外文翻译1

SystemIdentificationandEstimationFrameworkforPivotalAutomotiveBatteryManagementSystemCharacteristicsBharathPattipati、ChaitanyaSankavara、KrishnaR.Pattipati汽车电池系统辨识与估计框架的管理系统特性摘要：电池管理系统是汽车的重要组成部分。它可以保护电池、预测电池寿命、使电池工作在优良状态。电池管理系统可执行一个或多个综合任务，例如：保护电池，温度管理，充放电控制，确定充电状态（SOC），健康管理（SOH）和电池剩余（RUL）使用寿命管理等并有保持电池平衡，数据采集，通信板和板模块，以及监控和存储—历史数据等功能。本文中，我们提出了一个系统，估计电池的关键特性（如SOC和SOH，RUL）使用数据驱动的方法。我们的估计是在一个包含电容器与电阻的等效电路上通过电化学阻抗光谱测试和一个集总参数模型的混合脉冲功率特性测试得出来的。兰德尔斯电阻器电路模型通常描述的自放电和内部电池电阻，电容一般表示存储在电池充电和War-burg阻抗式扩散现象。兰德尔斯电路参数估计使用频率选择性非线性最小二乘法估计技术，而集中参数模型参数—参数的预测使用误差最小化的方法估计。我们使用向量机预测电池的容量衰减和功率衰减，表征电池健康状态并估计电池的充电状态。估计功率衰减和能量衰减的另一种方法从低电流混合脉冲功率性能测试数据，使用已被证实的集总参数电池模型构成。剩余寿命的预测是通过电池的电力支持向量回归的消失和容量衰减估计。使用一个隐藏的马尔可夫模型（隐马尔可夫模型）使用时间估计的能力衰减和电源衰减观察，得到的电池使用的可靠性分析的生存函数估计。虚拟的框架提供的一个系统的方式估计相关的电池特性所得到结果精度高。关键词：电池管理系统，隐马尔科夫模型，电池剩余寿命，充电状态，健康状况，向量机支持1.简介电池技术自从1800年第一个电池诞生开始已经有许多年的历史。由于混合动力汽车使用的增加，电池管理系统已经成为汽车领域的重要组成部分。系统的目标是将放电循环最大化运行，以及使蓄电池达到最大的工作周期[1]。汽车电池管理的要求是非常苛刻的，因为它必须对车辆的运行状态能快速反应切换充放电，以及在恶劣的和不受控制的环境也要能正常工作。此外，它还需要与其他车载系统如发动机管理系统、气候控制、通信和安全系统相连接。电池管理系统在混合动力汽车与插电式混合动力汽车的功能是不同的。他们包括监控，保持在他们的工作范围内的所有的电池个体，保护电池在失控的条件下，补偿任何失衡的电池参数，提供电池充电状态的信息（SOC）、健康状态（SOH），剩下的使用寿命（RUL）等，在满足车辆运行模式的变化的情况下提供最佳的充电算法等。本文的目的是为电池的三个重要参数SOC,SOH,RUL的估计开发一个系统的程序。诸如电池寿命、剩余电量、电池状态、充电时间、电池影响因素等对于不同电池而言都是不同的。与满电状态的电量比较让用户更直观的知道再次充电之前电池还能使用多久。电池中的剩余容量的测量，是用来确保最佳的充电/放电过程。在电池的寿命期间，由于不可逆的物理和化学变化其“健康”逐渐恶化，直到最终电池不再使用或死亡。SOH指数指示的是电池是否还能继续在其额定输出电压的情况下继续使用，它是与新电池相比较而得出的。它是电池能否处理紧急情况与是否需要维修的重要指标。我们将对容量衰减和功率衰退的电池采用SOH措施。准确预测电池剩余寿命是提前根据电池状态维修电池的关键。现有研究：1)电池的关键指标和其估计方法：充放电速率、磁滞现象、温度、单体年龄、电量损耗与电池内阻等都是影响充电状态的因素。SOC并不能直接测量得出需要通过其他数据推算。现阶段有许多估计SOC的方法。有些是根据特定的电池单体。大部分方法根据易于得到的与SOC有关的数据估计。在表一中总结了一些常用的方法。方法应用场合优势缺陷查表法镍镉电池与已知SOC的电池比较对电池与操作环境的要求较高，要求电池处于满电状态分流法锂电池、镍氢电池、铅电池易于操作，较少的估算时间对电池与操作环境的要求较高放电法用于新电池容量的测量简单准确，与电池健康状态无关要求电池处于满电状态、时间长、损耗电池电解质的物理性质（密度、浓度、颜色等）铅电池、溴化锌电池对电池状态无要求、可知电池健康状态温度与杂质影响较大库伦数法所有电池均适用当校准点足够，电流测量准确时精确对副反应敏感，需要固定的校准点开路电压铅电池、锂电池、溴化锌电池对电池状态无要求、成本低，可知开路电压检测时间较长电压陡降复升铅电池可测量电池电量对电池和操作环境要求高线性模型铅电池、光伏电池对电池状态无要求、易于操作需要标准数据阻抗谱所有电池均适用可知电池健康状态和电池质量对温度敏感，成本高内阻法铅电池、锂电池、镍氢电池可实时测量、可知电池健康状态适用区间短人工神经网络法所有电池均适用对电池状态无要求需要同种电池的参数、反向传播算法收敛速度慢模糊逻辑所有电池均适用对电池状态无要求隶属函数的定义是非常主观的，不适用于大型模型卡尔曼滤波器所有电池均适用对电池状态无要求、动态测量难以实现的滤波算法、需要考虑的因素多Pop博士提出的SOC实时评价锂离子电池系统直接将测量电激励力平衡状态与库伦计数法相结合Kim实现了一种基于简单的蓄电池模型的非线性条件下的鲁棒跟踪滑模观测器。使用现有的测功机进行测试得到的误差在大多数情况下小于3%。在一项最近的研究中，他提出了一种快速时变的双滑模观测器来估计片上系统的终端电压、偏振和慢时变，根据观察的结构估计容量衰减和电阻恶化对电池健康状态的影响。确定电池的SOH适应性是很重要的，混合动力汽车的运行与电动汽车的运行需要最贱的能量管理与电池诊断效率。一般来说，他是用要推导得出电池系统的功能是处于它的初始（额定）和结束（失败）的状态。SOH反映的是电池与新电池在一些特定性能能力的比较的结果。比较的内容包括:充电能力、内阻值、电压、电池内部损耗。因此，了解电池的健康状态对于降低由于电池老化而带来的损失的风险有很大的帮助。实际上，电池健康测量都是对于电池单体进行的无论是阻抗还是内导。为追求准确度，有的人主张测量几个单体参数，SOH参数的估算是这些因素的综合。如果可能的话参数的例子有容量，内部电阻，自放电，充电接受，放电能力，电解质的流动性，和周期计数。数据取决于构成电池的物质。加权是基于许多因素的，在应用程序中的特定参数是使用电池的过程中特定的一些。任何数据的误读都会影响最后的结果。一个电池的性能可能很好，但其内阻有可能很高。在这种情况下，电池健康状况就不是这么准确。类似的情况说明电池有很高的自放电以及其他的一些缺陷。对电池单体的得分进行比较，用点分配的方式得出一个百分比的成绩。另一种说明电池健康状态的方法是通过电池历史数据的分析而得出的，而不是仅仅只是测量某些参数。充放电循环次数是一个明显可以使用的数据，但它不考虑电池所经历的任何极端操作可能会影响到它的功能。然而，这些记录的持续时间电池可能在高电压、大电流以及高温的环境下使用过。因此，电池健康状态可以由测量参数的加权得到。Bhangu采用扩展卡尔曼滤波器来估计在大容量电容的变化，它可以显示电池的充电能力随着时间的推移而损失的程度，因此可以成为SOH的检测手段Do[10]等人提出一种基于扩散卡尔曼滤波的参数观测电路电池模型实时识别方法。他们建议在瓦博格阻抗模型中增加RC电路的数量改善低频性能。但是，在二代的锂离子电池的试验中过多的rc电路会导致参数出现问题，此外，扩展卡尔曼滤波器会出现初始化的问题和协方差矩阵过于简单。Vebrugge等人[11]认为一个良好的高频电阻器（最小二乘法）必须将标称值规范化，并且用一个函数表示温度与SOC的关系，SOC是个不易变化的值，电阻的高频自适应采集可以用来评估SOH。高频电阻的增长可以预期商业上电动汽车与半电动汽车的电池的剩余电量。Goser等人[12]导出了一种基于神经模糊网络的一个自组织特征映射来处理模糊系统中的数据。自组织特征映射用无监督聚集技术组织数据。从自组织特征映射到模糊系统的数据处理，该系统的反应与适应性都有提升（即神经网络与模糊系统的结合）Goser等人的系统体系为：现将数据输入规则成层再去模糊化，经过这两层后再采用部分神经网络算法。Buchmann实现了基于神经模糊网络的可在三分钟内监测电池健康状态的系统。神经网络处理模糊化的数据去模糊化输出。Saha等人[14]提出了一个贝叶斯框架（基于相关向量机和粒子过滤器）预测SOC和SOH规则，并提供基于电池性能的不确定性范围之间的关系（能力）和模型参数（电阻）。但是，用于估计电池特性的电池模型由于低频瓦博格阻抗的原因过于简单。此外，由于电阻是串联的电荷转移电阻使他不能精确的估计。此外，粒子滤波框架采用指数增长模型预测内部电池参数（电阻），是中央处理单元（中央处理器）密集型。传统的BMS方法大多集中于解决SOC和SOH和RUL的关注的某些参数估计。因此，我们提出了一个总体框架的这些重要特性估计（SOC、SOH，和RUL）和验证使用锂离子电池数据。2）关键的电池建模方式：集中建模方法在文献中已近阐述，也总结在表格2中。一个适当的模型之间的权衡复杂性和性能是电池建模的一个重要方面。在本文中，我们专注于使用等效电路电池模型组成电压和/或电流源，电阻器，电容器（或恒相位元件，CPE），电感，阻抗等原件建模。[16][17]中的电化学模型耗时短最适合用来理解物理电极与电解质的设计。Peukert方程[18]只适用于电池在恒温或恒电流的情况下放电。当应用于电池时，当用于变化的温度或变化的放电电流是可能会导致剩余容量估计的错误。具体而言，锂离子电池的容量与电池温度有关，这就是一个Peukert方程不适用的情况。同样的，Shepherd方程同样有三个缺点，所建的模型只有在持续的恒电流时才能适用、模型的适用的温度范围为10到30摄氏度、电池的老化作用并没有被考虑到。这种方式主要用于电池的性能优化上，当缺点依然存在。其他电池模型，如水动力和有限元模型很复杂，对计算机的存储空间与计算时间的要求很高表二电池模型与特征典型类型典型模型关键特征等效电路电池模型戴维宁等效电路通常用电阻器与RC网络预测在持续恒电压下的电路的瞬态响应基于阻抗的电模型采用电化学阻抗谱方法在频域中获得的交流等效阻抗模型，然后用一个等效的网络模拟合阻抗谱运行时的电气模型运行时模型使用一个复杂的电路，模拟电池运行时的直流电压响应和一个恒定的放电电流的模拟器线性模型线性模型由一个开路电压施加在电压源和一个电容器，这是一个由3个电容和3个电阻并联而成的网络状模型非线性模型该电路由两个并联的RC网络和一个电阻串联连接而成，电路被等效成两个二极管与电阻构成电化学电池模型Pert方程放电电流随放电时间变长而减小Shepherd模型方程阐述电化学电池的电压与电流的变化情况，通常是电池电压与放电时电压的不同Lindstorm模型包括添加的术语来描述电池性能的某些方面，增加了一个改进的内部电阻的计算方式，用二次方程来描述自放电时产生的气体Unnewehr通用模型简化Shepherd公式。通过内阻对SOC建模。分数阶放电电池模型测量电池充电状态的能量增量关系,能量功率与能量密度通常是通过一系列的恒功率放电试验获得并建模为一个二次函数动态集总参数电池模型基于静态电池模型，该模型描述了瞬时端电压作为稳态放电/充电电流的函数其他电池模型水动力模型用一个双罐水库的水动力充灌与电池充放电模拟有限元模型设计用于电池模拟一些分裂每个电池单体的有限元素，而其他人使用每个电池单体作为一个单独的元素基于表格数据的模型表格的性能是用来在很宽的范围内改变电池的参数影响电池性能的具体因素建模温度模型将温度对电池参数的影响建模，包括温度变化等充电状态一些模型使用开路电压和SOC之间线性关系，而其他使用SOC状态的建模充放电次数画出不同电池类型放电对循环深度的对数曲线电池使用时间腐蚀实在电池性能下降中影响