基于里程的电动汽车电池荷电状态随机预测.docx

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）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。(1)其中，M是车辆的有效载荷质量,=电动机扭矩（N?M)，?是速度,是空气密度，是车辆的有效面积，为空气阻力系数,是滚动阻力系数,是道路级，重力加速度g=9.8。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与电池总容量的比值。电池的SOC动态描述为。（2）其中，=电池总的开路电压，电动机速度（弧度/秒），=电动机