电动汽车动力电池系统介绍（电动汽车动力电池全生命周期的荷电状态估算新方法）

针对传统扩展卡尔曼滤波（EKF）算法对电池数学模型精确的高度依赖与动态电池模型难以精确获得之间的矛盾问题，天津工业大学计算机科学与技术学院、天津清源电动车辆有限责任公司、中国汽车技术研究中心、东软睿驰汽车技术有限公司汽车电子研究院的研究人员刘芳、马杰、苏卫星、窦汝振、林辉，在2020年第4期《电工技术学报》上撰文，提出一种完全数据驱动的基于改进EKF算法的动力电池全生命周期荷电状态（SOC）估计方法。

该方法为数据驱动的SOC估计方法和基于模型的SOC估计方法的良好结合，其优点在于：一方面抑制数据驱动方法存在累积误差的问题，并保留其良好的动态特性；另一方面改善基于模型的算法过度依赖电池模型的缺点，并保留其很好的鲁棒特性。

该方法的创新之处在于将等效电路中难以获知的一部分视为以电池电流为输入，以内部电压为输出，以电池内部阻抗为时变参数的黑箱系统，并加以动态在线辨识，获得实时的动力电池真实状态，从而保证电池模型的准确性和动态性，真正实现动力电池全生命周期的SOC估算。

众所周知，电池管理系统（Battery Management System, BMS）对电动汽车动力电池至关重要。其主要任务之一是通过估计动力电池的荷电状态（State of Charge, SOC）、健康状态（State of Health, SOH）、功率状态（State of Power, SOP）等关键状态，确保动力电池在最佳运行状态下的安全性，已达到安全运行目的的同时，延长动力电池的使用寿命。可见SOC、SOH以及SOP的准确估计对于动力电池至关重要，甚至影响电动汽车技术的发展。

科研工作者为此做了许多探索，取得了非常不错的成绩，如：目前工程应用最为普遍的安时积分法，其计算复杂度较低，且易于实现，因此得到工程界的广泛认可，但其也有一定的局限性，如初始SOC不精确影响SOC估算精度，另外BMS检测的电流信号难免存在噪声、漂移等，而单纯的安时积分法会因此而无限制累积这种误差，导致其估算精度会逐渐下降，为此，工程上的解决办法为在动力电池截止电压处对其进行SOC修正，但修正频率却受到汽车使用者的使用习惯影响。

基于以上问题，科研工作者继续致力于寻求更好的方法，实现SOC的精确估计。如基于模型的扩展卡尔曼滤波（Extended Kalman Filter, EKF）算法等，此类算法因存在根据观测值矫正SOC的过程，而具有很好的鲁棒性，且准确性较高，但其估算精度高度依赖动力电池模型结构以及模型参数，而动力电池一致性普遍不高加之电池参数会随着老化问题而改变，使其不能满足单纯基于模型算法要求。

为此，产生了许多在电池模型基础上在线辨识模型参数的思想，如最小二乘算法辨识等效电路模型参数，遗传算法（Genetic Algorithm, GA）辨识经验机理模型参数的方法等，其在一定程度上解决了基于模型算法依赖模型的问题，且有效提高了SOC估算精度，但无论等效电路模型还是机理经验模型均存在一定的结构复杂性（非线性模型），加之在线辨识，使其复杂度大为增加。

同时也产生了许多单纯基于数据的SOC估算方法，如基于神经网络的SOC估算方法，以及基于支持向量机（Support Vector Machine, SVM）的SOC估算方法等。此类算法不再依赖于动力电池模型结构以及电池参数，而是将动力电池视为黑箱，以可测得量作为输入（如电压、电流等），SOC作为输出，进行大量的模型训练，已获得精确的SOC估算结果，此类算法完全基于数据，因此对数据质量较为依赖。数据不准确会影响神经网络训练的结果，另外此类算法网络结构复杂，前期需要大量数据训练，网络参数较多，计算量较大，较不适合实际工程应用。

基于以上分析，可以看出SOC的估算精度与计算复杂度是相互矛盾的两个量，因此希望通过算法融合的方式寻求一种较为折中的处理策略。

天津工业大学、天津清源电动车辆公司等单位的研究人员，从电动汽车需求出发，分析其对SOC估算的特殊需求。结合现有SOC估算方法的不足，提出了一种更适合于工程实际应用的数据驱动的动力电池全生命周期的SOC估算方法。

首先，考虑电动汽车驾驶工况复杂多变，使得电池充放电过程具有较多瞬态尖峰电流，且噪声较大，由于采样周期的局限，使得实际采集过程存在瞬态尖峰电流丢失现象，且干扰较大，因此采用目前较为成熟的且具有自校正能力和快速收敛性的EKF估计方法作为基本算法。

其次，考虑动力电池应用于电动汽车的特殊需求，即要求在整个生命周期内对动力电池进行SOC估算，且对实时性要求较高（0.01s），因此需要算法具有较小的计算量和较好的动态特性。而自回归（Auto Regression, AR）模型适用于平稳过程时间序列的预测模型，由于其是线性结构，因此计算量相对简单且具有在线更新特点，具有较好的动态特性；另外，AR模型完全基于数据驱动，而过程数据能够在动力电池全生命周期内真实地反应内部参数老化过程，因此采用AR模型对动力电池内部进行在线动态估算，能够较好地捕捉动力电池老化过程的变化。

图1 SOC估计算法流程

基于以上分析，综合AR模型以及EKF算法各自的优势，研究人员提出了一种完全数据驱动的基于AR-EKF的电动汽车动力电池全生命周期的SOC估算方法。

基于AR-EKF的动力电池SOC估算方法是数据驱动的算法与基于模型的估算方法的结合，继承了两类算法的优点，同时避免了两类算法的缺点。该方法将电池内部化学反应视为黑箱，不依赖于电池模型以及电池参数等，其基于数据在线识别动力电池内部特性的变化，包括电池老化、温度、电量等因素造成的内阻变化等。该方法适用于动力电池全寿命周期的SOC估计，具有较强的动态特性且计算复杂度低；而且不需要知道电池的初始SOC值，具有估计SOC的闭环校正能力以及较强的收敛性。

研究人员提出的SOC估计算法将内部电池阻抗模型视为具有慢时变特性的黑盒模型，进而采用基于AR模型对其动态建模分析，避免了由于电池一致性差、难以应用实验室测试数据的缺点，同时满足电池内部阻抗全生命周期的动态预估要求，使得本文提出的SOC估计算法具有良好的动态特性。由于研究人员的主要思想是基于传统EKF的SOC估计方法，因此具有闭环校正SOC的结构，使得所提出的动力电池全生命周期的SOC算法保留了传统EKF算法的良好收敛性以及鲁棒特性。

以上研究成果发表在2020年第4期《电工技术学报》，论文标题为“基于自适应回归扩展卡尔曼滤波的电动汽车动力电池全生命周期的荷电状态估算方法”，作者为刘芳、马杰、苏卫星、窦汝振、林辉。