基于扩展型卡尔曼滤波和神经网络组合模型电池充电状态测定.docxVIP

基于扩展卡尔曼滤波和神经网络组合模型的电池荷电状态的测定Zhihang Chena, Shiqi Qiua, M.Abul Masrurb, Yi Lu MurpheyaaDepartment of Electrical and Computer Engineering, The University of Michigan-Dearborn,Dearborn, MI 48128, USAbU.S. Army RDECOM-TARDE, Warren, MI, USA【摘要】本文主要介绍智能电池管理系统中电池荷电状态（SOC）的估测。研究的重点是使用卡尔曼滤波器和神经网络组合模型去估测动态SOC。首先，我们研发了一种利用扩展型卡尔曼滤波器（EKF）去模拟电池滞后影响的方法。其次，我们设计了一种SOC估测模型，NN-EKF模型，这种模型用EKF嵌入神经网络组成。这个假设方法已经利用两种不同电池—锂离子电池U1-12XP和1.2V，3.4Ah的镍氢电池的真实数据得到了验证。我们的试验显示了和其他先进的试验方法相比，用EKF模型模拟基于独立充放电的开路电压（OCV）曲线电池滞后现象，在SOC估测上有着最佳的表现。其次，NN-EKF模型在没有或者有温度数据的情况下估测SOC都有着最好的表现。关键词—电池荷电状态（SOC）；卡尔曼滤波器，神经网络，智能电池管理策略Ⅰ 介绍 为了响应人们对环境保护和能源保护问题的日益关切，对于混合电动汽车和纯电动汽车（HEVs EVs）先进技术的研究和发展已经积极的开展。而在这些混合电动和纯电动的技术中，电池技术是解决HEVs EVs商业化和普及的关键技术。 为了确保电池有预期的表现，应该设计一种电池管理系统（BMS）监测和控制电池能量水平。BMS总体上是一个电气设备，主要被用来管理重复充电的电池（单个电池或者电池包）。BMS的主要任务是监测，计算，通信，保护以及最优化。 SOC的估计是电池管理最重要的功能之一。SOC是指电池可以释放的能量所占额定容量的百分比。精确的估测SOC对包括延长电池寿命和避免电池永久性的破坏这些电池性能非常重要。电池管理中决定SOC的重要性可以总结如下：对于电池健康状态(SOH)估计的应用，由于没有对SOH绝对的定义，所以SOC开始成为估计SOH的一个重要指标。对于电池保护的应用，BMS决定电池是否过充电或者过放电取决于SOC，因此控制充放电电流。对于电池均衡充电的应用，在电池组中了解单体电池相对其他的电池的SOC是非常重要的，BMS通过仅仅给低SOC的电池充电来解决不相等的SOC。 精确的估计电池SOC是非常复杂的，因为电池SOC取决于很多因素，比如电流，温度，电池容量，内阻，电池寿命，开路电压和使用时间。而且电池SOC是关于这些参数的一个非线性函数。许多技术手段已经被应用测量和监测单体电池或电池包的SOC。主要的SOC估测技术包括放电法，库伦计算法，开路电压法，内阻法以及智能SOC估测法。新型的智能计算技术例如神经网络法，模糊逻辑法和卡尔曼滤波已经用于BMS的研究。这些新方法和传统的电流电压法相比有一些优点。除此之外，这些新智能方法在数字电路中容易实施。本篇论文主要介绍神经网络和扩展型的卡尔曼滤波模型。 首先，我们提出一个基于EKF的电池滞后模型算法来估测电池SOC。这种SOC估测法在开路电压曲线（估测SOC时用来建立电池模型）将不同于传统的EKF方法。其次，我们提出一种组合模型，NN-EKF，用来估测动态在线SOC。我们通过两种不同类型的电池—12V，40Ah的锂离子电池和1.2V，3.4Ah的镍氢电池的真实数据对两种方法进行了试验。 试验结果显示这种提议的方法使用分开的充电和放电方法，因此和其他的EKF方法相比对于两种不同类型的电池都有更加优越的表现。NN-EKF模型在不同的电池工作环境中对于估测SOC都有最好的表现。 本论文有以下几部分组成。第二部分列举了SOC估测方法的总体概论；第三部分主要介绍了基于EKF的动力电池模型同时重点介绍了滞后问题；第四部分则主要介绍用于估测SOC的结合EKF的神经网络；第五部分介绍了估计EKF方法对于电池迟滞模型的试验以及NN-EKF模型对于在线SOC的估计的试验。第六部分则是本篇论文的结语。ⅡSOC估测方法概述 精确的估测电池SOC在电池管理系统中是一个非常关键的技术，许多技术或者手段已经被用来估算电池SOC。有些技术是专门用在单体电池化学过程上的，另一些则取决于测量电池的参数，而这些参数又取决于电池充电状态。在这个部分我们简要的介绍当前使用最多的SOC估算方法以及他们的优缺点。A 放电测试法 放电法是目前估算电池SOC最可靠的方法，但是这种方法需要一个完整的放电过程因此很费时而且对于大多数设备要求很高。同时放电法也不能适用于运动的