基于Simulink仿真平台的电动汽车容量融合估计研究

针对传统锂离子电池容量估计精度不高且鲁棒性较差等问题，提出了一种基于经验模型与数据驱动反馈校正的容量融合估计方法。利用公开的NASA电池数据集获取锂离子动力电池的容量老化数据，首先采用容量在线辨识的方法对电池容量进行初步估计，在此基础上使用阿伦尼乌斯模型拟合容量衰减曲线。最后采用双卡尔曼滤波分别进行模型参数修正和容量估计。结果表明，本文提出的融合估计方法在实现容量连续预测的同时也提高了容量估计的精度和鲁棒性。适用于电动汽车BMS健康状态估计，在电动汽车领域有较好的应用前景。

随着全球气候变化和环境问题日益严重，新能源汽车已成为汽车产业发展的必然趋势。作为新能源汽车的重要组成部分，电动汽车因其零排放、低能耗和高性能等优点，逐渐受到消费者的青睐。锂离子动力电池具有能量密度和功率密度高、循环寿命长、自放电倍率小以及对环境友好等特点[1]，因而被广泛地用作电动汽车的驱动部件。但是随着充放电循环地进行，电池的容量也会逐渐衰减，最终带来的后果是续航里程减少，功率衰减，甚至引发安全事故。所以电池容量的准确估计对于其性能和安全性具有至关重要的作用[2]。因此，对电池容量进行估计研究具有重要的实际意义。

目前，锂离子动力电池容量估计的主流方法大致可以分为基于经验模型的方法与基于数据驱动的方法两大类[3]。基于经验模型的方法包含了电化学模型，机理模型、等效电路模型等具有明确参数的数理化模型[4]；而基于数据驱动的方法则是从数据角度出发，通过大数据驱动，再结合算法来实现基于数据输入和容量输出响应。两种方法各有优劣，基于经验模型进行容量估计的方法模型简单，计算量较小， 但是经验模型是开环模型，所以在进行容量估计时容易出现参数失配的问题[5]。基于数据驱动的容量估计方法无需考虑电池的衰减机理，可以实现容量的闭环估计，但是只可以进行当前状态的容量估计，无法实现实时预测。结合这样的背景，本文的容量融合估计方法考虑将二者相结合，建立容量融合估计模型，使两种容量估计方法各自取长补短，在提高容量估计精度的同时实现连续预测。

综上所述， 为了提高容量估计的精度和鲁棒性， 本文基于Simulink 仿真平台搭建容量融合估计模型。

该模型将容量在线辨识得到的结果作为阿伦尼乌斯模型的输入，通过两个卡尔曼滤波分别进行模型参数的修正和容量的更新。与传统的基于经验模型或者数据驱动算法的容量估计方法相比，该模型融合了两种容量估计方法的长处，在保证估计精度与鲁棒性的同时也实现了容量的连续估计，具有一定的研究和应用价值。

2. 容量老化数据提取 为了实现融合估计的目标，本节需要为融合估计模型的验证和精度检验提供数据支持。然而电池的循环老化是一个漫长的过程，考虑到其时间周期较长，所以本文选用公开的NASA 电池老化数据集作为模型验证的数据输入，通过NASA 数据来验证该模型的可行性以及计算精度，减少实验的时间和成本。