基于单位电量行程和电池老化修正的续驶里程估计方法

技术领域

本发明涉及电动车辆的电池管理技术领域，特别涉及基于单位电量行程和电池老化修正的续驶里程估计方法。

背景技术

近年来，尽管电动汽车得到了快速的发展，但其续驶里程估计不准的问题仍然十分严峻，它极大地影响用户的驾驶体验，制约了电动车辆的普及。真实驾驶工况下准确、实时的续驶里程估计有助于缓解驾乘人员的＂里程焦虑＂，增强电动车辆进一步推广的信心。

目前实际应用的续驶里程估计一般通过当前电池剩余能量和NEDC工况下的平均公里能耗进行计算。专利申请号为CN202011375247.3的发明公开的一种基于工况识别的电动车续驶里程计算方法，采用的就是基于NEDC工况确定初始里程再结合实时工况识别进行修正。然而，实际中的电池剩余能量估计误差会随积分过程不断累积，并且由于真实驾驶中工况复杂多变，采用恒定平均公里能耗无法保证估计精度。另一方面，有研究采用机器学习方法进行行驶数据片段的能耗计算，但是这需要对训练数据进行繁琐的预处理步骤，方法成本高，计算复杂，对开发技术要求较高，目前很难应用于实际。此外，电池老化极大地影响着电池性能，而当前的续驶里程估计方法并未考虑电池老化。专利申请号为CN202210689260.9的发明公开的一种电动车续驶里程预测方法和相关装置，采用的是基于电动车所处的环境温度修正电池剩余电量，进而预测车辆的续驶里程，只考虑当前环境温度而忽略了电池的生命周期进行能量修正，显然是不够准确的。综上所述，目前需要一种结构简单，计算量小，且考虑电池老化影响的续驶里程估计方法以提高估计精度。

发明内容

为了克服上述现有技术的缺陷，本发明的目的在于提供基于单位电量行程和电池老化修正的续驶里程估计方法，该方法基于单位电量行程和电池老化修正，考虑了电池老化影响，计算量小，易于实际应用。

为了达到上述目的，本发明的技术方案为：

基于单位电量行程和电池老化修正的续驶里程估计方法，包括以下步骤：

步骤(1)，电池SOC在线估计

首先，建立等效电路模型，基于实测的电压、电流数据，采用递推类算法在线辨识模型参数；然后，将动态电池模型与卡尔曼滤波类算法相结合完成在线SOC估计；

步骤(2)，电池SOH定期更新

首先，对电池进行循环老化实验，收集电池老化数据集；然后，基于电池恒流充电过程提取与SOH强相关的健康指示特征，选择机器学习模型进行训练并保存；最后，在固定的日期节点调用已完成训练的模型估计当前电池的SOH，完成电池SOH的定期更新；

步骤(3)，单位SOC行程估计

基于历史行车数据计算每单位SOC所行驶的距离作为经验值；基于当前行程数据计算单位SOC所行驶的距离；最后，将两者信息进行融合得到最终的单位SOC行程估计值；

步骤(4)，续驶里程估计

首先，在预先设定的更新时间节点，采用步骤(2)所述的方法更新车辆电池系统当前的SOH值；在车辆行程中，采用步骤(1)所述方法对车辆进行实时的SOC估计，并用SOH值对SOC估计值进行修正；然后，基于当前行程数据，结合步骤(3)所述方法计算当前单位SOC行程估计值；最后，SOC估计和SOC行程估计值二者的乘积即为最终的续驶里程估计值。

步骤(1)的具体步骤包括：

步骤(1.1)、建立电池的等效电路模型；所建立的一阶RC等效电路模型中，E

其中：

步骤(1.2)、模型参数在线辨识；根据车辆内置的传感器实时采集的电池电压、电流数据，采用递推最小二乘法在线辨识模型参数，得到实时在线更新的动态电池等效模型；

步骤(1.3)、在线SOC估计；基于动态电池等效模型，以传感器采集的电池电压电流数据为输入，采用扩展卡尔曼滤波算法实现在线SOC估计。

步骤(2)的具体步骤包括：

步骤(2.1)、收集电池老化数据；对电池进行循环老化实验，记录电池每个老化循环的电压、电流数据，形成电池老化数据集；

步骤(2.2)、电池健康特征提取；基于老化数据集的恒流充电过程，分析电压、电流数据与电池老化的演变规律，提取与电池老化强相关的健康特征，包括固定电压段的充电时间、平均电压特征；

步骤(2.3)、数据驱动模型训练；选取支持向量机数据驱动模型，建立所提取的健康特征和电池SOH之间的映射关系，离线训练模型并保存；

步骤(2.4)、电池SOH定期更新；预先设定更新周期，在需要更新的时间节点，基于电池的充电过程，利用离线训练的模型估计电池当前的SOH，完成电池SOH的定期更新。

步骤(3)的具体步骤包括：

步骤(3.1)、计算单位SOC行程经验值；根据车辆历史的出行数据，计算每单位SOC所行驶的平均距离，作为单位SOC行程经验值l

步骤(3.2)、计算当前单位SOC行驶距离；根据本次出行的行驶数据，计算每单位SOC所行驶的距离l

步骤(3.3)、单位SOC行程估计；将步骤(3.1)和步骤(3.2)的单位SOC行驶距离进行信息融合得到最终的单位SOC行程估计值，计算方法为：

l＝α·l

其中α为计算单位SOC行程的权重。

与现有技术相比，本发明采用以上技术方案具有以下技术效果：

(1)采用卡尔曼滤波算法进行在线SOC估计，收敛速度快，最大估计误差小于2.5％。采用机器学习模型进行在线SOH估计，从而对SOC在线估计值进行修正，克服随电池老化导致的电池容量衰减对于SOC估计精度的影响，保证了电池全生命周期的SOC估计的准确性，进一步保证后续的续驶里程估计的准确性。

(2)本发明提供的续驶里程估计方法在日常行驶条件下，最大估计误差在3km以内，行程末段的估计误差保持在1km以内。整体估计精度高，很大程度上缓解了用户的“里程焦虑”。

本发明利用电池当前SOC和历史单位SOC的行驶里程估计车辆的续驶里程，并定期进行电池SOH估计校正因电池容量衰减导致的SOC估计误差，具有模型结构简单，计算量小，估计精度高，易于车载BMS实现。

附图说明

图1为本发明基于单位电量行程和电池老化修正的电动车辆续驶里程估计方法的流程示意图。

图2为本发明步骤(1)所建立的一阶RC等效电路模型示意图。

图3为本发明验证案例中使用扩展卡尔曼滤波算法估计SOC的结果图。

图4为本发明验证案例中电池SOH估计结果图。

图5(a)为本发明基于单位电量行程和电池老化修正的电动车辆续驶里程估计方法的续驶里程估计结果图；图5((b)为估计误差图。

具体实施方式

下面结合附图对本发明的技术方案做进一步的详细说明。

本发明可以以许多不同的形式实现，而不应当认为限于这里所述的实施例。相反，提供这些实施例以便使本公开发明透彻且完整，并且将向本领域技术人员充分表达本发明的范围。

如图1所示，本发明提供了一种基于单位电量行程和电池老化修正的电动车辆续驶里程估计方法，包括以下步骤：

步骤1)，电池SOC在线估计。首先，建立等效电路模型，基于实测的电压、电流数据，采用递推类算法在线辨识模型参数；然后，将动态电池模型与滤波类算法相结合完成在线SOC估计。

具体实施方式如下：

步骤(1.1)、建立电池的等效电路模型。所建立的一阶RC等效电路模型如图2所示。其中，E

其中：

步骤(1.2)模型参数在线辨识。根据车辆内置的传感器实时采集的电池电压、电流数据，采用递推最小二乘法在线辨识模型参数，得到实时在线更新的动态电池等效模型。

步骤(1.3)在线SOC估计。基于动态电池等效模型，以传感器采集的电池电压电流数据为输入，采用扩展卡尔曼滤波(EKF)算法实现在线SOC估计。

步骤(2)，电池SOH定期更新。首先，对电池进行循环老化实验，收集电池老化数据集；然后，基于电池恒流充电过程提取与SOH强相关的健康指示特征，选择合数据驱动模型进行训练并保存；最后，在固定的日期节点调用已完成训练的模型估计当前电池的SOH，完成电池SOH的定期更新。

具体的实施方式如下：

步骤(2.1)、收集电池老化数据；对电池进行循环老化实验，记录电池每个老化循环的电压、电流数据，形成电池老化数据集。

步骤(2.2)、电池健康特征提取；基于老化数据集的恒流充电过程，分析电压、电流数据与电池老化的演变规律，提取与电池老化强相关的健康特征，包括固定电压段的充电时间、平均电压特征。

步骤(2.3)、数据驱动模型训练；选取支持向量机数据驱动模型，建立所提取的健康特征和电池SOH之间的映射关系，离线训练模型并保存。

步骤(2.4)、电池SOH定期更新；预先设定更新周期(如每月)，在需要更新的时间节点，基于电池的充电过程，利用离线训练的模型估计电池当前的SOH，完成电池SOH的定期更新。

步骤(3)，单位SOC行程估计。基于历史行车数据计算每单位SOC所行驶的距离作为经验值；基于当前行程数据计算单位SOC所行驶的距离；最后，将两者信息进行融合得到最终的单位SOC行程估计值。

具体的实施方式如下：

步骤(3.1)、计算单位SOC行程经验值；根据车辆历史的出行数据，计算每单位SOC所行驶的平均距离，作为单位SOC行程经验值l

步骤(3.2)、计算当前单位SOC行驶距离；根据本次出行的行驶数据，计算每单位SOC所行驶的距离l

步骤(3.3)、单位SOC行程估计；将步骤(3.1)和步骤(3.2)的单位SOC行驶距离进行信息融合得到最终的单位SOC行程估计值，计算方法为：

l＝α·l

其中α为计算单位SOC行程的权重。

步骤(4)，续驶里程估计。基于充电过程定期修正电池的SOH，利用实时在线SOC估计结合当前单位SOC行程估计计算最终的续驶里程估计值。

具体的实施方式如下：根据步骤(2)，在指定的时间节点更新电池当前的SOH；在车辆出行过程中，由步骤(1)实时在线估计电池SOC；根据步骤(3)计算单位SOC行程估计值；最后，将实时SOC估计值与单位SOC行程估计值相乘，得到最终的续驶里程估计结果。

综上所述，本发明公开一种基于单位电量行程和电池老化修正的电动车辆续驶里程估计方法，主要包括电池荷电状态(SOC)在线估计、电池健康状态(SOH)定期更新、单位SOC行程估计、续驶里程估计4个步骤。本发明公开的续驶里程估计方法先进行电池的SOC估计，再利用定期的电池SOH估计校正因电池容量衰减导致的SOC估计误差，结合单位SOC行程估计实现准确的续驶里程估计。本方法的模型结构简单，计算量小，估计精度高，易于车载BMS实现。本发明方法可替代现有真实场景下的续驶里程估计技术，有助于缓解用户的里程焦虑，易于产业推广与应用。

为了验证本方法的可行性与有效性，使用一辆真实的电动摩托车的一次完全行驶数据进行验证，在该段行程中，该电动车从满电状态行驶至完全放电。

图3展示了本发明验证案例中使用扩展卡尔曼滤波算法进行在线SOC估计的结果图。从图中可以看出，所采用的方法的估计值能很好地跟踪SOC真实值，在车辆的整个运行过程中，SOC估计误差保持在2.5％以内。

如图4所示，为本发明验证案例中基于支持向量机的SOH估计结果图。由图可见，所提方法在电池的全生命周期内(SOH>70％)都能很好地估计电池当前SOH值，平均绝对估计误差仅为0.81％，实现了准确的SOH估计。定期更新的SOH(老化修正)可保证准确的SOC估计，进一步保证后续的续驶里程估计的准确性。

如图5所示，为本发明基于单位电量行程和电池老化修正的电动车辆续驶里程估计方法的续驶里程估计结果图。图5(a)显示出估计值能较好地跟踪真实的行驶里程，尤其是在车辆行驶的开始阶段和最后行程段。图5(b)的误差图显示在车辆的全部行驶过程中，估计最大误差仅为3km，平均绝对估计误差为1.15km，满足实用需求。值得注意的是，在车辆行驶的最后20分钟内，续驶里程的估计误差保持在1km以内，这极大地增强了驾驶人员的驾驶信心，缓解了用户的“里程焦虑”。

本技术领域技术人员可以理解的是，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。

以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。