基于SK-PSO-RBF的纯电动汽车动力电池SOC及剩余里程的预测研究

摘要

纯电动汽车具有污染低、噪音小、运行平稳等显著优点,使之成为公认的引领未来汽车工业发展的方向，其中动力电池系统管理技术的研究与创新是当前的热点课题。电池荷电状态（SOC，state of charge）是电池管理系统（BMS,battery management system）的关键参数之一，它是监测、评估电池寿命、健康状态的主要信息源，同时SOC还与电动汽车的剩余行驶里程有高度相关性。对普通驾驶者来说，纯电动汽车剩余里程的实时预测值是用户最关切的参数之一，它能帮助车主避免出行中的断电尴尬，并有效消除驾驶人因担心续航里程而产生的里程焦虑。因此精确、稳定、迅速地预测电池的SOC，以及在此基础上实时预测剩余里程值具有重要的理论意义和实用价值。 纯电动汽车的荷电状态、剩余里程预测具有误差大、非线性关系难以拟合、计算量大、理论模型复杂、响应速度慢、硬件要求高、自适应性差、实用性差等特点。本文针对现有主流的在线实时预测方法，都存在动态数据采集复杂、系统响应速度慢、硬件要求高、预测误差较大等缺点，借鉴股市预测思想，提出了一种新的预测方法，把SOC、剩余里程预测研究设定在动态私人定制工况（本文自定义的一种特殊工况，详情见1.4节）下，建立建立SK-PSO-RBF算法模型，以及相应的修正模型，得到实时预测值，从而降低模型算法复杂程度，减少计算量，提高实时性和减小误差。本文以某电动汽车公司研制的一款纯电动普通轿车为研究对象，设定一个自定义的动态私人定制工况，分别采集数据:电池端电压(Ub)、电池端电流(Ib)、温度(T)、载荷(L)、车速(V)、道路坡度、车载设备的耗能和已行驶里程(S)等相关参数,然后随机选择1500组数据进行模拟测试。 本文的核心为：（1）借鉴股市预测思想，在自定义的动态私人定制工况下，进行数据采集、模型训练、测试。（2）利用九宫格算法对粒子群算法(PSO,Particle Swarm Optimization)的参数组合(个体影响因子c1，社会影响因子c2)进行优选，接着再根据优化的PSO算法优选出径向基函数(RBF，Radial Basis Function)神经网络的隐含层中的隐节点的高斯函数中心向量（ci）、标准化常数（δi）和输出层权值（wi），建立SK-PSO-RBF算法模型。根据不同工况，优选出误差和聚类效果最好的三个参数组合作为训练结果，并根据工况及时更新参数，使预测结果具有动态自适应性。（3）以端电压、电流、温度、为输入，以SOC为输出，建立九宫格优化SK-PSO-RBF-SOC预测模型，得到SOC。（4）以端电压、电流、温度、载荷为输入，以剩余里程为输出，建立九宫格优化SK-PSO-RBF-Sre预测模型，得到剩余里程动态值。（5）然后在动态私人定制工况下，定义动态自适应的标准容量和动态自适应的标准续驶里程。（6）最后建立非必要能耗数学模型、续驶里程-车速矫正数学模型、应急处理模型对剩余里程加以修正，得到最终剩余里程的预测值。 通过该型纯电动车试验测试值与算法的预测值比较，SOC的最大相对误差为3.9%，剩余里程的最大相对误差为4.2%，剩余里程的最大绝对误差是8.295公里，预测精度较现有其他方法有显著提高，有更快的运算速度,同时具有动态自适应性、智能化的特点，课题研究达到了预期目的。

目录

声明

第一章 绪 论

1.1 课题的研究背景和意义

1.2 研究现状

1.3 研究内容、目标和关键问题

1.4采取的研究方法与技术路线

1.5 课题研究的重点、难点及创新之处

第二章 电动汽车动力电池实验与相关分析

2.1 动力电池的发展及分类

2.2 三元锂动力电池工作原理

2.3 三元锂电池特性分析

2.4 本章小结

第三章 基于SK-PSO-RBF优化的SOC预测

3.1 主流的SOC预测方法

3.2 SK-PSO-RBF算法预测SOC

3.3 试验测试及分析

3.4 本章小结

第四章 基于SK-PSO-RBF优化的剩余里程预测

4.1 剩余里程

4.2 剩余里程预测算法分类

4.3 续驶里程相关的特性因素

4.4 SK-PSO-RBF算法预测剩余里程

4.5 测试算法函数的拟合性能

4.6 AVL Cruise EV剩余里程仿真

4.7 试验对比分析

4.8 本章小结

第五章 总结与展望

5.1 总结

5.2 展望

参考文献

致谢

攻读学位期间的研究成果