基于粒子滤波算法的动力电池SOC估计

汪永志1，贝绍轶1，汪伟1，李波2

(1.江苏理工学院  汽车与交通工程学院，江苏 常州213001）

(2.南京航空航天大学  能源与动力学院，江苏 南京210016)

    针对电池荷电状态（SOC）容易受到电流、温度、循环寿命等非线性因素的影响，建立基于温度和电流变化的电池容量修正方程。结合安时法和复合电化学原理构建电池状态空间模型。由于粒子滤波算法对非高斯、非线性系统的适应性，因此选用粒子滤波算法来研究电池SOC估计。通过美国FTP-75工况和NEDC工况实验仿真显示，基于粒子滤波算法的电池SOC估计比扩展卡尔曼滤波算法估计精度高、适应性好。

    随着全球能源危机和环境污染的加剧，电动汽车的设计制造受到各国政府和企业的重视。动力电池作为电动汽车动力系统的重要部件，其性能和成本是电动汽车发展的关键因素。电池荷电状态（State of Charge, SOC）预测是电池组管理系统中最核心的任务，直接影响电池可靠性、安全性和使用寿命。同时在动力电池工作过程中，整车控制器需要依据电池管理系统提供的电池剩余容量SOC分配各系统能量，实现最优控制。但电池SOC受到充放电电流、温度、循环寿命和自放电等各种因素影响，不能直接测量，只能通过一定的算法间接获得。目前，常用的电池SOC估计方法有安时电流积分法、开路电压法、模糊逻辑法、神经网络法［1-2］和扩展卡尔曼滤波（EKF）法［3-6］等。

    安时电流积分法由于SOC初值计算、测量仪器误差、电流和温度导致容量变化等问题，一般不应用于实车上。开路电压法需要较长的静止时间，不适合SOC实时动态估计。相对于模糊逻辑法和神经网络法，扩展卡尔曼滤波法计算量小，便于实现，然而扩展卡尔曼滤波要求统计特性已知的白噪声。电动车在行驶时，电池管理系统在数据采集过程中系统噪声和量测噪声特性未知，使扩展卡尔曼滤波估计准确性下降，甚至导致发散。

    相比于常用的电池SOC估计方法，粒子滤波算法适用于任何用状态空间模型描述的非高斯背景的非线性随机系统，对系统的测量噪声和过程噪声没有任何限制［7-10］，可以应用于任何非线性系统，精度可以接近最优估计，是一种很有效的非线性滤波技术［11］。因此，笔者通过把粒子滤波算法引入到镍氢电池组SOC估计，有效地提高了SOC估计的准确性和可靠性。

1基于温度和电流修正的SOC方程

    电池荷电状态SOC表示电池当前的净容量与额定容量的比值，净容量指电池在后续时间能放出的最大电量，额定容量指电池在一定温度和电流下完全充满所需电量。

电池SOC如公式（1）所示：

SOC=SOC0+Cdis/Cin   （1）

Cdis=∫tt0ηI,TI(t)dt  （2）

式中：SOC0代表电池荷电状态的初始值；Cdis是从t0到t电池释放的电量；Cin代表电池的额定容量；ηI,T代表电池容量基于电流I和温度T的修正系数。

作者简介：汪永志(1971—)，男，安徽安庆人，江苏理工学院讲师，博士研究生，主要研究方向为电动汽车及汽车系统动力学研究。

 （文章来源《机械设计与制造工程》如需详细资料请联系江苏机械门户网025-83726289）