中國科學(xué)院電力電子與電力傳動重點實驗室、中國科學(xué)院大學(xué)的研究人員劉偉龍、王麗芳、王立業(yè)，在2018年第1期《電工技術(shù)學(xué)報》上撰文指出，能量狀態(tài)（SOE）是電動汽車動力電池的重要狀態(tài)指標，直接影響電動汽車續(xù)航里程，受電動汽車工況顯著影響。

為進行基于電動汽車工況的SOE估計，對SOE估計方法、行駛工況識別算法、行駛工況預(yù)測算法展開研究，建立基于模型的電池剩余能量狀態(tài)（SOR）估計方法，提出基于信息熵理論的行駛工況識別算法，應(yīng)用馬爾科夫鏈理論構(gòu)建了行駛工況預(yù)測算法，建立電動汽車系統(tǒng)模型，仿真獲取電動汽車預(yù)測行駛工況對應(yīng)的電池預(yù)測工況，實現(xiàn)基于電動汽車工況識別與預(yù)測的SOE估計。仿真結(jié)果驗證了該方法的有效性。

目前，電動汽車已經(jīng)成為科研與汽車產(chǎn)業(yè)界的熱點，但電汽車的“里程焦慮”問題限制著其發(fā)展[1]，荷電狀態(tài)（State-of-Charge,SOC）作為動力電池剩余荷電量的指標參量被廣泛地應(yīng)用于電動汽車中，具有提醒用戶及時充電的功能。

但由于在放電工況下動力電池的端電壓呈現(xiàn)下降趨勢，使得動力電池在SOC較大區(qū)間內(nèi)的能量（W×h）供給能力降低，進而在電動汽車運行過程中SOC指標表現(xiàn)出加快下降的趨勢。以SOC作為充電指標參量，容易導(dǎo)致充電時機的誤判，給電動汽車用戶造成了諸多不便。

動力電池的能量狀態(tài)（StateofEvergy,SOE）作為電動汽車W×h單位尺度上剩余能量的比例參數(shù)，是電池能量供給能力的直接描述，將其作為電動汽車用戶充電指標參量更具優(yōu)勢。

目前，電池SOE估計方法通常為SOC估計算法的應(yīng)用拓展，利用SOC與SOE的映射關(guān)系估計電池SOE[2,3]，然而通過SOC換算得到的SOE并不準確，這是由于動力電池在實際應(yīng)用中，隨著車輛行駛工況的改變將造成不同程度的能量損耗，使得動力電池的實際供給能量產(chǎn)生變化。因此，基于未來車輛行駛工況預(yù)測的動力電池剩余可用能量狀態(tài)（SOE）更具實際意義。

而未來車輛行駛工況預(yù)測的前提是歷史車輛行駛工況的識別，為此本文進行了基于電動汽車工況識別預(yù)測的鋰離子電池SOE估計的研究。

電池模型是進行電池狀態(tài)估計的基礎(chǔ)，主要可以分為電化學(xué)機理模型[4,5]、經(jīng)驗?zāi)Ｐ蚚6,7]和等效電路模型[8,9]三類。其中，因等效電路模型具有便于分析應(yīng)用，通用性好的優(yōu)點，取得了廣泛應(yīng)用。

本文基于電池等效電路模型進行SOE估計算法研究，提出了基于模型的電池剩余能量狀態(tài)（StateofResidualEnergy，SOR）估計算法、基于信息熵理論的行駛工況識別算法以及基于馬爾科夫鏈理論的行駛工況預(yù)測算法；構(gòu)建了電動汽車系統(tǒng)模型，獲取電池預(yù)測工況，實現(xiàn)了基于工況識別與預(yù)測的SOE估計；仿真結(jié)果分析、驗證了算法的精度。

圖1鋰離子電池等效電路模型結(jié)構(gòu)

圖2電動汽車系統(tǒng)模型

圖3電池SOE估計算法示意圖

結(jié)論

本文提出了一種基于電動汽車工況識別與預(yù)測的鋰離子電池SOE估計算法。

首先，基于電極阻抗譜理論，構(gòu)建了不同階次電池等效電路模型，并應(yīng)用GA算法實現(xiàn)了模型參數(shù)辨識；

其次，基于AUKF，提出了基于不同階次電池模型的SOR估計算法，仿真結(jié)果表明，該算法可以實現(xiàn)迅速收斂；

再次，應(yīng)用FCMIE算法，實現(xiàn)了電動汽車行駛工況的識別，并采用基于馬爾科夫鏈理論的行駛工況預(yù)測算法，得到了電動汽車預(yù)測行駛工況，仿真結(jié)果表明，該算法預(yù)測工況效果良好；

最后，將不同階次電池等效電路模型集成于電動汽車系統(tǒng)模型，仿真獲取了電動汽車預(yù)測行駛工況對應(yīng)的電池預(yù)測工況，進行了電池預(yù)測工況下的電池能量損耗率的計算，繼而實現(xiàn)了電池SOE的估計。

SOE估計方均誤差在2.45%以內(nèi)，本文提出的電池SOE估計算法具有良好效果。