姚 科,吕 洲,何 波,戴俊秀

(1.广州市香港科大霍英东研究院,广东广州511458;2.广州天嵌计算机科技有限公司,广东广州511400)

锂离子电池在使用过程中会出现老化,实时精准地估计电池的荷电状态(SOC),对保障车辆使用安全、决策合理的充电时间以及延长电池的使用寿命有重要意义。在考虑老化的前提下精确地估计SOC,是电池管理系统(BMS)的核心功能之一[1]。

现有的SOC估计算法大致分为两类:基于电流积分的开环算法和基于模型的闭环算法等。文献[2]用数据挖掘技术对采样数据进行预处理,并利用改进的安时积分法对SOC进行估算,精度为1.6%,具有一定的特点,但基于电流积分的开环算法会受到积分漂移的影响,且无法对电池老化和环境变化做出恰当的响应。相比之下,基于模型的算法更有吸引力,包括卡尔曼滤波类算法(均方根误差2.22%)[3]、比例积分滤波(最大绝对误差2.5%)[4]和粒子滤波(在全温度全老化范围内,平均建模误差20 mV)[5]等。其中,粒子滤波等算法的精度更高,但计算量较大。为避免对电池模型的过度依赖,人们提出了一批自适应观测器算法,包括:基于最小二乘-自适应扩展卡尔曼滤波算法(峰值电流预测最大相对误差5%)[6]、多时间尺度卡尔曼滤波算法(峰值电压、容量和SOC估计的最大误差2%)[7]和双比例积分算法[4]等,基本思路是交替估计电池的模型参数和状态变量,以获得更好的效果。并非所有电池模型都是全局能观的,导致算法对初值的选择和系统噪声很敏感。为此,H.Z.Fang等[8]提出了多模型混合算法,用多个固定模型观测电池状态,并通过一系列指标确定每个模型的权重,混合模型的精度高于单模型,在0.4～12.0C范围内,SOC估计误差不大于5%。……