0 引言

    電動汽車具有低污染、低噪音的顯著特點,使之引領未來汽車工業的發展方向。但電池技術的優劣嚴重影響電動汽車的發展，其中電動汽車剩余里程的預測是關鍵技術之一。SOC是電池能量管理系統（BMS）的主要參數，它與電動汽車的剩余電量和剩余行駛路程具有近似線性關系。電動汽車的剩余里程與電池端電壓、充放電電流、電池溫度、坡度、車載燈飾的耗能、循環次數等因素有關。純電動汽車剩余里程的預測是用戶最關心的參數之一，其能有效消除駕駛員因擔心剩余里程達不到目的地而產生的里程焦慮^[1]。因此精確、迅速、穩定地預測電動汽車剩余里程的研究具有重要意義。

    目前，電動汽車剩余里程的預測主要有直接預測和間接預測兩類方法。直接預測法根據測量剩余里程的表征參數，如剩余電量、標準里程、坡度系數和車載設備耗電量等建立數學模型，直接得出剩余里程；間接預測法主要根據剩余里程與剩余SOC之間的強映射關系，在標準里程確定的情況下二者可以相互轉化，通過預測電池的SOC間接測量剩余里程^[2]。預測電池SOC的方法主要有安時積分法、開路電壓法(OCV)、卡爾曼濾波法、BP神經網絡、RBF神經網絡和模糊控制。本文針對現有方法誤差大、自適應性差的不足，基于優化OCV法及利用STM32對純電動汽車剩余里程的實時預測進行優化研究。

1 剩余里程預測原理

1.1 優化OCV法預測初值SOC₀

    當電池靜置足夠長時，能有效消除電池內部化學、電極化現象，此時開路電壓（OCV）約等于電池端電壓(U_b)^[3]。當電池靜置足夠長時，內部達到化學平衡，測得U_b-SOC數據,然后擬合出映射函數，再測得U_b，利用映射函數間接測得SOC。該方法簡單易操作，應用廣泛^[4]。如圖1所示，大量放電實驗表明，電池SOC與OCV存在近遞增關系，SOC較大階段預測誤差比較小，在SOC<0.4后誤差遞增，此時利用OCV法預測初值(SOC₀)誤差比較小^[5]。利用Isqurvefit進行擬合，得到相應的函數關系為：

1.2 剩余里程預測模型

    影響電動汽車動力剩余里程預測的因素主要有內部電池包因素(如電池端電壓、充放電電流、電池溫度、循環次數等)和外部因素(如已行駛路程、道路坡度、載荷、車載設備的耗能等)。為了精確、迅速、穩定地預測電動汽車剩余里程，優選內部因素電池端電壓U_b和外部因素已行駛路程、道路坡度與車載設備的耗能作為預測剩余里程的表征參數。

    剩余里程與剩余SOC之間具有近似線性的映射關系，在標準里程確定的情況下，二者可以近似正比關系。為了使剩余里程的預測具有自適應性，定義動態S_N和SOC_N。

    (1)標準里程S_N：電動汽車的額定行駛里程會隨著汽車本身的折舊和外部因素漸進性的改變，因此為減小累積里程誤差，定義標準里程S_N，電池容量或道路坡度里程每達到一次設定值時更新一個末值，如式(2)。

    (2)標準容量SOC_N：電動汽車電池的額定容量會隨著循環次數、溫度和健康狀態(SOH)等因素漸進減少，因此為了減小累積SOC誤差，溫度或者循環次數達每到設定值一次時更新一個末值，如式(3)。             

    在標準里程S_N和標準準容量SOC_N確定后，把其他相應參數轉化為里程參數。由式(1)可得到初始SOC₀，再轉化為初始里程參數S₀；η₁為轉化折損系數，由實驗測試得式(4)。

    (4)設備能耗里程參數的轉化：電動汽車的車載設備也會消耗電能，非必須耗能設備(如照明燈、音響和空調等)會干擾剩余里程的預測，其他必用設備已經考慮在標準里程S_N和標準準容量SOC_N中，因此不會干擾剩余里程的預測，不必再計算。把非必須耗能設備的總額定容量累積后再轉化為里程值S_con：

2 預測剩余里程硬件設計

    純電動汽車載系統設備要求在滿足功能需求時盡可能體積小、功耗低、運行快和穩定可靠。ARM嵌入式芯片STM32的處理器內核小、占用空間小、功耗低、運行穩定可靠、功能相對強大，比較適合設計的預測剩余里程^[6]。STM32103x芯片配置外部電路后能滿足標準里程S_N和標準準容量SOC_N判別與更新、端電壓U_b的檢測、位移S檢測、傾斜角α檢測、能耗設備的啟動及運行時間的檢測，最后實時計算并顯示。由于電路設計占據大量篇幅，以下優選重要外部電路設計進行介紹。

    端電壓采集：端電壓U_b在消除內部極化現象時近似等于OCV，因此可檢測U_b，取代檢測OCV(其檢測比較復雜)^[7]。 

    行駛位移采集：電動汽車行駛里程測量的精確與否對剩余里程預測至關重要，Scon、S_α和S都依靠其計算，因此對位移傳感器的精度要求較高,其采用霍爾型非接觸式轉速傳感器。考慮到電動汽車的行駛特點，STM32103x系列的外部中斷有電平觸發和邊沿觸發，在編程時，根據性能要求優選邊沿觸發方式進入中斷。

3 剩余里程預測流程

    剩余里程預測流程步驟如下：

    (1)以EV-1型純電動車為試驗對象，在UDDS工況下，不同溫度、不同核電狀態下進行，分別采集數據U_b、位移S、傾斜角α、能耗設備的啟動及運行時間t、溫度T、循環次數N，然后隨機選擇2 000組數據作為預測值和測試值。為了減小誤差，對所有數據進行歸一化處理。

    (2)初始化參數，利用式(2)、式(3)根據實際參數更新標準里程S_N和標準準容量SOC_N。采集靜止時間t，利用式(1)、式(4)計算S₀。

    (3)采集溫度T、N、S、w、α系數，利用式(5)～式(7)分別計算計S_α、S_con、S_re。

    (4)根據功能要求設計STM32103x相應電路、配置參數。

    (5)根據預測原理及硬件特點進行編程預測及試驗。

4 試驗測試及分析

4.1 試驗平臺

    以EV-1型純電動車為試驗對象，依據《電動汽車能量消耗率與續駛里程試驗方法》，以40 km/h等速進行試驗，為防止過放電損害電池包，充滿電時SOC等于1，在SOC等于0.2時停止試驗，再次充電并靜置12 h，消除內部極化現象后再繼續試驗，重復以上試驗。在UDDS工況、不同溫度T及初始SOC下進行試驗，分別采集數據U_b、S、α、能耗設備的啟動及運行時間t、溫度T、循環次數N、剩余里程S*_re。隨機選擇2 000組數據作為參數預測得S_re并與相應的試驗值S^*_re做比較。

4.2 試驗結果及對比分析

    利用OCV法、AH積分法與優化OCV法預測剩余里程對比。圖2、圖3為基于優化OCV法的剩余里程預測結果及相對誤差，誤差無累積，最大相對誤差為5.2%；圖4為基于OCV法的預測結果,最大相對誤差為13.3%，SOC較低時誤差會劇增；圖5為基于AH積分法預測結果，最大相對誤差為8.8%，誤差會累積。通過以上3種剩余里程預測法相比，表明優化OCV法預測效果相比其他兩種算法有明顯改善。

5 結論

    本文根據優化OCV法得到準確的SOC初值，并根據條件更新標準里程S_N和標準容量SOC_N，使預測誤差降低并提高自適應性；把所有影響因素參數轉化成S_N標準下的相應里程參數，單位統一，降低建立數學模型、STM32硬件設計的難度。其最大相對誤差為5.2%，相比較現有其他方法，優化效果有明顯提高，證明了該方法優化的可行性。

參考文獻

[1] HIDRUE M K，PARSONS G R，KEMPTON W，et a1.Willingness to pay for electric vehicles and their attributes[J].Resource and Energy Economics，2011，33(3)：686-705.

[2] 王艷靜，劉光明，馮超.電動汽車剩余里程估計算法研究與驗證[J].Development of Energy Science，2015，3(1)：1-7.

[3] 麻友良，陳全世，齊占寧.電動汽車用電池SOC定義與檢測方法[J].清華大學學報(自然科學版)，2001，41(11)：95-97.

[4] PILLER S，PERRIN M，JOSSEN A. Methods for state of charge determination and their applications[J].Journal of Power Sources，2001，96 (1)：113- 120．

[5] 龍宇舟，郭毅峰，韓峻峰，等.一種基于預測開路電壓估算SOC初值的方法[J].通信電源技術，2014，31(3)：14-24.

[6] 陳果，郭慶，王金宏，等.基于STM32的蓄電池檢測系統[J].國外電子測量技術，2012，31(1)：70-73.

[7] 丁力，宋志平，徐萌萌，等.基于STM32的嵌入式測控系統設計[J].中南大學學報(自然科學版)，2013，44(1)：260-265.

作者信息：

陳德海，任永昌，華  銘，黃艷國

（江西理工大學 電氣工程與自動化學院，江西 贛州341000）