電路模型可以得到：

(3)

I2=I-I1；

(4)

I2=UCSCsurface

(5)

(6)

(7)

由于在試驗(yàn)過程中采用的是固定脈沖電流，并且短時(shí)間內(nèi)電流波動(dòng)較小。因此，CSurface、Cbulk都可以用電容C表示，Rb、Rt、Ri都可以用R表示。在建立模型過程中，假設(shè)w(t)和v(t)均為零，由(6)、(7)式可求得以下方程：

(8)

(9)

在實(shí)際工作過程中，由于系統(tǒng)采樣時(shí)間很短，所以可認(rèn)為電路電流保持不變，則電流對(duì)時(shí)間的微分可以認(rèn)為是零[7]。因此可得到：

U0=Ucs+Ucb

(10)

在模型中U0、Ucs和Ucb3者都為常態(tài)變量，電流I為系統(tǒng)輸入變量，綜合(8)、(9)、(10)式可得到電路模型的系統(tǒng)方程：

(11)

卡爾曼濾波法主要根據(jù)2個(gè)不同時(shí)間值來估算下一時(shí)刻的估計(jì)值，再利用遞歸方法來解決數(shù)據(jù)離散的濾波問題。假定在每次進(jìn)行數(shù)據(jù)采樣時(shí)給系統(tǒng)輸入一個(gè)定值電壓Uk，可以將狀態(tài)方程和測(cè)量方程等效為：

式中：xk+1為電池的荷電狀態(tài)值，yk+1為負(fù)載電壓的測(cè)量方程，Uk、Wk分別為K采樣時(shí)刻的電壓信號(hào)和電流信號(hào)，Ad、Bd為系統(tǒng)參數(shù)，Cd為測(cè)量系統(tǒng)的參數(shù)。

2 電池荷電狀態(tài)影響因素及初值確定

2.1 電池荷電狀態(tài)的主要影響因素

2.1.1 溫度 電池內(nèi)部活性物質(zhì)的化學(xué)反應(yīng)與溫度有直接的關(guān)系，溫度越高，電池的活性物質(zhì)參與充放電反應(yīng)的比率越高，高溫條件下，電池標(biāo)定容量放出的電量增加，如果溫度過高，則會(huì)導(dǎo)致電池電解液化學(xué)反應(yīng)時(shí)產(chǎn)生更多氧氣，降低電極充電電壓最高值，減少電池的充電容量。

2.1.2 充放電倍率 在鉛酸電池使用過程中，放電電流的大小直接影響電容量的輸出，小電流低電壓放電時(shí)電池的實(shí)際輸出容量增加。充電時(shí)采用小電流充電方式能夠充入更多電量，電池的容量增大。

2.1.3 電池阻抗 電池阻抗分為2種，一種為歐姆阻抗，主要取決于電池的材料和內(nèi)部結(jié)構(gòu)，不會(huì)隨著電池充放電的干擾因素發(fā)生變化；另一種為極化阻抗，極化阻抗只在電池進(jìn)行充放電過程中才會(huì)出現(xiàn)，受到周圍環(huán)境溫度等干擾因素的影響，極化阻抗的值出現(xiàn)多變特性。

2.1.4 電池充放電次數(shù) 電池每一次進(jìn)行充電和放電會(huì)減少電池電容量的值，隨著使用頻率的增加，電池的電容量會(huì)越來越低，當(dāng)電池容量低于額定容量的20%時(shí)，說明該電池已經(jīng)不能提供正常電量而無法繼續(xù)使用了[8]。

2.2 荷電狀態(tài)初值的確定

由于電池荷電狀態(tài)初值測(cè)定只能在靜態(tài)狀態(tài)下進(jìn)行，目前還沒有更有效的方法來取得準(zhǔn)確的初值。因此，只能采用斷電測(cè)定電池開路時(shí)的端電壓，同時(shí)，還要保證有足夠的斷電時(shí)間來確保電池恢復(fù)到穩(wěn)定狀態(tài)。在確定電池荷電狀態(tài)時(shí)要采集電池電壓、電池溫度、電池電流等參數(shù)數(shù)據(jù)。通過1個(gè)穩(wěn)壓器來控制溫度信號(hào)采集的穩(wěn)定性，利用熱敏電阻的特性曲線來趨近于電池溫度的估算值。在采集電池電壓信號(hào)時(shí)，由于需要對(duì)電壓信號(hào)進(jìn)行放大，因此要加穩(wěn)壓管和電壓跟隨器，最后接到數(shù)字信號(hào)處理(Digital Signal Process，DSP)采樣通道[9]。電流信號(hào)不能直接采集，需要轉(zhuǎn)換為電壓信號(hào)后再進(jìn)行信號(hào)放大，經(jīng)過穩(wěn)壓管和電壓跟隨器再與基準(zhǔn)電壓進(jìn)行對(duì)比。

在計(jì)算荷電狀態(tài)初值時(shí)，第1次斷電時(shí)間較短，可以將電池靜置一段時(shí)間，使電池處于穩(wěn)定狀態(tài)后，選擇當(dāng)前電池的荷電狀態(tài)作為計(jì)算值，同時(shí)考慮到電池放電電壓和電流對(duì)電池端電壓的影響。

3 卡爾曼濾波法估算荷電狀態(tài)

采用卡爾曼濾波法時(shí)要通過前一時(shí)刻的觀察值作為初值，假設(shè)輸入初始電壓為常數(shù)Ut，則系統(tǒng)離散化后的等效方程為：

將(14)、(15)、(11)式結(jié)合起來，則可以將等效方程中的參數(shù)轉(zhuǎn)換為矩陣參數(shù)[10]：

(16)

(17)

(18)

式中：Tc為系統(tǒng)采樣周期。根據(jù)卡爾曼濾波法原理可歸納出xt+1/t為蓄電池荷電狀態(tài)的最優(yōu)估算值，若用M和N表示為系統(tǒng)噪聲和測(cè)量噪聲的協(xié)方差矩陣，Lt/t為xt/t對(duì)應(yīng)的協(xié)方差矩陣，Cd為系統(tǒng)方程的轉(zhuǎn)置矩陣，K為卡爾曼濾波的增益矩陣。綜合可以得到系統(tǒng)的時(shí)間更新矩陣：

(19)

卡爾曼濾波增益的計(jì)算由(14)～(19)式完成，實(shí)際上是通過將前一次的系統(tǒng)狀態(tài)估計(jì)量代入時(shí)間更新矩陣，從而來預(yù)測(cè)本次的狀態(tài)估計(jì)。首先將第一次的狀態(tài)估計(jì)量xt/t代入系統(tǒng)狀態(tài)等效方程，得到進(jìn)一步的估計(jì)預(yù)測(cè)量xt+1/t，再將其代入時(shí)間更新方程，得到觀測(cè)量的預(yù)測(cè)值。然后利用系統(tǒng)測(cè)量值與預(yù)測(cè)值之間的偏差來進(jìn)一步預(yù)測(cè)狀態(tài)的估計(jì)量。正是由于利用了不同方式得到的預(yù)測(cè)值的偏差來預(yù)測(cè)估計(jì)量，才使得系統(tǒng)噪聲誤差干預(yù)得到抑制。在(19)式中P和K決定了系統(tǒng)進(jìn)行卡爾曼濾波的估值精度，共同影響著增益矩陣K和誤差協(xié)方差矩陣P的性能，P主要由系統(tǒng)的隨機(jī)干擾造成[11]。

4 試驗(yàn)測(cè)試的估算數(shù)據(jù)分析

為了驗(yàn)證本研究中的模型和算法，對(duì)某汽車公司提供的一款純電動(dòng)汽車參考數(shù)據(jù)進(jìn)行試驗(yàn)。試驗(yàn)車型采用72 V、150 Ah的電池組，16 kW的永磁無刷直流電機(jī)。在車輛試驗(yàn)的行駛過程中出現(xiàn)電壓不穩(wěn)的情況，停駛一段時(shí)間后，試驗(yàn)數(shù)據(jù)出現(xiàn)小區(qū)間波動(dòng)，該算法并不能完全補(bǔ)償由于波動(dòng)帶來的誤差。在試驗(yàn)過程中采用美國環(huán)境保護(hù)署制訂的城市道路循環(huán)UDDS(Urban Dynamometer Driving Schedule)作為循環(huán)工況[12]。其循環(huán)時(shí)間為1 367 s；行駛路程為11.99 km；最高車速為91.25 km·h-1；平均車速為31.51 km·h-1；最大加速度為1.48 m·s-2；最大減速度為-1.48 m·s-2；空載時(shí)間為259 s；停車次數(shù)為17。通過對(duì)比試驗(yàn)來驗(yàn)證理論模型的估值是否能反應(yīng)實(shí)際運(yùn)行過程中的電池動(dòng)態(tài)數(shù)據(jù)。

4.1 充放電試驗(yàn)

結(jié)合建立的估算模型，計(jì)算出電池工作過程中的理論端電壓值，再進(jìn)行實(shí)際測(cè)量電池端電壓，如果兩者相差較大則說明模型系統(tǒng)誤差較大，該模型與電池管理系統(tǒng)的匹配度較差，不能精確的對(duì)電池荷電狀態(tài)進(jìn)行估算，所提供的數(shù)據(jù)為無效數(shù)據(jù)。圖2為在脈沖充放電情況下對(duì)電動(dòng)汽車動(dòng)力電池放電電流的檢測(cè)數(shù)據(jù)。從圖2可以看出，在輸出電流變化范圍較大時(shí)，無法建立較為準(zhǔn)確的數(shù)據(jù)模型，為了保證誤差范圍滿足系統(tǒng)的測(cè)試需求，應(yīng)該在有效使用范圍內(nèi)(3%～15%)進(jìn)行數(shù)據(jù)采集，才能較為真實(shí)的反應(yīng)電池動(dòng)態(tài)數(shù)據(jù)情況。

圖2 實(shí)際測(cè)試放電電流

圖3 實(shí)際工況下SOC狀態(tài)估算

4.2 UDDS工況試驗(yàn)

通過采用美國環(huán)境保護(hù)署制定的城市道路工況測(cè)試方法來驗(yàn)證電池SOC估算數(shù)據(jù)的精確性，在不同道路工況下電池的運(yùn)行狀態(tài)不同，從而能有效的檢測(cè)模擬數(shù)據(jù)與真實(shí)數(shù)據(jù)的匹配程度。圖3為試驗(yàn)車輛在實(shí)際工況下的SOC估算結(jié)果。試驗(yàn)結(jié)果表明，當(dāng)動(dòng)力電池停止放電后，短時(shí)間內(nèi)會(huì)出現(xiàn)自恢復(fù)充電，SOC和端電壓值都會(huì)有上升趨勢(shì)。UDDS工況試驗(yàn)的試驗(yàn)結(jié)果和估算結(jié)果分別如圖4、圖5所示。當(dāng)試驗(yàn)時(shí)間為5 000 s時(shí)，試驗(yàn)電動(dòng)車?yán)m(xù)航里程為40 km，SOC為72%左右，由于該工況下最大續(xù)航里程為140 km，故電動(dòng)汽車剩余續(xù)駛里程仿真結(jié)果為100 km，而電動(dòng)汽車剩余里程估算結(jié)果為105 km，估算誤差為5%。當(dāng)試驗(yàn)時(shí)間為10 000 s時(shí)，電動(dòng)汽車?yán)塾?jì)行駛里程90 km，故電動(dòng)汽車剩余續(xù)駛里程仿真結(jié)果為50 km，而電動(dòng)汽車剩余里程估算結(jié)果為53.8 km，估算誤差為7.6%。將SOC估算結(jié)果與實(shí)際值比對(duì)，估算誤差小于8%，證明了本文提出的模型和算法的可行性與實(shí)用性。

圖4 UDDS工況循環(huán)動(dòng)力電池SOC消耗曲線

圖5 UDDS工況循環(huán)剩余里程估算

相對(duì)于脈沖充放電式試驗(yàn)，城市道路工況試驗(yàn)得到試驗(yàn)數(shù)據(jù)誤差較大，主要是因?yàn)殡妱?dòng)汽車在不同工況下行駛，由于周圍環(huán)境因素干擾造成電池輸出電流的變化范圍較大[13]。因此，對(duì)電池特性也產(chǎn)生較大影響。

5 結(jié)語

本研究提出的卡爾曼濾波優(yōu)化算法，綜合開路電壓法和安時(shí)計(jì)量法的部分算法，利用擴(kuò)展卡爾曼濾波算法的優(yōu)勢(shì)，解決了安時(shí)計(jì)量法的計(jì)算偏差和開路電壓法不能在線估算 SOC的問題。并將電池溫度、老化及充放電倍率等因素估算在內(nèi)，能夠削弱電池靜置時(shí)間對(duì)估算誤差的影響，不但有利于純電動(dòng)汽車電池SOC的估算，對(duì)于油電混合動(dòng)力型電流變化較快的電池組也可以進(jìn)行精確估算。對(duì)于卡爾曼優(yōu)化算法的驗(yàn)證需要進(jìn)行2次試驗(yàn)，第一次采用小電流間歇式放電試驗(yàn)，第二次采用小電流和大電流依次間隔放電。將靜置后的電池開路電壓對(duì)應(yīng)的SOC作為估算值進(jìn)行比較。試驗(yàn)結(jié)果表明，首先采用開路電壓法估算出1個(gè)SOC的初值，再通過卡爾曼濾波優(yōu)化算法對(duì)于初值進(jìn)行修正，減小采用安時(shí)計(jì)量法估算的誤差，從而進(jìn)一步將估算值向真值收斂，最終實(shí)現(xiàn)SOC的有效估算。

[1] 麻友良,陳全世,齊占寧，等．電動(dòng)汽車用電池SOC定義與檢測(cè)方法[J]. 清華大學(xué)學(xué)報(bào)：自然科學(xué)版，2001，41(11)：96-98.

[2] 曹 斌.便攜式數(shù)據(jù)采集儀電池管理系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D]. 大連：大連理工大學(xué),2006.

[3] 桂長清,柳瑞華.密封鉛蓄電池的電導(dǎo)與容量的關(guān)系[J].電池,2000,30(2):74-76.

[4] 李德東,王振臣,郭小星.基于模糊卡爾曼濾波的HEV氫鎳電池SOC估計(jì)[J] .電源技術(shù)，2011(2)：35-39.

[5] 田 亮.混合動(dòng)力汽車電池管理系統(tǒng)研究[J].電池工業(yè), 2007(10):25.

[6] 張篤仲.基于嵌入式的電動(dòng)汽車電池管理系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[D].武漢：武漢理工大學(xué), 2012.

[7] 唐 磊,趙春霞.基于模糊自適應(yīng)Kalman濾波的GPS/DR數(shù)據(jù)融合[J]. 控制理論與應(yīng)用，2007，24(6):891-894.

[8] 黃文華,韓曉東,陳全世.電動(dòng)汽車SOC估計(jì)算法與電池管理系統(tǒng)的研究[J].汽車工程，2007，29(3):198-202.

[9] 林成濤,仇斌,陳全世.電動(dòng)汽車電池非線性等效電路模型的研究[J].汽車工程，2006,28(1):38-43

[10]PLETT G. Extend Kalman filter for battery management system of LiPB-based HEV battery packs part3[J].Journal of Power Sources,2004,134:276-290.

[11]SUN F. Adaptive unscented Kalman filtering for state of charge estimation of alithiumion battery for electric vehicles[J].Enery,2011,36:3341-3530.

[12]南金瑞,孫逢春,王建群. 純電動(dòng)汽車電池管理系統(tǒng)的設(shè)計(jì)及應(yīng)用[J].清華大學(xué)學(xué)報(bào)：自然科學(xué)版，2007,47(S2): 1831-1834.

[13]SOLERO L. Nonconventional on-board charger for electric vehicle propul-sion batteries[J]. IEEE Trans Veh Technol，2001,50:140-150.

(責(zé)任編輯：蔣國良)

Estimation of electric vehicle lead-acid battery SOC based on Kalman filtering algorithm

CHEN Dongzhao， JIA Lijun

(Henan Mechanical and Electrical Vocational College, Xinzheng 451191， China)

On the basis of Kalman filtering method calculating ways of electric vehicle power battery charged state are estimated and adjusted in time according to the actual working condition variables, and combined with the characteristics of the pure electric vehicle driving cycle, the battery recycling, charge and discharge voltage and current, and effective variables such as environment temperature based on Kalman filtering algorithm are optimized. The test results show that the optimized Kalman algorithm can be of pure electric vehicles in the process of driving of the real-time estimation. Its estimation error is less than 8%, meeting the current requirements for lead-acid battery SOC estimation.

electric vehicle； Kalman algorithm; state of charged; power battery

2014-10-22

河南省科技廳科技發(fā)展計(jì)劃項(xiàng)目(142102210042)

陳東照(1956-)，男，河南滎陽人，副教授，從事汽車檢測(cè)方面的研究工作。

1000-2340(2015)03-0357-06

U461

A