新能源汽车蓄电池soc预测

新能源汽车蓄电池soc预测

0蓄电池在新能源系统中的应用目前，新能源系统主要采用电池作为能量发生器。能够用于新能源系统的蓄电池种类很多,目前广泛使用的有铅酸免维护蓄电池、普通铅酸蓄电池和碱性镍镉电池等。目前常使用的是铅酸免维护蓄电池,因其维护方便,性能可靠,且对环境污染较小。新能源系统中,蓄电池既作为多余能量的存储元件;在新能源无法发电时,它就成为整个供电系统能量的唯一来源。它是新能源系统中最昂贵的部件之一,主要是由于它在系统的初期投资中占的比重一般较大,而且许多蓄电池由于充放电不当达不到其使用寿命,提前失效,必须更换。在蓄电池生产技术没有改进的情况下,电池的有效使用管理便成为提高其使用寿命的重要途径,而要充分发挥蓄电池能量管理系统的各项功能,最基础的便是要正确判断电池的荷电状态(StateofCharge,SOC),所以蓄电池能量管理系统的基础和中心问题便集中到实现蓄电池剩余容量的准确测试上来。1有关电池套的定义和影响因素1.1确定电池剩余容量和总容量蓄电池SOC反映了电池当前的荷电状态(即剩余容量),数值上等于剩余容量和总容量的比值:式中:Qr为电池剩余容量;CI为电池的总容量(以恒定电流I放电状态下)。式中,Qused为电池已释放出的容量。1.2可恢复性影响因素能够影响蓄电池SOC的因素繁多,且彼此之间关系复杂,根据电池内部的不同结构、放电机理等分析,可以把其分为可恢复性影响因素以及不可恢复性影响因素:(1)可恢复性影响因素:指当改变某一些影响因素时,电池容量就会回升,这些因素便称为可恢复性影响因素。例如,当放电电流过大、电解液密度过高以及温度过低时,就会造成电池极板内层活性物质不能被充分利用,但当这些影响因素的条件值往影响小的方向改变(放电电流从大电流放电改为小电流放电、温度升高等)时,可使电池内层活性物质重新参与电化学反应,而使电池容量回升。(2)不可恢复性影响因素:指改变放电条件时,不能使电池丧失的容量重新回复的影响因素,如电池活性物质脱落、极板硫酸盐化、自放电及板栅腐蚀等影响因素便会使极板上的有效的活性物质总量减少且不可恢复。2蓄电池容量的判别文献于2004年对VRLA蓄电池容量预测技术的现状及发展进行了较为详细的综述,介绍了利用物理模型判别蓄电池容量的方法,包括容量测试——负载放电测试法、测量内阻法、安时(Ah)法、电压法、组合法;系统辨识与参数估计建模法,包括利用神经网络、模糊理论等智能算法来对蓄电池的容量进行估计。本文将介绍上述方法的最新研究成果,重点介绍近年运用智能算法在对蓄电池容量进行估计上的突破。2.1蓄电池放电测试目前,检测蓄电池容量最为常用和可靠的方法仍然是核对性放电实验。它能对整个电池内部系统进行系统全面的检查,对电池内部和外部的各种故障作出判断,是一种全面、可靠的判定方法,但它存在的以下缺点限制了它使用的范围:(1)它需要对蓄电池进行满容量放电,而这种频繁放电会加速蓄电池老化进而减少其使用寿命;(2)在进行核对性放电以及其后的再充电期间不能为负载供电;(3)该方法不但费时费力,而且具有一定的危险性;(4)该方法只能测得蓄电池实验时的容量与性能,不能进行预判。蓄电池应该尽量避免这种核对性放电试验,同时它不能实现蓄电池的在线检测,所以它主要用于“计划维修”的情况。为了实现蓄电池的在线检测和容量的在线预测,可以利用蓄电池在使用过程中的各类参数与其容量的关系来实现,下面介绍几种常用的检测方法。2.1.1稳定开口电压的测量电压法通过利用蓄电池开路电压与其容量间较好的对应关系来测量,蓄电池必须在持续2小时以上不使用的情况下才能测得准确的开路电压,但部分文献通过短时的测量值来预测其稳定开路电压。文献中为了准确测量蓄电池的开路电压,采用了一种离线的测量方式。即把蓄电池进行分组,对多个蓄电池模块轮换进行充电,每个蓄电池的端压在充电电路断开后都有足够的时间回复正常,使测得电压值能更加准确的反应蓄电池容量。这种方法虽然提高了测量的准确性,同时由于蓄电池的轮换使用,延长了蓄电池的使用寿命,但增加了蓄电池的数量,增加了投入成本。2.1.2深度放电事件p安时法测量原理是利用电池容量的原始定义,根据定义可知,蓄电池消耗的容量应为平均放电电流乘以放电时间,用总容量减去消耗容量便可以得到蓄电池的剩余容量。厂家将提供蓄电池在不同放电率时与之对应的容量,利用最小二乘法便可简化地用二次曲线表示出容量和电流之间的关系,求得a、b、c:式中,Q0为额定容量;Q为剩余容量。在对剩余容量进行计算的同时,电池管理系统会自动触发深度放电事件,记录本次放电的放电时间、最大电流以及平均电流。从原理上,这种方法易于实现且精度最高,但具体运用时,随着时间的推移,误差会不断累积,最终导致整个电池管理系统的混乱,因此需定期对其进行清零标定。2.1.3蓄电池内阻测试内阻法是通过测量蓄电池的内阻,并利用其与电池容量及完好性间较好的对应关系来测量蓄电池剩余容量。根据文献显示,极板和电解液的欧姆电阻占蓄电池总欧姆内阻的80%以上。伴随着活性物质的脱落、电解液的干涸以及极板的硫酸盐化,蓄电池将会不断老化,这将进一步增加蓄电池的欧姆内阻,并减少蓄电池的容量。由此可见,蓄电池的欧姆内阻与蓄电池的容量及完好性间均存在一定的对应关系。蓄电池复杂的内阻成分造成对其测量将是一个复杂的过程。常见方法有:开路电压法、密度法、直流放电法和交流法。(1)开路电压法。该方法通过测量蓄电池的端电压来对蓄电池内阻进行估计,这又把问题转移到前面提到的电压法上。(2)密度法。它通过测量蓄电池电解液的密度进而对内阻进行估算,对可再生能源发电系统中普遍采用的密封铅酸蓄电池并不适用。(3)直流放电法。通过对电池瞬间进行大电流放电,测量此时在电池上产生的瞬间电压降,从而由欧姆定律可算出电池内阻。直流放电法存在如下缺点:必须在静态或脱机的情况下进行,无法实现在线测量;需要大电流放电,将会对蓄电池造成较大损害;多出一个体积较大的负载。文献较为详细的阐述了交流法测量蓄电池容量的方法,并提到已有商业化的产品,如日本日置公司的HIOKI3551电池测试仪。文中提出了基于蓄电池容量与内阻最佳关联度的交流变频四端法实时在线检测蓄电池的内阻。实验表明该检测方法在测试单体电池容量时误差≤1%。文献基于交流法测量蓄电池内阻的原理,实现蓄电池内阻在线检测,同时运用混沌振子检测系统对初始值敏感,而对噪声具有很强抑制作用的原理,可以忽略抗干扰电路的设计,简化了测量电路。2.1.4剩余电量预测和充放电模型这种方法就是利用电压法、安时法、内阻法的两种及以上的组合方法来测量蓄电池的容量,这种方法运用较多。文献提出一种基于蓄电池电动势和内阻组合确定剩余电量的方法,同时,使用神经网络技术来解决电动势和内阻与剩余电量之间的非线性关系,实现对剩余电量的预测。文献通过简化的RC电池等效电路,建立电池的动态充、放电模型,基于不同温度下电池开路电压,通过混合脉冲功率性能测试方法测量得到电池的动态工作电阻。根据电池的动态工作电流在线实时估算电池的SOC,并通过仿真和实验室测试验证了方法的有效性。2.2基于系统识别和参数估计的建模方法该方法是根据以往测量蓄电池数据所得的经验,基于采集的蓄电池参数,通过智能算法来估算蓄电池容量。2.2.1电池脉冲放电结果仿真验证通过采集前文中提到的影响蓄电池容量的参数(如端电压、放电电流等)作为神经网络模型的输入,通过该网络的计算就可以得出对蓄电池性能参数的预测。这种方法需要具有一定的实验基础,通过实验得到所测蓄电池的各种参数,作为神经网络模型的输入。文献在对电池组进行不同工况充放电试验的基础上,把所有电池单体的实验数据,作为训练信息输入到神经网络模型,并分别采用电流输入,电压和电压梯度输入进行了仿真,实现了对电池组SOC的估计。文献首先通过实验得出所测蓄电池在脉冲放电过程中的特征电压、直流内阻、放电电流,并以此作为神经网络的输入来预测电池SOC,通过仿真验证误差中平均绝对误差为2.0%,精度较好。文献通过分析发现,单用电动势或者单用内阻来对铅酸蓄电池的荷电状态进行估算都是不精确的。因此文章介绍了一种基于最小二乘算法的电动势-内阻方法来在线测定蓄电池的荷电状态,克服了传统荷电状态测试法的缺点,避免了循环充放电对电池的影响。2.2.2放电剩余电量的在线soc估算建立基于专家知识和经验的模糊规则,并对检测参数(主要是温度、电压以及电流)进行模糊化处理,对经过计算的模糊输出进行反模糊化处理实现对电池容量的预测。文献构造的二维模糊预测器以蓄电池的端电压u和放电电流i作为输入,以蓄电池的剩余容量和最大放电量的比值(即蓄电池的荷电状态SC)作为输出,但精度较低。所以采用了基于模糊神经元网络的方法来检测蓄电池的剩余电量,并进行了硬件实现,经实验室测试误差低于3%。文献以为变量将蓄电池放电电流和端电压进行模糊化处理,再根据专家的经验和知识完成模糊规则的生成并进行模糊推理,最终由反模糊化处理估计蓄电池剩余容量。其模糊结构如图1所示。仿真估计结果与实验结果基本一致。文献利用恒定电流放电端电压与剩余时间的关系推算电池的剩余容量。为减轻在线测量的计算工作量,提高计算速度,将电池SOC模糊估算系统设计为双输入,单输出系统,即以电池固定放电倍率下的端电压U和环境温度θ作为输入,以放电剩余时间T作为输出,实现在线SOC的估算。仿真试验表明该系统具有误差小、精度高和简便实用等特点。2.2.3svr方法的鲁棒性SVR是通过支持向量机(SVM)衍生而得到一种方法。其依据大量的测量数据建立某种函数关系,该函数既可以是经典的函数关系,也可以是回归方程。SVM相比于传统的神经网络具有更好的鲁棒性,也更有效,因为SVM采用结构化最小准则(SRM)替代了传统的最小准则(ERM),而相比于ERM准则,SRM准则具有更好的鲁棒性和适应性,它能防止在收敛到全局最优的条件下使收敛的结果陷入局部最小。如果SVM的思想和方法被用于对时间序列的预测,就称为SVR。文献通过对比一般神经网络(三层神经网络)、SVR方法、复杂神经网络方法(多层神经网络)的测试误差、误差方差和训练误差得出结论:SVR方法在训练误差都较大且误差水平相当的情况下,取能够取得比一般神经网络方法更小的测试误差。当要在实验过程中取得相近的测试误差水平,SVR方法的收敛速度显著快于复杂神经网路方法。文中以净安时数(安时积分法计量的电池剩余电量)为基础,用电池电压、温度、电流等和SOC密切的因素对SOC进行修正,结合SVR方法建立预测模型,对于电动汽车典型工况试验数据得到小于0.04的误差。通过数值比较,证明SVR方法相对于传统神经网络具有更好的鲁棒性。文献利用支持向量回归算法(ε-SVR)非线性逼近能力强、收敛速度快、具有全局最优解的特性,确立了动力电池的电压、电流、输入输出功率与SOC之间的非线性关系。实验结果表明,与BP神经网络学习算法相比,ε-SVR算法在不同工况下都达到了更好的估计效果。3未来蓄电池soc预测技术方向表1对上述蓄电池SOC预测技术从是否在线、实现难易程度、预测精度、成本几方面进行了比较。综合以上分析,可以对新能源系统中蓄电池SOC的预测技术研究进行以下展望:(1)神经网络、模糊理论、支持向量回归(SVR)理论以及其他一些智能算法将是未来蓄