CN110780203B - 一种纯电动汽车电池组soc在线估值方法 - Google Patents
一种纯电动汽车电池组soc在线估值方法 Download PDFInfo
- Publication number
- CN110780203B CN110780203B CN201911094138.1A CN201911094138A CN110780203B CN 110780203 B CN110780203 B CN 110780203B CN 201911094138 A CN201911094138 A CN 201911094138A CN 110780203 B CN110780203 B CN 110780203B
- Authority
- CN
- China
- Prior art keywords
- electric vehicle
- battery pack
- pure electric
- soc
- state
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M17/00—Testing of vehicles
- G01M17/007—Wheeled or endless-tracked vehicles
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/385—Arrangements for measuring battery or accumulator variables
- G01R31/387—Determining ampere-hour charge capacity or SoC
- G01R31/388—Determining ampere-hour charge capacity or SoC involving voltage measurements
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
本发明公开了一种纯电动汽车电池组SOC在线估值方法,包括如下步骤:路况信息检查→构建准稳态过程典型行驶工况→能量构建和优化管理→执行控制→电池组SOC估算。路况信息检查:首先检测人员通过GPS检测道路信息,检查道路是否拥堵。本发明通过近年来随着智能交通和动力电池技术的发展,根据实际道路行驶工况数据进行纯电动汽车行驶工况构建和预测,同时结合电池建模和状态估计方法,对纯电动汽车能量耗散过程进行优化管理,本发明的实施将为提高纯电动汽车的经济性和使用寿命提供可行的解决途径,实现电动汽车在复杂行驶条件下高效平稳运行,降低了一定的电动汽车能耗,延长了续驶里程,保证了纯电动汽车的使用。
Description
技术领域
本发明涉及电动汽车技术领域,具体为一种纯电动汽车电池组SOC在线估值方法。
背景技术
电动汽车是指以车载电源为动力,用电机驱动车轮行驶,符合道路交通、安全法规各项要求的车辆,由于对环境影响相对传统汽车较小,其前景被广泛看好,但当前技术尚不成熟,电动汽车的种类:纯电动汽车、混合动力汽车、燃料电池汽车。
为应对能源短缺和环境污染问题,新能源汽车的发展愈来愈受到各国政府和社会的关注,纯电动汽车具有高效、零排放等突出优点,是汽车发展的重要方向之一,但是现阶段动力电池性能仍然存在技术瓶颈,随着动力电池性能的衰退,纯电动汽车续驶里程发生明显的降低,尤其是在频繁起步、加速、制动等城市行驶工况下,电动汽车的能耗增加、续驶里程明显缩短,严重限制了纯电动汽车的使用,如何在复杂道路条件下合理调节电动汽车能量分配,降低整车能耗,延长纯电动汽车的续驶里程,是工业界、学者所关注的主要问题。
发明内容
(一)解决的技术问题
针对现有技术的不足,本发明提供了一种纯电动汽车电池组SOC在线估值方法,具备实现电动汽车在复杂行驶条件下高效平稳运行的优点,以解决背景技术中所提出的问题。
(二)技术方案
为实现上述目的,本发明提供如下技术方案:一种纯电动汽车电池组SOC在线估值方法,本方法应用于电池级和超级电容驱动的纯电动汽车,包括如下步骤:路况信息检查→构建准稳态过程典型行驶工况→能量构建和优化管理→执行控制→电池组SOC估算。
如上所述的纯电动汽车电池组SOC在线估值方法,其中,可选地,路况信息检测具体包括,
首先检测人员通过GPS检测道路信息,检查道路是否拥堵,同时检查道路是否存在缝隙和坑,基于GPS/GPRS车载数据采集装置进行行驶实验道路基础数据采集及处理,同时获得车辆的轨迹、位移、速度等行驶工况特征信息。
如上所述的纯电动汽车电池组SOC在线估值方法,其中,可选地,构建准稳态过程典型行驶工况:采集纯电动汽车实际道路行驶工况数据,提取运动学片段,基于主成分分析和聚类分析方法进行运动学片段特征值提取和分类处理,利用相关系数提取代表性行驶工况,构建符合纯电动汽车行驶工况特征的综合工况,为满足纯电动汽车行驶过程中通过实时获取的行驶状态进行能量在线优化管理的需要,引入多时间尺度运动学参数用于描述行驶状态处于运动学片段类内、类间及不同运动学片段间切换过程的准稳态特征,采用降维处理和模糊聚类方法,以运动学参数为特征参数对片段类内的片段进行二次聚类,实现对类内特征片段的提取和组合,完成纯电动汽车准稳态过程典型行驶工况构建,并制定离线和在线运动学片段特征提取和分类准则,纯电动汽车的行驶状态呈现随机连续特性。
如上所述的纯电动汽车电池组SOC在线估值方法,其中,可选地,所述在步骤B中行驶工况时,制定综合工况、准稳态下的运动学片段特征提取和分类准则后,以得到随机过程的统计特性,对工况数据进行状态划分、模型事件分类、模型事件集确定,得到综合工况、准稳态工况下的行驶状态转移矩阵。
如上所述的纯电动汽车电池组SOC在线估值方法,其中,可选地,能量构建和优化管理具体包括,
a、引入分层递阶控制原理建立纯电动汽车能量管理系统,该控制系统包含两个层级的控制策略,顶层策略为能量管理策略,采用马尔科夫决策理论建立能量优化管理模型,负责监控整个纯电动汽车动力系统的能量流动,根据系统当前的状态来确定电机的目标功率,底层策略为执行控制层,根据系统当前状态来进行功率分配和电机控制,以满足纯电动汽车动力性要求;
b、综合工况下以整个综合工况区间纯电动汽车能耗最优为目标,准稳态工况下以纯电动汽车的动力性和经济性综合最优为目标,以电动汽车当前状态为约束条件,建立基于马尔科夫决策理论的随机动态规划优化命题并求解,基于行驶状态转移概率矩阵,将优化命题整合为有限域的马尔科夫决策过程,该优化命题是有限域的马尔科夫决策过程,通过自底向上递归的方法求解,采用离散求解在线查表的处理方式,在离线求解时,遍历所有可能的初值,将结果储存在一张表格中,在线运行时,直接以查表的方式获取当前的最优控制向量值。
如上所述的纯电动汽车电池组SOC在线估值方法,其中,可选地,执行控制具体包括,
车辆在驱动过程中,传感器实时采集电动车的车速u、加速度a、电池组SOC和超级电容端电压U,首先根据SOC和超级电容端电压U判断电池和超级电容所属的工作状态,再根据得到的工作状态和实时的车速、加速度判断系统进入单驱模式或是双驱模式或是预充模式,若进入单驱模式则停止超级电容的输出,使电池组单独供电;若进入双驱模式则根据该工作状态对应的电池最佳输出功率调节电池组的输出功率;若进入预充模式则选用对超级电容脉冲充电,最大限度的提高超级电容的能量接收率和能量效率。
如上所述的纯电动汽车电池组SOC在线估值方法,其中,可选地,在步骤执行控制时,将能量管理控制器设定为在某一时刻一旦采集到低于35V的分界电压即认为进入低电压工作状态,暂时停止电压信号采集,并保持一段时间,直到制动信号抵达。
如上所述的纯电动汽车电池组SOC在线估值方法,其中,可选地,电池组SOC估算包括,
通过建立电动汽车动力系统的效率模型,在理论建模的基础上分析在电池组单驱、电池组与超级电容共驱、电池组给超级电容预充这三种工作模式下电动汽车动力系统效率的变化规律,以效率最优为目标,研究使电动汽车能够随行驶工况合理切换工作模式的控制策略,并分析其控制效果。
如上所述的纯电动汽车电池组SOC在线估值方法,其中,可选地,电池组SOC估算还包括,采用逆向建模方法,计算出不同的车速和加速度下电池组、超级电容、电机损耗的动力系统驱动效率,SOC、SOH估计算法验证试验通过电池组测试系统来完成,电池状态估计算法采用电池管理系统(BMS)硬件在环仿真平台开发,将已经建立的电池组模型加载到BMS硬件在环仿真平台,利用数据采集板卡实时采集单节电池电压、电流及温度信息,基于开发的SOC、SOH估算算法来估算电池组SOC状态和容量,验证算法的精度及效率。
如上所述的纯电动汽车电池组SOC在线估值方法,其中,可选地,步骤电池组SOC估算时,采用电池模拟器进行脉冲循环放电工况下的电池组测试,对建立的电池组等效电路模型中的参数进行辨识,通过电池模拟器也对超级电容进行特性测试以及理论模型验证。
(三)有益效果
与现有技术相比,本发明提供了一种纯电动汽车电池组SOC在线估值方法,具备以下有益效果:
1、本发明通过近年来随着智能交通和动力电池技术的发展,根据实际道路行驶工况数据进行纯电动汽车行驶工况构建和预测,同时结合电池建模和状态估计方法,对纯电动汽车能量耗散过程进行优化管理,本发明的实施将为提高纯电动汽车的经济性和使用寿命提供可行的解决途径,实现电动汽车在复杂行驶条件下高效平稳运行,降低了一定的电动汽车能耗,延长了续驶里程,保证了纯电动汽车的使用。
2、采集纯电动汽车实际道路行驶工况数据,提取运动学片段,提出基于主成分分析和聚类分析法进行运动学片段特征值提取和分类处理,构建符合纯电动汽车行驶工况特征的综合工况,引入多时间尺度运动学参数用于描述行驶状态处于运动学片段类内、类间及不同运动学片段间切换过程的准稳态特征,提出采用降维处理和模糊聚类方法,完成纯电动汽车准稳态过程典型行驶工况构建,采用最小二乘法对建立的锂离子动力电池组等效电路模型进行参数辨识,提出采用扩展卡尔曼滤波与安时积分的组合算法进行锂离子动力电池组SOC和SOH联合估计,提出分层递阶控制理论建立纯电动汽车能量管理系统,顶层策略为能量管理策略,底层策略为执行控制层,本发明的实施将为提高纯电动汽车的经济性和使用寿命提供可行的解决途径,实现电动汽车在复杂行驶条件下高效平稳运行。
附图说明
图1为本发明流程图;
图2为本发明电池组容量在线估算算法流程图;
图3为本发明基于递阶控制的能量管理系统示意图;
图4为本发明基于马尔科夫决策命题的整合及求解过程图;
图5为本发明电池组测试系统图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的所有部件均为通用的标准部件或本领域技术人员知晓的部件,其结构和原理都为本领域技术人员均可通过技术手册得知或通过常规实验方法获知。
请参阅图1-5,本发明提出了一种纯电动汽车电池组SOC在线估值方法,本方法应用于电池级和超级电容驱动的纯电动汽车,包括如下步骤:路况信息检查→构建准稳态过程典型行驶工况→能量构建和优化管理→执行控制→电池组SOC估算;
A、路况信息检查:首先检测人员通过GPS检测道路信息,检查道路是否拥堵,同时检查道路是否存在缝隙和坑,基于GPS/GPRS车载数据采集装置进行行驶实验道路基础数据采集及处理,同时获得车辆的轨迹、位移、速度等行驶工况特征信息。
B、构建准稳态过程典型行驶工况:采集纯电动汽车实际道路行驶工况数据,提取运动学片段,基于主成分分析和聚类分析方法进行运动学片段特征值提取和分类处理,利用相关系数提取代表性行驶工况,构建符合纯电动汽车行驶工况特征的综合工况,为满足纯电动汽车行驶过程中通过实时获取的行驶状态进行能量在线优化管理的需要,引入多时间尺度运动学参数用于描述行驶状态处于运动学片段类内、类间及不同运动学片段间切换过程的准稳态特征,采用降维处理和模糊聚类方法,以运动学参数为特征参数对片段类内的片段进行二次聚类,实现对类内特征片段的提取和组合,完成纯电动汽车准稳态过程典型行驶工况构建,制定离线和在线运动学片段特征提取和分类准则,纯电动汽车的行驶状态呈现随机连续特性。
C、能量构建和优化管理:a、引入分层递阶控制原理建立纯电动汽车能量管理系统,如图3所示,该控制系统包含两个层级的控制策略,顶层策略为能量管理策略,采用马尔科夫决策理论建立能量优化管理模型,负责监控整个纯电动汽车动力系统的能量流动,根据系统当前的状态来确定电机的目标功率,底层策略为执行控制层,根据系统当前状态来进行功率分配和电机控制,满足纯电动汽车动力性要求,b、综合工况下以整个综合工况区间纯电动汽车能耗最优为目标,准稳态工况下以纯电动汽车的动力性和经济性综合最优为目标,以电动汽车当前状态为约束条件,建立基于马尔科夫决策理论的随机动态规划优化命题并求解,基于行驶状态转移概率矩阵,将优化命题整合为有限域的马尔科夫决策过程,整合过程如图4所示,该优化命题是有限域的马尔科夫决策过程,可以用自底向上递归的方法求解,优化过程根据离散的粒度的不同,求解的时间有差异,通常连续在线求解无法满足电动汽车实时控制的要求,可采用离散求解在线查表的处理方式,在离线求解时,遍历所有可能的初值,将结果储存在一张表格中,在线运行时,直接以查表的方式获取当前的最优控制向量值。
D、执行控制:车辆在驱动过程中,传感器实时采集电动车的车速u、加速度a、电池组SOC,超级电容端电压U,首先根据SOC和U判断电池和超级电容所属的工作状态,再根据得到的工作状态和实时的车速、加速度判断系统进入单驱模式或是双驱模式或是预充模式,若进入单驱模式则停止超级电容的输出,使电池组单独供电,若进入双驱模式则根据该工作状态对应的电池最佳输出功率调节电池组的输出功率,若进入预充模式则选用对超级电容脉冲充电,最大限度的提高超级电容的能量接收率和能量效率。
E、电池组SOC估算:通过建立电动汽车动力系统的效率模型,在理论建模的基础上分析在电池组单驱、电池组与超级电容共驱、电池组给超级电容预充这三种工作模式下电动汽车动力系统效率的变化规律,以效率最优为目标,研究使电动汽车能够随行驶工况合理切换工作模式的控制策略,并分析其控制效果,本发明采用一种逆向建模的方法,计算出不同的车速和加速度下考虑电池组、超级电容、电机损耗的动力系统驱动效率,SOC、SOH估计算法验证试验通过电池组测试系统来完成,测试系统结构如图5所示,电池状态估计算法采用电池管理系统(BMS)硬件在环仿真平台开发,将已经建立的电池组模型加载到BMS硬件在环仿真平台,利用数据采集板卡实时采集单节电池电压、电流及温度信息,基于开发的SOC、SOH估算算法来估算电池组SOC状态和容量,验证算法的精度及效率,本发明通过近年来随着智能交通和动力电池技术的发展,根据实际道路行驶工况数据进行纯电动汽车行驶工况构建和预测,同时结合电池建模和状态估计方法,对纯电动汽车能量耗散过程进行优化管理,本项目的实施将为提高纯电动汽车的经济性和使用寿命提供可行的解决途径,实现电动汽车在复杂行驶条件下高效平稳运行,降低了一定的电动汽车能耗,延长了续驶里程,保证了纯电动汽车的使用。
实施例一:
一种纯电动汽车电池组SOC在线估值方法,包括如下步骤:路况信息检查→构建准稳态过程典型行驶工况→能量构建和优化管理→执行控制→电池组SOC估算;
A、路况信息检查:首先检测人员通过GPS检测道路信息,检查道路是否拥堵,同时检查道路是否存在缝隙和坑,基于GPS/GPRS车载数据采集装置进行行驶实验道路基础数据采集及处理,同时获得车辆的轨迹、位移、速度等行驶工况特征信息。
B、行驶工况:采集纯电动汽车实际道路行驶工况数据,提取运动学片段,基于主成分分析和聚类分析方法进行运动学片段特征值提取和分类处理,利用相关系数提取代表性行驶工况,构建符合纯电动汽车行驶工况特征的综合工况,为满足纯电动汽车行驶过程中通过实时获取的行驶状态进行能量在线优化管理的需要,引入多时间尺度运动学参数用于描述行驶状态处于运动学片段类内、类锏及不同运动学片段间切换过程的准稳态特征,采用降维处理和模糊聚类方法,以运动学参数为特征参数对片段类内的片段进行二次聚类,实现对类内特征片段的提取和组合,完成纯电动汽车准稳态过程典型行驶工况构建,制定离线和在线运动学片段特征提取和分类准则,纯电动汽车的行驶状态呈现随机连续特性。
C、能量构建和优化管理:a、引入分层递阶控制原理建立纯电动汽车能量管理系统,如图3所示,该控制系统包含两个层级的控制策略,顶层策略为能量管理策略,采用马尔科夫决策理论建立能量优化管理模型,负责监控整个纯电动汽车动力系统的能量流动,根据系统当前的状态来确定电机的目标功率,底层策略为执行控制层,根据系统当前状态来进行功率分配和电机控制,满足纯电动汽车动力性要求,b、综合工况下以整个综合工况区间纯电动汽车能耗最优为目标,准稳态工况下以纯电动汽车的动力性和经济性综合最优为目标,以电动汽车当前状态为约束条件,建立基于马尔科夫决策理论的随机动态规划优化命题并求解,基于行驶状态转移概率矩阵,将优化命题整合为有限域的马尔科夫决策过程,整合过程如图4所示,该优化命题是有限域的马尔科夫决策过程,可以用自底向上递归的方法求解,优化过程根据离散的粒度的不同,求解的时间有差异,通常连续在线求解无法满足电动汽车实时控制的要求,可采用离散求解在线查表的处理方式,在离线求解时,遍历所有可能的初值,将结果储存在一张表格中,在线运行时,直接以查表的方式获取当前的最优控制向量值;
D、执行控制:车辆在驱动过程中,传感器实时采集电动车的车速u、加速度a、电池组SOC,超级电容端电压U,首先根据SOC和U判断电池和超级电容所属的工作状态,再根据得到的工作状态和实时的车速、加速度判断系统进入单驱模式或是双驱模式或是预充模式,若进入单驱模式则停止超级电容的输出,使电池组单独供电,若进入双驱模式则根据该工作状态对应的电池最佳输出功率调节电池组的输出功率,若进入预充模式则选用对超级电容脉冲充电,最大限度的提高超级电容的能量接收率和能量效率。
E、电池组SOC估算:通过建立电动汽车动力系统的效率模型,在理论建模的基础上分析在电池组单驱、电池组与超级电容共驱、电池组给超级电容预充这三种工作模式下电动汽车动力系统效率的变化规律,以效率最优为目标,研究使电动汽车能够随行驶工况合理切换工作模式的控制策略,并分析其控制效果,本发明采用逆向建模的方法,计算出不同的车速和加速度下考虑电池组、超级电容、电机损耗的动力系统驱动效率,SOC、SOH估计算法验证试验通过电池组测试系统来完成,测试系统结构如图5所示,电池状态估计算法采用电池管理系统(BMS)硬件在环仿真平台开发,将已经建立的电池组模型加载到BMS硬件在环仿真平台,利用数据采集板卡实时采集单节电池电压、电流及温度信息,基于开发的SOC、SOH估算算法来估算电池组SOC状态和容量,验证算法的精度及效率。
实施例二:
在实施例一中,再加上下述工序:
在步骤B中行驶工况时,因此制定综合工况、准稳态下的运动学片段特征提取和分类准则后,便得到随机过程的统计特性,对工况数据进行状态划分、模型事件分类、模型事件集确定,得到综合工况、准稳态工况下的行驶状态转移矩阵。
一种纯电动汽车电池组SOC在线估值方法,包括如下步骤:路况信息检查→构建准稳态过程典型行驶工况→能量构建和优化管理→执行控制→电池组SOC估算;
A、路况信息检查:首先检测人员通过GPS检测道路信息,检查道路是否拥堵,同时检查道路是否存在缝隙和坑,基于GPS/GPRS车载数据采集装置进行行驶实验道路基础数据采集及处理,同时获得车辆的轨迹、位移、速度等行驶工况特征信息。
B、行驶工况:采集纯电动汽车实际道路行驶工况数据,提取运动学片段,基于主成分分析和聚类分析方法进行运动学片段特征值提取和分类处理,利用相关系数提取代表性行驶工况,构建符合纯电动汽车行驶工况特征的综合工况,为满足纯电动汽车行驶过程中通过实时获取的行驶状态进行能量在线优化管理的需要,引入多时间尺度运动学参数用于描述行驶状态处于运动学片段类内、类间及不同运动学片段间切换过程的准稳态特征,采用降维处理和模糊聚类方法,以运动学参数为特征参数对片段类内的片段进行二次聚类,实现对类内特征片段的提取和组合,完成纯电动汽车准稳态过程典型行驶工况构建,制定离线和在线运动学片段特征提取和分类准则,纯电动汽车的行驶状态呈现随机连续特性。
C、能量构建和优化管理:a、引入分层递阶控制原理建立纯电动汽车能量管理系统,如图3所示,该控制系统包含两个层级的控制策略,顶层策略为能量管理策略,采用马尔科夫决策理论建立能量优化管理模型,负责监控整个纯电动汽车动力系统的能量流动,根据系统当前的状态来确定电机的目标功率,底层策略为执行控制层,根据系统当前状态来进行功率分配和电机控制,满足纯电动汽车动力性要求,b、综合工况下以整个综合工况区间纯电动汽车能耗最优为目标,准稳态工况下以纯电动汽车的动力性和经济性综合最优为目标,以电动汽车当前状态为约束条件,建立基于马尔科夫决策理论的随机动态规划优化命题并求解,基于行驶状态转移概率矩阵,将优化命题整合为有限域的马尔科夫决策过程,整合过程如图4所示,该优化命题是有限域的马尔科夫决策过程,可以用自底向上递归的方法求解,优化过程根据离散的粒度的不同,求解的时间有差异,通常连续在线求解无法满足电动汽车实时控制的要求,可采用离散求解在线查表的处理方式,在离线求解时,遍历所有可能的初值,将结果储存在一张表格中,在线运行时,直接以查表的方式获取当前的最优控制向量值。
D、执行控制:车辆在驱动过程中,传感器实时采集电动车的车速u、加速度a、电池组SOC和超级电容端电压U,首先根据SOC和超级电容端电压U判断电池和超级电容所属的工作状态,再根据得到的工作状态和实时的车速、加速度判断系统进入单驱模式或是双驱模式或是预充模式,若进入单驱模式则停止超级电容的输出,使电池组单独供电,若进入双驱模式则根据该工作状态对应的电池最佳输出功率调节电池组的输出功率,若进入预充模式则选用对超级电容脉冲充电,最大限度的提高超级电容的能量接收率和能量效率。
E、电池组SOC估算:通过建立电动汽车动力系统的效率模型,在理论建模的基础上分析在电池组单驱、电池组与超级电容共驱、电池组给超级电容预充这三种工作模式下电动汽车动力系统效率的变化规律,以效率最优为目标,研究使电动汽车能够随行驶工况合理切换工作模式的控制策略,并分析其控制效果,本发明采用一种逆向建模的方法,计算出不同的车速和加速度下考虑电池组、超级电容、电机损耗的动力系统驱动效率,SOC、SOH估计算法验证试验通过电池组测试系统来完成,测试系统结构如图5所示,电池状态估计算法采用电池管理系统(BMS)硬件在环仿真平台开发,将已经建立的电池组模型加载到BMS硬件在环仿真平台,利用数据采集板卡实时采集单节电池电压、电流及温度信息,基于开发的SOC、SOH估算算法来估算电池组SOC状态和容量,验证算法的精度及效率。
实施例三:
在实施例二中,再加上下述工序:
在步骤D中执行控制时,值得注意的是,由于本发明中选用的超级电容的容量相对较小,故在急加速等大功率需求的双驱工况下,超级电容的电压波动较大,使得电池组和超级电容的输出方式产生振荡,为了有效改善这种情况,应将能量管理控制器设定为在某一时刻一旦采集到低于35V的分界电压即认为进入低电压工作状态,暂时停止电压信号采集,并保持一段时间,直到制动信号抵达。
一种纯电动汽车电池组SOC在线估值方法,包括如下步骤:路况信息检查→构建准稳态过程典型行驶工况→能量构建和优化管理→执行控制→电池组SOC估算。
A、路况信息检查:首先检测人员通过GPS检测道路信息,检查道路是否拥堵,同时检查道路是否存在缝隙和坑,基于GPS/GPRS车载数据采集装置进行行驶实验道路基础数据采集及处理,同时获得车辆的轨迹、位移、速度等行驶工况特征信息。
B、构建准稳态过程典型行驶工况:采集纯电动汽车实际道路行驶工况数据,提取运动学片段,基于主成分分析和聚类分析方法进行运动学片段特征值提取和分类处理,利用相关系数提取代表性行驶工况,构建符合纯电动汽车行驶工况特征的综合工况,为满足纯电动汽车行驶过程中通过实时获取的行驶状态进行能量在线优化管理的需要,引入多时间尺度运动学参数用于描述行驶状态处于运动学片段类内、类间及不同运动学片段间切换过程的准稳态特征,采用降维处理和模糊聚类方法,以运动学参数为特征参数对片段类内的片段进行二次聚类,实现对类内特征片段的提取和组合,完成纯电动汽车准稳态过程典型行驶工况构建,制定离线和在线运动学片段特征提取和分类准则,纯电动汽车的行驶状态呈现随机连续特性。
C、能量构建和优化管理:a、引入分层递阶控制原理建立纯电动汽车能量管理系统,如图3所示,该控制系统包含两个层级的控制策略,顶层策略为能量管理策略,采用马尔科夫决策理论建立能量优化管理模型,负责监控整个纯电动汽车动力系统的能量流动,根据系统当前的状态来确定电机的目标功率,底层策略为执行控制层,根据系统当前状态来进行功率分配和电机控制,满足纯电动汽车动力性要求,b、综合工况下以整个综合工况区间纯电动汽车能耗最优为目标,准稳态工况下以纯电动汽车的动力性和经济性综合最优为目标,以电动汽车当前状态为约束条件,建立基于马尔科夫决策理论的随机动态规划优化命题并求解,基于行驶状态转移概率矩阵,将优化命题整合为有限域的马尔科夫决策过程,整合过程如图4所示,该优化命题是有限域的马尔科夫决策过程,可以用自底向上递归的方法求解,优化过程根据离散的粒度的不同,求解的时间有差异,通常连续在线求解无法满足电动汽车实时控制的要求,可采用离散求解在线查表的处理方式,在离线求解时,遍历所有可能的初值,将结果储存在一张表格中,在线运行时,直接以查表的方式获取当前的最优控制向量值。
D、执行控制:车辆在驱动过程中,传感器实时采集电动车的车速u、加速度a、电池组SOC,超级电容端电压U,首先根据SOC和U判断电池和超级电容所属的工作状态,再根据得到的工作状态和实时的车速、加速度判断系统进入单驱模式或是双驱模式或是预充模式,若进入单驱模式则停止超级电容的输出,使电池组单独供电,若进入双驱模式则根据该工作状态对应的电池最佳输出功率调节电池组的输出功率,若进入预充模式则选用对超级电容脉冲充电,最大限度的提高超级电容的能量接收率和能量效率。
E、电池组SOC估算:通过建立电动汽车动力系统的效率模型,在理论建模的基础上分析在电池组单驱、电池组与超级电容共驱、电池组给超级电容预充这三种工作模式下电动汽车动力系统效率的变化规律,以效率最优为目标,研究使电动汽车能够随行驶工况合理切换工作模式的控制策略,并分析其控制效果,本发明采用一种逆向建模的方法,计算出不同的车速和加速度下考虑电池组、超级电容、电机损耗的动力系统驱动效率,SOC、SOH估计算法验证试验通过电池组测试系统来完成,测试系统结构如图5所示,电池状态估计算法采用电池管理系统(BMS)硬件在环仿真平台开发,将已经建立的电池组模型加载到BMS硬件在环仿真平台,利用数据采集板卡实时采集单节电池电压、电流及温度信息,基于开发的SOC、SOH估算算法来估算电池组SOC状态和容量,验证算法的精度及效率。
实施例四:
在实施例三中,再加上下述工序:
在步骤E中电池组SOC估算时,基于HPPC电池特性试验规范,采用电池模拟器进行脉冲循环放电工况下的电池组测试,对建立的电池组等效电路模型中的参数进行辨识,通过电池模拟器也对超级电容进行特性测试以及理论模型验证。
一种纯电动汽车电池组SOC在线估值方法,包括如下步骤:路况信息检查→构建准稳态过程典型行驶工况→能量构建和优化管理→执行控制→电池组SOC估算;
A、路况信息检查:首先检测人员通过GPS检测道路信息,检查道路是否拥堵,同时检查道路是否存在缝隙和坑,基于GPS/GPRS车载数据采集装置进行行驶实验道路基础数据采集及处理,同时获得车辆的轨迹、位移、速度等行驶工况特征信息;
B、构建准稳态过程典型行驶工况:采集纯电动汽车实际道路行驶工况数据,提取运动学片段,基于主成分分析和聚类分析方法进行运动学片段特征值提取和分类处理,利用相关系数提取代表性行驶工况,构建符合纯电动汽车行驶工况特征的综合工况,为满足纯电动汽车行驶过程中通过实时获取的行驶状态进行能量在线优化管理的需要,引入多时间尺度运动学参数用于描述行驶状态处于运动学片段类内、类间及不同运动学片段间切换过程的准稳态特征,采用降维处理和模糊聚类方法,以运动学参数为特征参数对片段类内的片段进行二次聚类,实现对类内特征片段的提取和组合,完成纯电动汽车准稳态过程典型行驶工况构建,制定离线和在线运动学片段特征提取和分类准则,纯电动汽车的行驶状态呈现随机连续特性;
C、能量构建和优化管理:a、引入分层递阶控制原理建立纯电动汽车能量管理系统,如图3所示,该控制系统包含两个层级的控制策略,顶层策略为能量管理策略,采用马尔科夫决策理论建立能量优化管理模型,负责监控整个纯电动汽车动力系统的能量流动,根据系统当前的状态来确定电机的目标功率,底层策略为执行控制层,根据系统当前状态来进行功率分配和电机控制,满足纯电动汽车动力性要求,b、综合工况下以整个综合工况区间纯电动汽车能耗最优为目标,准稳态工况下以纯电动汽车的动力性和经济性综合最优为目标,以电动汽车当前状态为约束条件,建立基于马尔科夫决策理论的随机动态规划优化命题并求解,基于行驶状态转移概率矩阵,将优化命题整合为有限域的马尔科夫决策过程,整合过程如图4所示,该优化命题是有限域的马尔科夫决策过程,可以用自底向上递归的方法求解,优化过程根据离散的粒度的不同,求解的时间有差异,通常连续在线求解无法满足电动汽车实时控制的要求,可采用离散求解在线查表的处理方式,在离线求解时,遍历所有可能的初值,将结果储存在一张表格中,在线运行时,直接以查表的方式获取当前的最优控制向量值。
D、执行控制:车辆在驱动过程中,传感器实时采集电动车的车速u、加速度a、电池组SOC,超级电容端电压U,首先根据SOC和U判断电池和超级电容所属的工作状态,再根据得到的工作状态和实时的车速、加速度判断系统进入单驱模式或是双驱模式或是预充模式,若进入单驱模式则停止超级电容的输出,使电池组单独供电,若进入双驱模式则根据该工作状态对应的电池最佳输出功率调节电池组的输出功率,若进入预充模式则选用对超级电容脉冲充电,最大限度的提高超级电容的能量接收率和能量效率。
E、电池组SOC估算:通过建立电动汽车动力系统的效率模型,在理论建模的基础上分析在电池组单驱、电池组与超级电容共驱、电池组给超级电容预充这三种工作模式下电动汽车动力系统效率的变化规律,以效率最优为目标,研究使电动汽车能够随行驶工况合理切换工作模式的控制策略,并分析其控制效果,本发明采用一种逆向建模的方法,计算出不同的车速和加速度下考虑电池组、超级电容、电机损耗的动力系统驱动效率,SOC、SOH估计算法验证试验通过电池组测试系统来完成,测试系统结构如图5所示,电池状态估计算法采用电池管理系统(BMS)硬件在环仿真平台开发,将已经建立的电池组模型加载到BMS硬件在环仿真平台,利用数据采集板卡实时采集单节电池电压、电流及温度信息,基于开发的SOC、SOH估算算法来估算电池组SOC状态和容量,验证算法的精度及效率。其中,SOC是指电池剩余电量,而SOH则是指电池健康状态,由于综合考虑了纯电动汽车的行驶工况、供电模式、以及执行控制对于电池组的影响,能够准确地检测出电池组SOC和SOH。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (9)
1.一种纯电动汽车电池组SOC在线估值方法,其特征在于:本方法应用于电池级和超级电容驱动的纯电动汽车,包括如下步骤:路况信息检查→构建准稳态过程典型行驶工况→能量构建和优化管理→执行控制→电池组SOC估算;
构建准稳态过程典型行驶工况:采集纯电动汽车实际道路行驶工况数据,提取运动学片段,基于主成分分析和聚类分析方法进行运动学片段特征值提取和分类处理,利用相关系数提取代表性行驶工况,构建符合纯电动汽车行驶工况特征的综合工况,为满足纯电动汽车行驶过程中通过实时获取的行驶状态进行能量在线优化管理的需要,引入多时间尺度运动学参数用于描述行驶状态处于运动学片段类内、类间及不同运动学片段间切换过程的准稳态特征,采用降维处理和模糊聚类方法,以运动学参数为特征参数对片段类内的片段进行二次聚类,实现对类内特征片段的提取和组合,完成纯电动汽车准稳态过程典型行驶工况构建,并制定离线和在线运动学片段特征提取和分类准则,纯电动汽车的行驶状态呈现随机连续特性。
2.根据权利要求1所述的纯电动汽车电池组SOC在线估值方法,其特征在于:路况信息检查具体包括,
首先检测人员通过GPS检测道路信息,检查道路是否拥堵,同时检查道路是否存在缝隙和坑,基于GPS/GPRS车载数据采集装置进行行驶实验道路基础数据采集及处理,同时获得纯电动汽车的轨迹、位移、速度行驶工况特征信息。
3.根据权利要求1所述的纯电动汽车电池组SOC在线估值方法,其特征在于:在步骤B中行驶工况时,制定综合工况、准稳态下的运动学片段特征提取和分类准则后,以得到随机过程的统计特性,对工况数据进行状态划分、模型事件分类、模型事件集确定,得到综合工况、准稳态工况下的行驶状态转移矩阵。
4.根据权利要求1所述的纯电动汽车电池组SOC在线估值方法,其特征在于:
能量构建和优化管理具体包括,
a、引入分层递阶控制原理建立纯电动汽车能量管理系统,该能量管理系统包含两个层级的控制策略,顶层策略为能量管理策略,采用马尔科夫决策理论建立能量优化管理模型,负责监控整个纯电动汽车动力系统的能量流动,根据该能量管理系统当前的状态来确定电机的目标功率,底层策略为执行控制层,根据能量管理系统当前状态来进行功率分配和电机控制,以满足纯电动汽车动力性要求;
b、综合工况下以整个综合工况区间纯电动汽车能耗最优为目标,准稳态工况下以纯电动汽车的动力性和经济性综合最优为目标,以纯电动汽车当前状态为约束条件,建立基于马尔科夫决策理论的随机动态规划优化命题并求解,基于行驶状态转移概率矩阵,将优化命题整合为有限域的马尔科夫决策过程,该优化命题是有限域的马尔科夫决策过程,通过自底向上递归的方法求解,采用离散求解在线查表的处理方式,在离散求解时,遍历所有可能的初值,将结果储存在一张表格中,在线运行时,直接以查表的方式获取当前的最优控制向量值。
5.根据权利要求1-4任一项所述的纯电动汽车电池组SOC在线估值方法,其特征在于:
执行控制具体包括,
纯电动汽车在驱动过程中,传感器实时采集纯电动汽车的车速u、加速度a、电池组SOC和超级电容端电压U,首先根据电池组SOC和超级电容端电压U判断电池组和超级电容所属的工作状态,再根据得到的工作状态和实时的车速u、加速度a判断能量管理系统进入单驱模式或是双驱模式或是预充模式,若进入单驱模式则停止超级电容的输出,使电池组单独供电;若进入双驱模式则根据该工作状态对应的电池最佳输出功率调节电池组的输出功率;若进入预充模式则选用对超级电容脉冲充电,最大限度的提高超级电容的能量接收率和能量效率。
6.根据权利要求5所述的纯电动汽车电池组SOC在线估值方法,其特征在于:在步骤执行控制时,将能量管理系统设定为在某一时刻一旦采集到低于35V的分界电压即认为进入低电压工作状态,暂时停止电压信号采集,并保持一段时间,直到制动信号抵达。
7.根据权利要求1所述的纯电动汽车电池组SOC在线估值方法,其特征在于:电池组SOC估算包括,
通过建立纯电动汽车动力系统的效率模型,在理论建模的基础上分析在电池组单驱、电池组与超级电容共驱、电池组给超级电容预充这三种工作模式下纯电动汽车动力系统效率的变化规律,以效率最优为目标,研究使纯电动汽车能够随行驶工况合理切换工作模式的控制策略,并分析其控制效果。
8.根据权利要求7所述的纯电动汽车电池组SOC在线估值方法,其特征在于:电池组SOC估算还包括,采用逆向建模方法,计算出不同的车速和加速度下电池组、超级电容、电机损耗的动力系统驱动效率,电池组SOC、SOH估计算法验证试验通过电池组测试系统来完成,电池状态估计算法采用电池管理系统硬件在环仿真平台开发,将已经建立的电池组模型加载到电池管理系统硬件在环仿真平台,利用数据采集板卡实时采集单节电池电压、电流及温度信息,基于开发的电池组SOC、SOH估算算法来估算电池组SOC状态和容量,验证算法的精度及效率。
9.根据权利要求8所述的纯电动汽车电池组SOC在线估值方法,其特征在于:步骤电池组SOC估算时,采用电池模拟器进行脉冲循环放电工况下的电池组测试,对建立的电池组等效电路模型中的参数进行辨识,通过电池模拟器也对超级电容进行特性测试以及理论模型验证。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911094138.1A CN110780203B (zh) | 2019-11-11 | 2019-11-11 | 一种纯电动汽车电池组soc在线估值方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911094138.1A CN110780203B (zh) | 2019-11-11 | 2019-11-11 | 一种纯电动汽车电池组soc在线估值方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110780203A CN110780203A (zh) | 2020-02-11 |
CN110780203B true CN110780203B (zh) | 2020-11-27 |
Family
ID=69391038
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911094138.1A Active CN110780203B (zh) | 2019-11-11 | 2019-11-11 | 一种纯电动汽车电池组soc在线估值方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110780203B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110758121B (zh) * | 2019-11-13 | 2021-06-04 | 北京理工大学 | 一种基于递阶控制的能量管理系统 |
CN111216568B (zh) * | 2020-02-20 | 2021-05-28 | 中南大学 | 一种基于门控循环单元的电动汽车能量管理装置及方法 |
CN111525198B (zh) * | 2020-05-13 | 2023-08-25 | 江苏建康汽车有限公司 | 单能源纯电动汽车的能源管理系统控制策略与优化方法 |
CN112285565B (zh) * | 2020-09-21 | 2021-07-13 | 电子科技大学 | 基于rkhs域匹配的迁移学习预测电池soh方法 |
CN112526883B (zh) * | 2020-11-30 | 2021-09-24 | 北京航空航天大学 | 一种基于智能网联信息的整车能量管理方法 |
CN112612286A (zh) * | 2020-12-25 | 2021-04-06 | 绍兴市上虞区武汉理工大学高等研究院 | 一种基于大数据的新能源汽车电驱控制方法及装置 |
CN112829590B (zh) * | 2021-02-04 | 2022-10-25 | 东风汽车集团股份有限公司 | 基于整车经济性的纯电动车能量流计算方法、系统及介质 |
CN113341764A (zh) * | 2021-06-09 | 2021-09-03 | 上海交通大学 | 一种实车工况在线的电动汽车优化控制仿真方法及系统 |
US11951842B2 (en) * | 2021-09-27 | 2024-04-09 | Ford Global Technologies, Llc | Electrified vehicle configured to selectively deactivate restricted power mode based on acceleration request |
CN114537087B (zh) * | 2022-03-22 | 2023-07-04 | 河南科技大学 | 一种纯电动汽车集成式热管理系统性能优化方法 |
CN116729106B (zh) * | 2023-07-12 | 2023-11-21 | 吉林大学 | 一种纯电动汽车的智能能量管理方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104156517B (zh) * | 2014-07-29 | 2017-06-27 | 江苏大学 | 一种纯电动汽车复合电源系统效率计算模型和优化方法 |
KR102441335B1 (ko) * | 2015-08-13 | 2022-09-06 | 삼성전자주식회사 | 배터리의 soc 추정 장치 및 방법 |
CN105416077B (zh) * | 2015-12-01 | 2017-07-28 | 北京理工大学 | 一种电动汽车的能量管理系统及管理方法 |
CN108761509B (zh) * | 2018-04-09 | 2021-04-23 | 吉林大学 | 一种基于历史数据的汽车行驶轨迹及里程预测方法 |
CN109816171B (zh) * | 2019-01-28 | 2023-01-06 | 三峡大学 | 一种电动汽车区域微网群双层分布式优化调度方法 |
CN110341690B (zh) * | 2019-07-22 | 2020-08-04 | 北京理工大学 | 一种基于确定性策略梯度学习的phev能量管理方法 |
-
2019
- 2019-11-11 CN CN201911094138.1A patent/CN110780203B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110780203A (zh) | 2020-02-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110780203B (zh) | 一种纯电动汽车电池组soc在线估值方法 | |
Song et al. | Intelligent state of health estimation for lithium-ion battery pack based on big data analysis | |
CN102756661B (zh) | 车用电池荷电状态的确定方法及装置 | |
EP3309892B1 (en) | Lithium ion secondary battery capacity restoration system | |
CN112433169B (zh) | 一种云端动力电池健康度评估系统及方法 | |
CN111273180B (zh) | 一种锂电池的析锂检测方法及装置 | |
Meissner et al. | The challenge to the automotive battery industry: the battery has to become an increasingly integrated component within the vehicle electric power system | |
CN105633487B (zh) | 一种锂离子电池智能管理系统 | |
CN109367433A (zh) | 一种具有动力电池健康状态检测和续航里程预测的智能充电桩及方法 | |
CN103901354A (zh) | 一种电动汽车车载动力电池soc预测方法 | |
Mishra et al. | A Review on Battery Management system and its Application in Electric vehicle | |
CN112327168A (zh) | 一种基于XGBoost的电动汽车电池消耗预测方法 | |
CN106998086A (zh) | 兆瓦级储能电站电池管理方法及其系统 | |
Lee et al. | Learning to recognize driving patterns for collectively characterizing electric vehicle driving behaviors | |
Kang et al. | A Costate Estimation for Pontryagin's Minimum Principle by Machine Learning | |
Rezvanizanian et al. | A mobility performance assessment on plug-in EV battery | |
Payri et al. | On a stochastic approach of the ECMS method for energy management in hybrid electric vehicles | |
CN110852378A (zh) | 一种基于导航系统的道路工况运动学片断提取方法 | |
Rechkemmer | Lifetime modeling and model-based lifetime optimization of Li-ion batteries for use in electric two-wheelers | |
Kapile et al. | Energy Consumption and Prediction, Self-power Generation and Driving Range of Electric Vehicles: A Literature Survey | |
Li | SOC Prediction of Pure Electric Vehicle Battery Based on Cnn-lstm | |
US11814028B2 (en) | Information collection system | |
CN113733936B (zh) | 一种混合驱动有轨电车的功率控制方法、装置及存储介质 | |
Kolte et al. | Electric vehicle range and energy consumption estimation using MATLAB Simulink | |
US20230384391A1 (en) | Systems and techniques for predicting life of battery, and battery management system operating the same |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |