0 引言

    隨著社會的發(fā)展，能源危機問題逐漸顯現(xiàn)，環(huán)境污染日益嚴(yán)重。磷酸鐵鋰電池具有比能高、安全性好、循環(huán)壽命長、污染低等優(yōu)點，正逐步成為新的理想動力源^[1-2]，應(yīng)用領(lǐng)域也非常廣泛。電池的過充放現(xiàn)象會損害電池使用壽命，降低電池的實用性和安全性，因此需要對電池的荷電狀態(tài)(State Of Charge，SOC)進行精確估算[2]。提高荷電狀態(tài)估算精度要從兩個方面入手：優(yōu)化電池動態(tài)模型以及選用較為精確的算法。

    在電池模型和預(yù)估算法上，國內(nèi)外目前已經(jīng)獲得了海量的研究成果，安時計量法、開路電壓法^[3]、放電電實驗法和神經(jīng)網(wǎng)絡(luò)等都有局限性，神經(jīng)網(wǎng)絡(luò)輸入變量的選擇是否合適、變量數(shù)量是否恰當(dāng)都直接影響模型的準(zhǔn)確性和計算量，而且需要大量的參考數(shù)據(jù)進行訓(xùn)練，如果用于網(wǎng)絡(luò)訓(xùn)練的數(shù)據(jù)不準(zhǔn)確或者不完備，則對結(jié)果影響很大^[4]。

    本文基于PNGV電池模型^[5-6]，采用擴展卡爾曼濾波(EKF)的方法，并進行改進預(yù)測LiFePQ₄電池的SOC值^[7]，驗證該方法估計SOC值的準(zhǔn)確性。

1 電池模型建立

    等效電池模型是電池狀態(tài)估算的基礎(chǔ)，其中的電路等效模型便于參數(shù)識別與仿真實現(xiàn)。考慮到模型與電池的匹配度和現(xiàn)實應(yīng)用的實用性，本文選用PNGV模型，其精度較高。由于磷酸鐵鋰電池?fù)碛?個極點，在模型上添加一個RC環(huán)節(jié)進行改進，使該模型更加符合電池的內(nèi)部結(jié)構(gòu)和動態(tài)變化情況，并且更精確。改進的等效電路模型如圖1所示。

    模型中R₀描述電池的歐姆內(nèi)阻，E是理想電壓源；R_p1、R_p2和C_p1、C_p2為電池RC個環(huán)節(jié)的內(nèi)阻和電容，2個RC環(huán)節(jié)反映了電池內(nèi)部的極化現(xiàn)象；I_L為電池環(huán)路的電流，U_k為電池外電壓。在室溫情況下，根據(jù)電路模型及元件參數(shù)，建立模型關(guān)系式：

2 鋰電池的SOC估算

2.1 狀態(tài)模型

    根據(jù)SOC的定義，得出SOC的計算表達(dá)式^[8]：

    根據(jù)改進的PNGV模型和SOC表達(dá)式可得式(5)的狀態(tài)方程和式(6)的觀測方程。w_k、v_k分別為過程噪聲和觀測噪聲，是由系統(tǒng)傳感器誤差和建模不準(zhǔn)確所導(dǎo)致的。

    計算得到電池模型的離散狀態(tài)空間模型： 

2.2 卡爾曼濾波算法

    卡爾曼濾波是應(yīng)用在線性系統(tǒng)中具有較好預(yù)估能力的算法，但其無法應(yīng)用在在非線性系統(tǒng)中。針對此問題，發(fā)展了擴展卡爾曼濾波、無跡卡爾曼濾波等，其中擴展卡爾曼濾波適用范圍較廣、濾波效果理想。鋰電池SOC預(yù)估是典型的非線性問題，擴展卡爾曼濾波是SOC估計中較為優(yōu)化的方法^[8]。定義卡爾曼濾波算法參數(shù)：

2.3 內(nèi)阻的狀態(tài)更新

    在電池充電過程中，內(nèi)阻參數(shù)R0并非穩(wěn)定不變的，而是有輕微的浮動，這會對SOC的預(yù)估造成不利的影響。加入內(nèi)阻的狀態(tài)更新會更好地反應(yīng)電池內(nèi)部的動態(tài)變化。

    狀態(tài)方程：

其中，m_k、n_k分別表示過程噪聲和觀測噪聲。結(jié)合2.2節(jié)的內(nèi)容對內(nèi)阻R₀進行狀態(tài)預(yù)估，與SOC卡爾曼預(yù)估同時進行，形成新的擴展卡爾曼濾波算法，優(yōu)化內(nèi)阻參數(shù)，提高預(yù)估能力，得到的新卡爾曼流程圖如圖2所示。

3 方法驗證與分析

    驗證改進后的算法對鋰電池值SOC預(yù)估的準(zhǔn)確性，使用改進PNGV模型，分別用EKF算法和新的EKF算法對鋰電池進行SOC預(yù)估。本文選用標(biāo)稱容量為2 500 mAh的電池，通過MATLAB軟件中的文件進行編程仿真實驗。在室溫情況下對電池進行1C恒流充電實驗，電流加入幅值為40 mA的噪聲，加入噪聲的電流波形如圖3所示。

    在恒流工況下，對SOC初始值為0.1的鋰電池充電實驗，表1表示的是實驗參數(shù)值。基于EKF方法估計SOC曲線和誤差曲線如圖4和圖5所示。

    由圖4和圖5可以看出初始時誤差較小，但從1 200 s開始，誤差逐漸增大，最高到達(dá)4.2%左右，而且還有比較明顯的浮動。隨著時間的延長，誤差一直存在。

    圖6和圖7為基于新EKF的SOC估計曲線與誤差曲線。可以看出誤差明顯較小，整體比較穩(wěn)定，在1 800 s左右誤差不斷增大，但系統(tǒng)能自動調(diào)節(jié)將誤差恢復(fù)到±1%以內(nèi)。由于測量電壓本身存在誤差以及電池的內(nèi)部機構(gòu)特性等，誤差的產(chǎn)生是不可避免的，因而要盡可能地降低誤差。從仿真結(jié)果可以看出新EKF有較好的SOC預(yù)估能力。表2所表示的是不同方法對應(yīng)的最高誤差值。

4 結(jié)論

    本文采用了PNGV模型，改進了模型精度，以新擴展卡爾曼濾波算法為基礎(chǔ)，對電流加入了噪聲更加精確的模擬實際情況。針對改進后的PNGV模型做了相應(yīng)的仿真實驗研究，可以明顯看出使用新卡爾曼濾波算法更加準(zhǔn)確，誤差明顯降低，趨于穩(wěn)定。結(jié)果表明，該方法對鋰電池荷電狀態(tài)（SOC）有較好的預(yù)估能力，采用更加精確的測量方法是下一步的研究工作。

參考文獻(xiàn)

[1] 李檳，陳全世.混合動力電動汽車中電池特性的研究[J].汽車技術(shù)，1999(10)：11-14.

[2] 李頂根，李竟成，李建林.電動汽車鋰離子電池能量管理系統(tǒng)研究[J].儀器儀表學(xué)報，2007，28(8)：1522-1527.

[3] POP V.Accuracy analysis of the state-of charge and remai-ning run-time determination for lithiumion batterie[J].Measurement，2009，42：1131-1138.

[4] 尹安東，張萬興，趙韓，等.基于神經(jīng)網(wǎng)絡(luò)的磷酸鐵鋰電池預(yù)測研究[J].電子測量與儀器學(xué)報，2011，25（5）：433-437.

[5] 王銘，李建軍，吳扦，等.鋰離子電池模型研究進展[J].電源技術(shù)，2011，79(35)：862-865.

[6] 張賓.電動汽車用磷酸鐵鋰離子電池的模型分析[J].電源技術(shù)，2009，33（5）：417-421.

[7] 王沙沙，婁高峰，唐霞，等.基于擴展卡爾曼濾波在礦用可移動救生艙蓄電池狀態(tài)估計[J].工礦自動化，2013，39（2）：43-47.

[8] 高明煜，何志偉，徐杰.基于擴展卡爾曼神經(jīng)網(wǎng)絡(luò)算法估計電池SOC[J].電子技術(shù)應(yīng)用，2011，37(11)：161-167.

作者信息：

李世光，汪  洋，王建志，高正中，李  瑩

（山東科技大學(xué) 電氣與自動化工程學(xué)院，山東 青島266590）