針對傳統擴展卡爾曼濾波（EKF）算法對電池數學模型精确的高度依賴與動态電池模型難以精确獲得之間的矛盾問題，天津工業大學計算機科學與技術學院、天津清源電動車輛有限責任公司、中國汽車技術研究中心、東軟睿馳汽車技術有限公司汽車電子研究院的研究人員劉芳、馬傑、蘇衛星、窦汝振、林輝，在2020年第4期《電工技術學報》上撰文，提出一種完全數據驅動的基于改進EKF算法的動力電池全生命周期荷電狀态（SOC）估計方法。

該方法為數據驅動的SOC估計方法和基于模型的SOC估計方法的良好結合，其優點在于：一方面抑制數據驅動方法存在累積誤差的問題，并保留其良好的動态特性；另一方面改善基于模型的算法過度依賴電池模型的缺點，并保留其很好的魯棒特性。

該方法的創新之處在于将等效電路中難以獲知的一部分視為以電池電流為輸入，以内部電壓為輸出，以電池内部阻抗為時變參數的黑箱系統，并加以動态在線辨識，獲得實時的動力電池真實狀态，從而保證電池模型的準确性和動态性，真正實現動力電池全生命周期的SOC估算。

衆所周知，電池管理系統（Battery Management System, BMS）對電動汽車動力電池至關重要。其主要任務之一是通過估計動力電池的荷電狀态（State of Charge, SOC）、健康狀态（State of Health, SOH）、功率狀态（State of Power, SOP）等關鍵狀态，确保動力電池在最佳運行狀态下的安全性，已達到安全運行目的的同時，延長動力電池的使用壽命。可見SOC、SOH以及SOP的準确估計對于動力電池至關重要，甚至影響電動汽車技術的發展。

科研工作者為此做了許多探索，取得了非常不錯的成績，如：目前工程應用最為普遍的安時積分法，其計算複雜度較低，且易于實現，因此得到工程界的廣泛認可，但其也有一定的局限性，如初始SOC不精确影響SOC估算精度，另外BMS檢測的電流信号難免存在噪聲、漂移等，而單純的安時積分法會因此而無限制累積這種誤差，導緻其估算精度會逐漸下降，為此，工程上的解決辦法為在動力電池截止電壓處對其進行SOC修正，但修正頻率卻受到汽車使用者的使用習慣影響。

基于以上問題，科研工作者繼續緻力于尋求更好的方法，實現SOC的精确估計。如基于模型的擴展卡爾曼濾波（Extended Kalman Filter, EKF）算法等，此類算法因存在根據觀測值矯正SOC的過程，而具有很好的魯棒性，且準确性較高，但其估算精度高度依賴動力電池模型結構以及模型參數，而動力電池一緻性普遍不高加之電池參數會随着老化問題而改變，使其不能滿足單純基于模型算法要求。

為此，産生了許多在電池模型基礎上在線辨識模型參數的思想，如最小二乘算法辨識等效電路模型參數，遺傳算法（Genetic Algorithm, GA）辨識經驗機理模型參數的方法等，其在一定程度上解決了基于模型算法依賴模型的問題，且有效提高了SOC估算精度，但無論等效電路模型還是機理經驗模型均存在一定的結構複雜性（非線性模型），加之在線辨識，使其複雜度大為增加。

同時也産生了許多單純基于數據的SOC估算方法，如基于神經網絡的SOC估算方法，以及基于支持向量機（Support Vector Machine, SVM）的SOC估算方法等。此類算法不再依賴于動力電池模型結構以及電池參數，而是将動力電池視為黑箱，以可測得量作為輸入（如電壓、電流等），SOC作為輸出，進行大量的模型訓練，已獲得精确的SOC估算結果，此類算法完全基于數據，因此對數據質量較為依賴。數據不準确會影響神經網絡訓練的結果，另外此類算法網絡結構複雜，前期需要大量數據訓練，網絡參數較多，計算量較大，較不适合實際工程應用。

基于以上分析，可以看出SOC的估算精度與計算複雜度是相互矛盾的兩個量，因此希望通過算法融合的方式尋求一種較為折中的處理策略。

天津工業大學、天津清源電動車輛公司等單位的研究人員，從電動汽車需求出發，分析其對SOC估算的特殊需求。結合現有SOC估算方法的不足，提出了一種更适合于工程實際應用的數據驅動的動力電池全生命周期的SOC估算方法。

首先，考慮電動汽車駕駛工況複雜多變，使得電池充放電過程具有較多瞬态尖峰電流，且噪聲較大，由于采樣周期的局限，使得實際采集過程存在瞬态尖峰電流丢失現象，且幹擾較大，因此采用目前較為成熟的且具有自校正能力和快速收斂性的EKF估計方法作為基本算法。

其次，考慮動力電池應用于電動汽車的特殊需求，即要求在整個生命周期内對動力電池進行SOC估算，且對實時性要求較高（0.01s），因此需要算法具有較小的計算量和較好的動态特性。而自回歸（Auto Regression, AR）模型适用于平穩過程時間序列的預測模型，由于其是線性結構，因此計算量相對簡單且具有在線更新特點，具有較好的動态特性；另外，AR模型完全基于數據驅動，而過程數據能夠在動力電池全生命周期内真實地反應内部參數老化過程，因此采用AR模型對動力電池内部進行在線動态估算，能夠較好地捕捉動力電池老化過程的變化。

圖1 SOC估計算法流程

基于以上分析，綜合AR模型以及EKF算法各自的優勢，研究人員提出了一種完全數據驅動的基于AR-EKF的電動汽車動力電池全生命周期的SOC估算方法。

基于AR-EKF的動力電池SOC估算方法是數據驅動的算法與基于模型的估算方法的結合，繼承了兩類算法的優點，同時避免了兩類算法的缺點。該方法将電池内部化學反應視為黑箱，不依賴于電池模型以及電池參數等，其基于數據在線識别動力電池内部特性的變化，包括電池老化、溫度、電量等因素造成的内阻變化等。該方法适用于動力電池全壽命周期的SOC估計，具有較強的動态特性且計算複雜度低；而且不需要知道電池的初始SOC值，具有估計SOC的閉環校正能力以及較強的收斂性。

研究人員提出的SOC估計算法将内部電池阻抗模型視為具有慢時變特性的黑盒模型，進而采用基于AR模型對其動态建模分析，避免了由于電池一緻性差、難以應用實驗室測試數據的缺點，同時滿足電池内部阻抗全生命周期的動态預估要求，使得本文提出的SOC估計算法具有良好的動态特性。由于研究人員的主要思想是基于傳統EKF的SOC估計方法，因此具有閉環校正SOC的結構，使得所提出的動力電池全生命周期的SOC算法保留了傳統EKF算法的良好收斂性以及魯棒特性。

以上研究成果發表在2020年第4期《電工技術學報》，論文标題為“基于自适應回歸擴展卡爾曼濾波的電動汽車動力電池全生命周期的荷電狀态估算方法”，作者為劉芳、馬傑、蘇衛星、窦汝振、林輝。

更多精彩资讯请关注tft每日頭條，我们将持续为您更新最新资讯!