基于云端計(jì)算的sOC估計(jì)策略

曾祥兵

（奇瑞新能源汽車(chē)技術(shù)有限公司，蕪湖 241002）

電池管理系統(tǒng)（BMs）通常被業(yè)內(nèi)稱為新能源汽車(chē)動(dòng)力電池系統(tǒng)的“大腦”，與動(dòng)力電池、整車(chē)控制系統(tǒng)共同構(gòu)成了電動(dòng)汽車(chē)的三大核心技術(shù)。電池管理系統(tǒng)的核心功能是依據(jù)環(huán)境條件對(duì)電池的充放電過(guò)程進(jìn)行檢測(cè)和控制，提高電池的能量利用率，延長(zhǎng)電池的使用壽命。對(duì)于電動(dòng)汽車(chē)電池管理系統(tǒng)來(lái)說(shuō)，電池的荷電狀態(tài)（state-of-Charge，sOC）能夠間接反映電動(dòng)汽車(chē)的續(xù)航能力，是衡量電池性能的重要參數(shù)。

目前，電池sOC的估計(jì)方法主要包括安時(shí)積分法、神經(jīng)網(wǎng)絡(luò)法和基于模型的估計(jì)方法。安時(shí)積分法通過(guò)電流的累積對(duì)sOC進(jìn)行估計(jì)，實(shí)現(xiàn)方便但易受到傳感器誤差的影響，估計(jì)精度不高。神經(jīng)網(wǎng)絡(luò)法能夠描述具有高度非線性的鋰電池充放電行為，但是建模過(guò)程復(fù)雜，且網(wǎng)絡(luò)訓(xùn)練計(jì)算量大。基于模型的估計(jì)方法首先要建立電池的等效電路模型或電化學(xué)模型，再應(yīng)用粒子濾波、卡爾曼濾波等算法實(shí)現(xiàn)sOC的估計(jì)，往往具有較高的估計(jì)精度。本文結(jié)合云計(jì)算技術(shù)及無(wú)線通信技術(shù)，針對(duì)車(chē)載sOC估計(jì)中計(jì)算量和存儲(chǔ)量不足的問(wèn)題，提出了一種基于云端計(jì)算的sOC估計(jì)架構(gòu)，并通過(guò)仿真試驗(yàn)驗(yàn)證了這一方法的有效性。

1 SOC估計(jì)

1.1 SOC的定義

sOC表示鋰離子電池中剩余容量的百分比，電池充滿時(shí)sOC為100%，放空時(shí)為0%。但是，sOC的表達(dá)公式并不唯一，因在不同的放電條件下，放電至截止電壓時(shí)可放出的最大容量并不相同，因此計(jì)算sOC時(shí)在分母的選擇上出現(xiàn)了差異。

目前，主要有兩種常見(jiàn)的sOC定義公式：

式中，sOC（t）為t時(shí)刻的sOC；Cd為已經(jīng)放出的電量；cN為鋰離子電池的額定容量；CM為最大放電容量，一般取C/20放電電流下電池可放出的最大容量。

上述兩種定義中，式（1）的CN為定值，因此該方法簡(jiǎn)單。而式（2）需要考慮不同溫度、電池壽命等因素對(duì)最大可放電容量的影響，定義更符合實(shí)際情況。

由于最大可放電容量受多種因素影響，在實(shí)時(shí)應(yīng)用中以現(xiàn)有的估計(jì)方法很難實(shí)現(xiàn)。為此，本文提出了一種基于云端計(jì)算的車(chē)載嵌入式標(biāo)定sOC估計(jì)方法。

1.2 基于云端計(jì)算的SOC估計(jì)架構(gòu)

現(xiàn)有的電動(dòng)汽車(chē)電池管理系統(tǒng)的sOC估計(jì)策略由于受到硬件計(jì)算能力、數(shù)據(jù)存儲(chǔ)能力及成本的限制，往往只能利用有限時(shí)間的歷史數(shù)據(jù)進(jìn)行sOC估計(jì)。由于鋰電池本身是一種類(lèi)生命的系統(tǒng)，其結(jié)構(gòu)及電化學(xué)參數(shù)會(huì)隨著時(shí)間的增加而逐漸變化，電化學(xué)性能也會(huì)逐漸衰退?，F(xiàn)有的sOC估計(jì)方法并不能很好地反映鋰電池健康狀態(tài)隨著時(shí)間的變化而變化的特征，因此在估計(jì)精度上會(huì)受到一定的影響。

圖1 基于云端計(jì)算的SOC估計(jì)架構(gòu)

目前，云計(jì)算技術(shù)及無(wú)線通信技術(shù)發(fā)展迅速，本文針對(duì)車(chē)載sOC估計(jì)中計(jì)算量和存儲(chǔ)量不足的問(wèn)題，提出了一種利用車(chē)載計(jì)算和云端計(jì)算相結(jié)合的方式，基于云端計(jì)算的sOC估計(jì)架構(gòu)，如圖1所示。其基本工作模式如下：車(chē)載BMs采集電池系統(tǒng)的基本信息，以無(wú)線方式上傳到云端計(jì)算中心，云端計(jì)算中心將數(shù)據(jù)進(jìn)行存儲(chǔ)，并按一定的模型，對(duì)更新至當(dāng)前時(shí)刻的歷史數(shù)據(jù)進(jìn)行分析和計(jì)算，然后將關(guān)鍵數(shù)據(jù)，如最大放電容量、內(nèi)阻、健康狀態(tài)（sOH）等無(wú)法在車(chē)載BMs上進(jìn)行分析和計(jì)算的數(shù)據(jù)，通過(guò)無(wú)線方式定時(shí)下傳到對(duì)應(yīng)的車(chē)載BMs，車(chē)載BMs根據(jù)這些數(shù)據(jù)重新對(duì)sOC進(jìn)行計(jì)算或標(biāo)定。

電池的老化相對(duì)來(lái)說(shuō)是個(gè)長(zhǎng)時(shí)間的過(guò)程，往往經(jīng)過(guò)幾個(gè)月才會(huì)在電池的參數(shù)上得以體現(xiàn)。所以，經(jīng)過(guò)長(zhǎng)時(shí)間使用后電池的健康惡化，對(duì)應(yīng)的各項(xiàng)參數(shù)就會(huì)發(fā)生相應(yīng)的變化，這些變化需要通過(guò)長(zhǎng)時(shí)間的數(shù)據(jù)監(jiān)控分析才能得出，而車(chē)載BMs無(wú)法做到這一點(diǎn)。為此，基于云端計(jì)算的sOC估計(jì)架構(gòu)就更加合理，也更能滿足實(shí)際情況的需要。

1.3 云端計(jì)算模型

現(xiàn)在sOC估計(jì)所采用的大多數(shù)模型和估計(jì)方法，特別是計(jì)算量和復(fù)雜度大的方法，如粒子濾波法、神經(jīng)網(wǎng)絡(luò)法等都可以放在云端進(jìn)行實(shí)現(xiàn)，而車(chē)載BMs只需保留計(jì)算量小、可靠性好的方法，如安時(shí)積分法、Kalman濾波法等。當(dāng)前，新興的數(shù)據(jù)分析方法和技術(shù)也可以在云端進(jìn)行，如深度學(xué)習(xí)、大數(shù)據(jù)技術(shù)等。為了驗(yàn)證本方法的有效性，本文以sOC為標(biāo)定目標(biāo)，采用神經(jīng)網(wǎng)絡(luò)對(duì)其進(jìn)行云端建模和分析。云端計(jì)算的神經(jīng)網(wǎng)絡(luò)模型如圖2所示，這里采用1個(gè)隱含層的模型，輸入數(shù)為m，輸出數(shù)為1，隱含層的神經(jīng)元數(shù)量為n。

圖2 云端計(jì)算神經(jīng)網(wǎng)絡(luò)模型

2 仿真試驗(yàn)

2.1 隱含層神經(jīng)元個(gè)數(shù)的選擇

為了選擇合適的隱含層神經(jīng)元個(gè)數(shù)，筆者針對(duì)不同的隱含層個(gè)數(shù)（10，20，30，50）進(jìn)行了仿真試驗(yàn)，其結(jié)果如表1所示。

表1 不同隱含層神經(jīng)元數(shù)的均方差

由表1可以看出，隱含層所含的神經(jīng)元數(shù)越多，均分差越小，同時(shí)相應(yīng)的計(jì)算量越大。

2.2 云端校正與不帶校正的對(duì)比

為了說(shuō)明基于云端計(jì)算的sOC估計(jì)策略的有效性，筆者以圖2所示的前向網(wǎng)絡(luò)模型為云端計(jì)算模型，選擇50個(gè)隱含層神經(jīng)元，并分別在網(wǎng)絡(luò)連通率100%、50%、0%的情況下，對(duì)sOC的估計(jì)值進(jìn)行校正。假設(shè)網(wǎng)絡(luò)連通率為x%時(shí)，每一個(gè)計(jì)算周期內(nèi)，進(jìn)行云端計(jì)算校正的概率為1-x%，即隨機(jī)生成0～1的隨機(jī)數(shù)，如該數(shù)小于1-x%，則表示網(wǎng)絡(luò)故障，不進(jìn)行校正；否則表示網(wǎng)絡(luò)暢通，可以進(jìn)行云端計(jì)算校正。同時(shí)，假設(shè)云端計(jì)算速度遠(yuǎn)遠(yuǎn)快于車(chē)載系統(tǒng)，計(jì)算時(shí)間相對(duì)車(chē)載運(yùn)算可忽略。對(duì)于車(chē)載端sOC估計(jì)，筆者利用擴(kuò)展卡爾曼濾波方法（EKF）進(jìn)行模擬。仿真結(jié)果如圖3所示。

圖3 不同連通率情況下的SOC估計(jì)結(jié)果

如圖3所示，在100%連通的情況下，車(chē)載sOC估計(jì)精度逼近云端神經(jīng)網(wǎng)絡(luò)模型的估計(jì)精度，而在0%連通的情況下，車(chē)載sOC估計(jì)精度完全由車(chē)載的sOC估計(jì)算法的精度所決定，而在50%連通的情況下，車(chē)載sOC估計(jì)精度介于兩者之間。由此可見(jiàn)，即使在網(wǎng)絡(luò)連通率不是100%的情況下，基于云端計(jì)算的sOC估計(jì)策略其精度依然比車(chē)載的sOC估計(jì)算法要高。

3 結(jié)論

由于鋰電池本身是一種類(lèi)生命的系統(tǒng)，其結(jié)構(gòu)及電化學(xué)參數(shù)會(huì)隨著時(shí)間的增加而逐漸變化，電化學(xué)性能也會(huì)逐漸衰退。現(xiàn)有的sOC估計(jì)方法并不能很好地反映鋰電池健康的真實(shí)狀態(tài)特征，因此估算精度會(huì)受到一定的影響。本文結(jié)合云計(jì)算技術(shù)及無(wú)線通信技術(shù)，針對(duì)車(chē)載sOC估計(jì)中計(jì)算量和存儲(chǔ)量不足的問(wèn)題，提出了一種基于云端計(jì)算的sOC估計(jì)架構(gòu)。當(dāng)車(chē)載系統(tǒng)和云端計(jì)算中心之間的連接暢通時(shí)，可用利用云端計(jì)算得到的最新關(guān)鍵參數(shù)對(duì)車(chē)載sOC估計(jì)結(jié)果進(jìn)行修正或標(biāo)定，提高了估計(jì)的精度；當(dāng)網(wǎng)絡(luò)不通時(shí)，車(chē)載BMs系統(tǒng)也可以利用車(chē)載存儲(chǔ)的最近的一個(gè)更新數(shù)據(jù)進(jìn)行sOC估計(jì)，滿足基本的運(yùn)行要求，待到云端連接可用時(shí)再進(jìn)行修正。仿真試驗(yàn)驗(yàn)證了這一方法的有效性。