乔家璐,王顺利,于春梅,史卫豪,杨 潇
(西南科技大学信息工程学院,四川绵阳 621010)
在汽车工业的发展过程中,纯电动汽车以其低噪音、低污染、结构简单、维修方便等优点逐渐成为新能源汽车发展的主要方向[1-2],锂离子电池以其能量密度大、重量轻、无记忆效应、充放电电压稳定等优点成为电动汽车电源的最佳选择[3-4]。随着锂电池的应用范围不断扩大,电池状态监测和安全问题成为了亟待解决的难题[5]。作为车辆系统和电池管理系统的一个重要参数,电池荷电状态(state-ofcharge,SOC)的精确在线实时估计不仅可以保护电池[6],防止过充电和过放电现象的发生[7-9],延长其使用寿命[10],还可以为用户提供更直观的续航里程和更好的驾驶体验,因此研究准确高效的SOC估算方法具有重要意义[11-13]。
常用的SOC 估计算法有直接测量法、数据驱动法和基于模型的方法[14-15]。直接测量通常包括开路电压法和安时积分法[16]。数据驱动是在机器学习和人工智能算法的基础上发展起来的,它需要大量的数据和高昂的计算成本[17]。基于模型的方法通过建立等效电路模型来模拟锂离子电池内部的动态反应过程[18],并结合控制理论中的滤波算法对SOC进行估计,常用的有扩展卡尔曼滤波(extended Kalman filtering,EKF)算法[19-20]。但锂电池内部结构复杂,呈强烈非线性,传统算法难以实现SOC的高精度估计[21]。经过该领域诸多学者的不断开拓与创新,提出一种扩展卡尔曼滤波与自适应无迹卡尔曼滤波相结合(extended Kalman filtering-adaptive unscented Kalman filtering,EKF-AUKF)的算法来估算SOC,获得了较高的精度[22]。……