《基于里程的电动汽车电池荷电状态随机预测.》由会员分享，可在线阅读，更多相关《基于里程的电动汽车电池荷电状态随机预测.（13页珍藏版）》请在金锄头文库上搜索。
1、基于里程的电动汽车电池荷电状态随机预测摘要:对于电动汽车（EV）的运行来说，消费者最关心的是车载电池的可用电量能否维持一个特定的行程。在可预见的将来，充电设施建设仍然相对较少。相对于往油箱加油的时间来说，电池充电的时间明显更长。因此，事先预测特定行程的电池能量需求对电动汽车的运行来说具有现实意义。在本文中，我们提出了基于GIS和ITS数据的行驶方案来估算电池SOC的变化。特别是,本次研究中计入了行驶数据的随机性。对于电动汽车的电池组来说，通过综合随机的行驶工况，车辆驱动状态，电池动态特性，在整个工作范围内估算电池SOC的随机变化。其结果表明，对于整个行程来说，估算SOC变化的随机性。假设一个近
2、似恒定的加速模型，并且以相关参数建立高斯数学模型。通过驾驶试验数据建立概率模型。对于一个特定的行程，SOC随机变化的特征是通过蒙特卡罗进行评估的。本文提出的方案在Greater Milwaukee 地区通过电动汽车模型的往返试验进行了验证。使用历史数据建立单个行程段驾驶循环的随机模型。仿真结果表明，对于所举例子中的行程，SOC的变化是33.4% 6.4%，可信度达到95%。关键词：电动汽车，荷电状态，随机建模，行程建模引言 面对能源与环境可持续性的挑战，我们需要找到可持续发展的解决方法。随着可再生能源的日益发展，将电气化作为清洁交通的可行方案已经出现了。因此，插电式混合动力电动汽车（PHEV）
3、和电动汽车（EV）的发展已经引起相当大的关注。PHEV和EV都具有大型车载电池，并且逐渐发展到全电动范围（AER)。他们可以在任何和需要的时候接入电源。相比于插电式混合动力电动汽车（PHEV),电动汽车（EV)具有无发动机及其相关动力传动系组件的优点，并且使短程行驶的成本更低。但如果延长行车距离，车载电池组的大小可能会使成本增加。此外，相比于并联结构的混合动力汽车，电动汽车（EV)具有单一的动力源。也就是说，如果电池不能提供电量的话，那么车辆也就不会行驶。本研究的目的在于解决电动汽车运行的一个实际问题：当电动车驾驶员启动车辆，已知目的地，根据车载电池的电量来判断该电量能否维持计划行程。这类问题
4、是驾驶员高度关注的问题。首先，当前EV/PHEV的充电基础设施还远远不够。虽然车载充电器与普通电源插头兼容，但在任何地方进行充电并不总是可能的。其次，电池“加油”（充电）时间比给油箱加油的时间长。不便于便驾驶员在中途停下来进行充电。对于商用车驾驶员，这样停下来可能带来较大的不便和损失。众所周知，HEV/PHEV/EV的运行效率受行驶工况的影响。 现在已经有智能交通系统（ITS），地理信息系统（GIS）和地理定位系统（GPS），并且使里程预测功能集成到HEV/PHEV电源管理中。 在仿真研究中使用在燃油经济性方面有显著优势的HEV/PHEV。在一个特定行程中，对电动汽车电池荷电状态进行预测，集成
5、使用车载GPS。然而，在该系统中的预测本质上是基于给定路段的标准行程信息进行预测。尤其在交通高峰时段，实际的交通状况明显与标准信息不同。考虑到SOC预测的变化，随机估算更适合于特定行程SOC的预测。在给定行程置信区间内根据得出的解决方案估算SOC的变化。这样估算的信息能够帮助驾驶员确定车载电池电量能否维持一个特定行程。本研究中，行程中的驾驶工况主要分为三个方面：匀加速，（约）匀速，匀减速。通常，他们都可以看成匀加速状况。 根据行驶工况的历史数据，我们可以为加速工况建立近似概率模型。用蒙特卡罗方法来获取特定行程SOC变化的概率评估。本文其余部分的安排如下，第二节是电动汽车和电池动态建模。第三节包
6、是行程建模，反映了电动汽车在给定的某两个位置之间的行程预测的道路需求。第4节定义了随机过程，并描述了产生电动车电池荷电状态变化的随机模型的重要组成部分，并给出了具体行程预测工具。第五节给出了仿真结果，最后一节给出结论和讨论。电动车和电池的动态建模电动汽车的电池保证了汽车的特定行程。行程建模后，对于给定的行程段，可获得速度分布图（行驶工况）。SOC的估算需要对应该预测行驶工况的转矩或功率曲线。从行驶工况推导扭矩/功率曲线，需使用车辆牵引力。Tm=2AfCdgv2+Mrg+Mgsin+Mv (1)其中，M是车辆的有效载荷质量, Tm=电动机扭矩（NM)，是速度, 是空气密度，Af是车辆的有效面积，
7、Cd为空气阻力系数, r是滚动阻力系数,是道路级，重力加速度g=9.8ms2。 例如该仿真行程，轮胎牵引力曲线如图1。忽略电动机本身的动态变化，并且其性能看成一个非线性映射。如图2所示，从ADVISOR获得了电动机在本研究中的效率图。如图3所示,包括效率在内，电动机相关的参数，例如速度，扭矩和功率就可以推导出来。图1 仿真行程牵引力分布图电池SOC定义为电池的剩余容量Q0与电池总容量Q(t)的比值。电池的SOC动态描述为。SOCk+1=SOCk-Voc-Voc2-4(Rint+Rt)Tmmm-sgn(Tm)2(Rint+Rt)Qb （2）其中， Voc=电池总的开路电压，m电动机速度（弧度/秒
8、），m=电动机效率，Rint =电池内阻()，Rt =终端阻抗(), Qb=电池容量(Ah)。图2 电动机效率图图3 电动汽车仿真行程电动机输出概况图4 电动汽车电池功率流向图5。仿真行程电池电源概况图6 电池SOC随时间和距离的变化电池能量消耗和能量制动再生过程都发生在车辆运行期间。 图4说明了功率的流动方向。图5显示电池的功率曲线。图6说明了在给定的仿真行程中电池SOC随时间和距离的变化。表1 电动汽车仿真参数车辆加两名乘客的质量1560kg电动机和轴之间的传动比11:1阻力系数0.28车轮摩擦系数0.0048车辆的迎风面积1.8m2齿轮效率95%轮胎半径0.3m重力加速度9.8ms2直流
9、电动机20kW电池容量10Ah由于电动机本身的转动惯量使得车辆的质量增加了5%。车辆的阻力系数取决于车辆的建模方式，它可以从0.19（低风阻EV）变化到0.7（负载货车）。本研究中阻力系数设定为0.28。本研究中，采用10安的电池组，开路电压为362.8V。 对于该行程，电池组的SOC从高到低变化。行程建模本节介绍行程建模方案，作为匀加速预测电池SOC的模型基础。它主要侧重于把行程数据分割成小片段，以便归类成三个部分：1）加速;2）减速，以及3）匀速。行程建模的目的是要找到每个行程的驾驶循环（如行驶速度，时间，加速度和减速度）。任何两个位置之间可以得到一个驾驶循环。然后对于给定的一对出发地和目
10、的地，在GIS中用一些最佳搜索器来搜索驾驶路径，然后就可知道每个路段相关道路段信息如长度，坡度，最高速度和路口/红绿灯分布。对于主干道和快车道的信息，则可以从路边的传感器获得历史和实时交通信息。根据这些数据进行行车速度和行车流量建模。获得这些信息后，就能够得到所需的驱动周期，并进行仿真和进一步的分析。行程建模还要考虑当地道路和快车道两种不同的情况。在图7中，使用全球定位系统，对于特定的出发地和目的地，可以得到特定路段任何一天或一天中任何时间的所有速度。这有助于在仿真研究中获得真正的驾驶周期的数据。图7 六天不同的驾驶循环从GPS采集数据后，需要分析分割行程之前电池SOC的变化。整个驾驶循环可以
11、分为加速段，匀速段和减速段。对于每一段，可以得到总行程时间和总长度。从行程分割的观点来看，特别是考虑到GIS和GPS技术同步处理，这将更有利在空间域中工作。对于分割，需要特别注意的是当地道路的交通信号灯和高速公路的坡道指示灯。交通信号灯有两种情况：绿灯时，车辆通过，红/黄灯亮时，车辆将停止。在车辆速度相差较大的两种情况下，为了使随机分析更精确，因此对这两种情况进行单独处理。如图8所示，整个行程被分为18段。每段要么是加速或匀速或减速。详细的分割数据汇总于表2中。匀速段，并不意味着它是一个完全匀速段，它是大约匀速段。在第3段有一个红绿灯，并在第6段有一个通往高速公路的开/关坡道灯。相比于其他分部
12、，这些部分的SOC分析有所不同。由于驱动周期的数据是在上午发车时间7:30获得，所以，由于交通条件在高速公路上有明显的减速路段。另外，段数越多，随机SOC预测模型将越好，接下来进行详细解释。图8 行程分段图 表2 行程分段汇总路段行程距离路段类别道路长度（米）道路长度（英里）1513.1加速 513.10.31882621316匀速802.90.49889931924停止6080.37779442508减速5840.36288152929匀速4210.26159763670坡道灯7410.46043675291加速16211.00724386928匀速16370.01718597605减速67
13、70.420668108755加速11500.714577119780减速10250.6369051211810匀速20301.2613841312730减速9200.5716611414300加速15700.9755531518210匀速39102.4295611619640减速14300.8885611720240加速6000.3728231820610减速3700.229907特定里程的SOC预测进行特定里程的SOC预测，使用随机模型驾驶循环数据。分析驾驶循环数据，每个取样实例都有速度数据。对于给定的时间间隔以及行程时间和速度，可以计算出在该时间间隔内加速度和距离。对于每一段行程，选择某
14、一特定类型的驾驶循环模式，加速，匀速，减速，相关参数假设为随机过程参数，则可估计每个环节电池SOC的消耗。通过整合所有行程段电池SOC变化，才能确定总的SOC下降。基于行程段参数概率估计的蒙特卡洛方法，上述特定行程的SOC变化可以重复许多次，从而确定SOC变化的概率分布。基于蒙特卡罗方法的特定SOC随机变化估算过程总结如下。步骤1：确定可能的输入领域，在这种情况下，从多天驾驶循环的数据可以得出加速段和减速段加速度的均值和标准偏差和以及匀速段的速度均值和标准偏差。此外，各段的行驶距离限制各个分段的数目。步骤2：使用第1步中的平均值和标准偏差，并且由于每个环节受行驶距离的限制，产生一个随机值，这在
15、本质上代表每辆车通过了每段运动。步骤3：为了确定电池荷电状态下的变化，这些定义的随机值被反馈到每个阶段电动车模型中。步骤4：给定行程的起点和目的地，结合每条路段的SOC计算出整个行程的SOC。步骤5：多次重复步骤2到步骤4，得出整个行程电池荷电状态变化的近似密度函数。通过执行此步骤，会产生许多类似给定实际情况驾驶循环统计特性的驾驶循环。因此，对于这个随机模型，每个路段的恒定加速度定义为依附于每个路段测量数据的统计特性，这里的加速度的波动受零均值和标准差a影响。推导出每个路段的加速度公式： at=a+(0,a) （3）其中，a(t)是各段的加速度，a是各测量段的平均加速度，a是各加速段的标准偏差，t（0，a）是具有零均值和标准偏差a的高斯随机过程样本。该速度可以通过在给定时间内积分加速度来计算，即：vt=-ta(t)dt=0ta()d+v0
