新能源汽车SOC估算的模糊预测算法研究

新能源汽车SOC估算的模糊预测算法研究

新疆风能有限责任公司 罗文

摘 要：环境问题的凸显使环境友好的新能源汽车得到大力发展，动力电池是新能源汽车的主要动力源，其荷电状态（SOC）是驾驶员对可行驶里程准确估计的直接标准，准确的荷电状态估计对于提升新能源汽车用户体验、整车控制合理性等都有直接影响，由此可知，电池的荷电状态非常重要，可研究性也非常大。本文介绍了新能源汽车研究的背景，提出了新能源汽车核心技术SOC估算。通过研究动力电池存在的问题，提出动力电池SOC的各种估算方法，通过对比优缺点后，确定要研究的算法——模糊预测控制算法，并探究模糊算法是否比其他算法更接近实际结果。首先介绍了模糊算法和模糊控制器的概念，再利用扩展卡尔曼滤波算法在MATLAB的simulink模块中搭建预测模型进行端电压预测，求得端电压预测误差，然后将结果输入模糊控制器进行处理，最后将得到的结果与扩展卡尔曼滤波算法进行比较，结果为模糊算法的误差比扩展卡尔曼算法误差小0.15%。

关键词：电动汽车；SOC；估算算法；模糊预测算法

A study of fuzzy prediction algorithms for SOC estimation of new energy vehicles

Luo Wen

Abstract:The highlight of environmental problems makes the environmentally friendly new energy vehicles get vigorous development, the power battery is the main power source of new energy vehicles, its load state (SOC) is the driver's accurate estimate of the driving distance of the direct standard, accurate load state estimation for improving the user experience of new energy vehicles, vehicle control rationality, etc. have a direct impact, it can be seen that the battery charge state is very important, researchability is also very large. This paper introduces the background and present situation of new energy vehicle research, and puts forward the core technology of new energy vehicle, SOC estimation. By studying the problems of power battery, various estimation methods of power battery SOC are proposed, and after comparing the advantages and disadvantages, the algorithm to be studied, fuzzy prediction control algorithm, is determined, and whether the fuzzy algorithm is closer to the actual results than other algorithms. Firstly, theconcept of fuzzy algorithm and fuzzy controller is introduced, and then the prediction model is constructed in MATLAB's simulink module by using the extended Kalman algorithm, the end voltage error is obtained, and then the result is processed with the fuzzy controller, and the result is compared with the traditional Kalman filter algorithm, and the result is that the fuzzy algorithm is 0.15% smaller than the extended Kalman algorithm

Keywords:Electric vehicles; SOC; Estimation algorithms; Fuzzy prediction algorithms

1 新能源汽车研究的背景及意义

新能源汽车拥有先进的技术和结构，新能源汽车不使用汽油、柴油等燃料提供动力，而是使用车载蓄电池作为动力来源，这是与传统汽车相比最大的区别，由于动力来自车载蓄电池，所以就避免了一氧化碳、二氧化碳、二氧化硫等有害气体的排放，不会危害人的身体健康，对环境也很友好，新能源汽车以后有可能成为主流车型。

新能源汽车主要分为三大类：混合动力电动汽车（HEV）、纯电动汽车（BEV）、燃料电池电动汽车（FCEV）。所有新能源汽车都有一个共同的缺点，电池问题。新能源汽车依靠车载电池提供动力，换言之，如果电池出问题那么汽车就无法使用，电池最主要的问题就是荷电状态（SOC），荷电状态可以反映汽车剩余里程，因此对荷电状态的准确度研究具有重大意义[1]。

1.1 国内外新能源汽车发展现状

21世纪以来中国新能源汽车产业规模逐渐扩大。我国对汽车行业的管控能力远远超过别的行业，与其他行业相比，我国更加支持发展环境友好的新能源汽车。2001年到2005年，在我国第十个五年计划中，新能源汽车被确定为重点发展对象。我国的新能源汽车产业经过“十五”发展之后，形成了“三横三纵”的新能源电动汽车产业格局，并且在基础科学研究上取得了一系列技术创新成果[2]。从2007年开始，国家着手对新能源汽车生产及产品进行严格管控，并允许已经达到标准的新能源企业开始生产销售；2009年新能源汽车真正进入市场导入期，但是支持新能源汽车发展的部门极少，只有科技部、财政部等几个部门；到了2013年，我国出台了全国推广政策，建立了节能与新能源汽车产业发展部际联席会制度，一共由18个部门组成，在这18个部门里，有些部门甚至和汽车产业毫无关系，但在国家政策的支持下所有部门都在实行各种措施来推动新能源汽车的发展；2014年年底兴起了一股造车热潮，在几年时间里出现了至少五十家的新能源造车企业，新能源汽车销量突破50万，并且持续高速增长。

美国新能源汽车的发展一直处于世界前列，因为美国不仅拥有着先进的技术，而且美国联邦政府也大力支持发展清洁型新能源汽车，美国新能源汽车的发展主要从需求和供应两方面着手，并且推行了财税优惠政策，所以更多的人接受并购买新能源汽车，使得新能源汽车市场规模以极快的速度扩大。

欧盟各成员国销售各类的电动汽车在全球占比约32.81%，成为全球第二大电动汽车市场，其规模仅次于美国。英国也希望成为电动汽车的领头羊，按照英国的电动汽车战略“零排放之路”，到2030年英国50%轿车要达到超低排放标准，每公里二氧化碳排放量小于五十克。法国为了减少空气污染，计划在2030年之前淘汰燃油汽车，法国在电动汽车行业给予了一系列激励措施鼓励发展电动汽车。欧盟其余各国也积极响应，大力发展电动汽车来降低二氧化碳排放水平。

1.2 SOC研究意义

SOC（State of Charge）电池的荷电状态，表示电池中剩余可用电量，通常作为衡量电池可用时长的指标，可用表示。

电池荷电状态的准确估计是电池管理系统中的三大核心问题之一，也是电动汽车发展的关键问题之一，荷电状态准确估计的意义有[3]：

（1）延长电池寿命，在电池电量已经充满的情况下仍继续充电或电池电量不足时仍继续放电都会对电池造成损伤，使电池的可用时长减少。如果能准确估算出SOC值，就可以控制并调节SOC使其在允许的范围内变化，让电池工作在健康的状态下，就可以防止出现过充或过放的情况，使得电池的使用时长增加。

（2）提升电池效率和汽车性能，如果不能准确得到SOC值，在使用电池时就需要时刻考虑电池的寿命问题，会影响电池使用性能的最大化，同时也造成汽车的整体性能下降。

（3）降低成本，电池容量方面的要求越低，所花费的成本也会越低，还可以保证在安全行驶状态和电池工作在健康状态时使汽车的维修费用减少。

（4）提供续航里程参考，动力电池荷电状态的估算值反映的是电池的剩余电量，驾驶员可以根据剩余电量合理安排行驶里程。

1.3 动力电池存在的问题

在文献[4]中张向倩、高月、黄飞等人对动力电池进行了研究，发现了电池存在的一些问题，如电池管理系统无法切断电源导致过充、电池短路引起着火等。其中最突出的问题有两个：

（1）安全问题，电池在工作时温度会上升，一般情况下温度可控，如果电池在高温下持续工作，电池内部会发生一系列化学反应，导致温度进一步提高，引发热失控，减少电池使用寿命，增加了安全隐患。

（2）续航里程问题，汽车的行驶里程是所有客户关注的重点，而动力电池是汽车最重要的环节，也是阻碍电动汽车发展的主要因蓄素，电池单位质量能储存的电量很少，价格也比较贵，也没形成一定的经济规模，各地的油价电价不同，有些电池的使用成本甚至比汽车本身贵。要想新能源汽车被广泛接受，就必须解决电池续航里程和价格问题。

1.4研究内容

本文研究的重点是电池的荷电状态，荷电状态的重要性在于可以为使用者提供剩余电量作为参考。所以本文的研究对象为：

（1）各种SOC估算方法的优缺点。

（2）模糊预测算法估算SOC。

（3）搭建预测模型和模糊模型并仿真对比。

2 SOC估算方法研究

2.1 估算方法介绍

SOC的准确估算对于新能源汽车来说非常重要，其估算比较复杂。电流放电大小的不同会导致放出来的的电量不同；若放电电流过大，会使电池极板的空隙中出现大量气泡，在极板内形成气压导致极板上带有微孔的层状结构碳脱落，使极板上可吸附电子的微孔减少，电池中可储存的电量就相应降低，减少电池使用寿命，SOC估算精度不准确；如果放电电流的波动较大，估计的结果误差也会很大；电池长时间静置也会发生自放电行为，使电池容量下降。电池的荷电状态已经被许多学者深入研究过，提出了许多估算方法，例如，安时积分法、神经网络法、开路电压法、卡尔曼滤波法等。虽然方法有很多种，但是这些方法也都不是很完美，依旧存在一些缺点等待改善。

（1）安时积分法

安时积分法也称安时计量法，是最简单、最经典、使用最广泛的电池荷电状态估算方法，其表达式为。是电池初始状态值；是额定容量；是充放电效率；是充放电电流，放电时为正，充电时为负。

安时积分法应用广泛，适用于绝大多数汽车电池，安时积分法能够准确地测量电流并且简单可靠。但是安时积分法不能估算荷电状态的初始状态，电池容量在变化，库伦效率难以测量，在文献[5]中徐尖峰、张颖等人结合了开路电压法和负载电压法对这些不足之处进行了改进，解决了安时积分法的缺点，使其能够估算任何时间的荷电状态，并用实验证明了改进后的安时积分法可以得到比较准确的估算结果。

（2）开路电压法

开路电压法是在多次实验得到电池的开路电压后，将电池长时间静置，使电池的端电压降至实验所得开路电压，根据实验所得开路电压与荷电状态之间的关系可以估算SOC[6]。

在文献[6]中，申彩英、左凯为了提高磷酸铁锂电池的安全性和使用寿命，利用一种精简的开路电压法估算电池的SOC，做了一系列相关实验后，确定了电池SOC和开路电压的对应关系。最终结果表明，精简开路电压法可以精确地估算出电池的SOC。

开路电压法可以较为准确的估算初始时间段内的荷电状态值，精度高且操作简单。可是开路电压法在使用时必须将电池静置足够长的时间，根据电池的不同，静置的时间长短也不同，短的需要几个小时，长的可能需要一天，非常影响汽车的在实用性。

（3）神经网络

神经网络法是一种可以处理非线性问题的新型算法，原理是利用计算机模拟人脑中的神经元系统，将特定的输入量和输出量输入到已经建立好的系统中，获得运行中的SOC值，并不需要深入研究电池的内部结构，其中，输入量和输出量均为从电池中提取的符合工作特性变量。

在文献[7]中张传伟、李林阳等人针对磷酸铁锂电池的非线性关系，采用神经网络法估算电池的SOC，通过充放电测试仪采集数据，再将数据导入到神经网络模型中训练。结果表明神经网络法的误差可以控制在5%以内。

（4）扩展卡尔曼滤波法

卡尔曼滤波法是一种数字滤波，是20世纪60年代初由美国学者Kalman提出一种估计系统最优状态的算法，命名为卡尔曼滤波法。原理是利用线性系统的状态方程，对系统输入量和输出量进行数据观测，以此估计系统的状态，此算法是一种最小方差意义上的最优估计方法[8]。

卡尔曼滤波法用状态方程和观测方程代替电池系统。状态方程：；观测方程：。是系统输入向量，剩余容量、电流、内阻等；是系统输出（K时刻测量值）；是状态量，SOC包含在其中；是系统噪声值；是测量噪声值。

在文献[9]中王君瑞、单祥、贾思宁等人运用扩展卡尔曼滤波法对蓄电池的SOC进行动态估算，利用脉冲充放电模拟电池的实际工作状态，实验结果表明扩展卡尔曼算法可以准确估计任何工作状态下的蓄电池的SOC，且误差在1%左右。

2.2 方法对比及研究方法的选择

表2-1为各种算法的比较。

以上都属于传统SOC估算方法，本文主要研究的是智能SOC估算方法中的模糊控制算法，此算法属于非线性控制方法，利用模糊数学中的模糊集理论将人为控制的方式变换为软件可以识别的控制算法，从而解决经典控制方法不能解决的问题[11]。

3 模糊预测算法

3.1 模糊预测算法介绍

模糊控制是一种计算机数字控制技术，它以模糊集合论、模糊语言变量、模糊逻辑推理为基础，通过一定的知识和专家经验列出模糊规则，用一系列不精确的控制过程来得到精确的输出结果，它是从行为上模仿人的模糊推理和决策过程的一种方法。模糊集合论是美国人L.A.Zadeh于1965年创立[12]，在1973年L.A.Zadeh又提出了模糊逻辑控制的定义和相关的定理。1974年，英国的E.H.Mamdani用模糊控制语句组成模糊控制器，并应用于锅炉和蒸汽机的控制，在实验室获得成功[13]。模糊控制原理如图3-1所示。

模糊预测控制是由模糊控制和预测控制相结合产生的一种智能控制算法，是最近几年才逐渐发展起来的控制算法。模糊控制和预测控制都可以有效地控制不确定的非线性系统，而模糊预测控制作为模糊控制和预测控制相结合的产物，控制效果更为显著。模糊预测控制是让机器拥有更加符合人为控制思想的控制手段，可以使最终得到的结果更加精确，而不只是局限于“是”“否”“对”“错”。模糊预测控制的主要形式是利用预测控制中的模型预测、反馈校正、滚动优化的机理，将模糊思想与预测方法结合使用，相互促进，二者相互结合就具有了预测功能，预测功能就是根据系统的历史信息和选定的输入，预测下一时刻输出值。模糊预测控制是一种解决非线性系统问题的估计方法，与安时积分法等经典估算方法相比，模糊预测算法属于智能控制算法。模糊预测控制的特点是既有系统化的理论，又有大量的实际应用背景[14]。

3.2 模糊控制器的设计

模糊控制器主要由模糊化、规则库、模糊推理、清晰化四部分组成[15]。模糊控制器结构如图3-2所示。

（1）模糊化，这部分的主要作用是将输入量转换成模糊量。模糊化的具体过程为：1）将输入量进行处理，使其满足模糊控制器的要求；2）将已经满足要求的输入量进行尺度变换，使其变换到各自的论域范围；3）将已经变换到论域范围的输入量进行模糊处理，使各输入量都有其对应的隶属函数，并用相应的模糊集合来表示。

（2）规则库，根据人类专家的经验建立模糊规则库。模糊规则库中包括许多已经建立好的的模糊规则，这一步是从人的控制思考方式变换到模糊控制器控制的关键。

（3）模糊推理，模糊推理是模拟人的思考逻辑对系统的推理过程[16]，主要是实现基于知识的推理决策。

（4）清晰化，清晰化的作用是将前几步得到的模糊推理结果转换成清晰量。

模糊控制器中的代码如下所示：

初始化

clear all;

close all;

a=newfis('fuzzy tank');

定义输入量

a=addvar(a,'input','e',[0,0.1]);

a=addmf(a,'input',1,'S','trimf',[0,0,0.02]);

a=addmf(a,'input',1,'M','trimf',[0,0.02,0.04]);

a=addmf(a,'input',1,'B','trimf',[0.02,0.04,0.06]);

a=addmf(a,'input',1,'BB','trapmf',[0.04,0.06,0.08,0.1]);

定义输出量

a=addvar(a,'output','k',[0,1]);

a=addmf(a,'output',1,'S','trimf',[0,0,0.4]);

a=addmf(a,'output',1,'M','trimf',[0,0.4,0.81]);

a=addmf(a,'output',1,'B','trimf',[0.4,0.81,0.97]);

a=addmf(a,'output',1,'BB','trapmf',[0.81,0.97,0.98,1]);

模糊规则

rulelist=[1 4 1 1; 2 3 1 1; 3 2 1 1; 4 1 1 1];

a=addrule(a,rulelist);

showrule(a);

清晰化

a1=setfis(a,'DefuzzMethod','mom');

writefis(a1,'tank');

a2=readfis('tank');

画图

figure(1)

plotfis(a2);

figure(2)

plotmf(a,'input',1);

figure(3)

plotmf(a,'output',1);

showrule(a)

ruleview('tank');

gensurf(a)

3.2.1 确定输入输出变量及模糊化

模糊控制器是模糊算法的核心，合理的模糊控制器要有明确的输入和输出。在本文的设计中，模糊控制器的输入为e（端电压误差），输出为K（卡尔曼增益系数）。输入语言及论域范围为“小（S）”[0，0，0.02]；“中（M）”[0，0.02，0.04]；“大（B）”[0.02，0.04，0.06]；“很大（BB）”[0.04，0.06，0.08，0.1]。输出语言及论域范围为“小（S）”[0，0，0.4]；“中（M）”[0，0.4，0.8]；“大（B）”[0.4，0.81，0.97]；“很大（BB）”[0.81，0.97，0.98，1]。模糊控制器输入、输出变量隶属度函数如图3-3、图3-4所示。

图3-3 模糊控制器输入变量隶属度函数

图3-4 模糊控制器输出变量隶属度函数

3.2.2 模糊规则的设计

模糊规则的制定是模糊控制器的核心内容，模糊规则的制定是否能够体现系统特征，直接影响着模糊控制器的性能。模糊规则是模拟人的思考方式，用语言变量的形式表示的控制规则，目的是为了让计算机有更多的输出结果，而不是只有对和错。将所有的规则组合起来建立一个模糊集合，集合中每个子集都是模糊子集，模糊子集都是以人的思考方式建立的，例如“很大”“大”“中”“小”“很小”等模糊子集。

基本论域上的精确值属于该模糊子集的程度称为隶属度，它们之间的隶属关系用隶属度函数表示。将基本论域上的精确值按照隶属函数转化到模糊子集中，然后用各模糊子集代替精确值。所以模糊集合中的模糊子集数量和估算结果呈正相关，模糊规则表的填充难度也与二者呈正相关，甚至难度、出错率更高。因此语言变量和模糊子集的数量要按照具体的情况而定。

模糊控制规则的获取来源：

（1）专家的经验和知识

模糊控制系统通常被人们称为控制系统中的专家系统，我们在平时生活中遇到事情需要进行判断时，使用逻辑分析多于数值分析；而模糊算法中的模糊控制规则让计算机拥有了更灵敏的反应速度和更多可以输出的结果。

（2）操作员的操作模式

许多工业系统无法根据控制理论进行计算机控制，但是熟练的操作人员在没有数学模型的情况下，根据自己的经验就能够成功地控制这些系统。由此我们可以将操作员的操作技巧和流程记录下来，并将整个操作过程编写成if x is A,then y is B的型式，构成一组模糊规则[17]。

（3）学习

为了让模糊控制器可以根据目标要求增加、移除或修改模糊规则[18]，增加其灵敏度，使其不那么死板，就必须让模糊控制器具有自我学习的能力，以达到改善模糊控制器性能的要求。

根据公式得：为了保证模糊SOC的稳定，系数K和端电压误差的大小应相反。当端电压误差很小时，系数K就要很大；当端电压误差很大时，系数K就要很小。由此建立模糊规则表如表3-1所示。

3.2.3 反模糊化

在实际控制中，需要的最终结果是清晰量而不是模糊量，经过模糊控制器推理得到的是模糊量，还需要一步清晰化。在MATLAB中一般选用重心法进行清晰化。因为重心法比其他方法具有更平滑的输出推理控制。

图3-5为给定输入变量时对应的输出变量。

3.3基于扩展卡尔曼算法的预测模型推导

模糊预测控制分为模糊控制和预测控制，在本文中模糊控制器负责模糊部分，预测部分则是由利用扩展卡尔曼算法搭建的等效电路模型来负责。图3-6为利用扩展卡尔曼算法搭建的二阶等效电路模型。

图3-6二阶等效电路模型框图

其中，表示理想电压源，与荷电状态存在非线性关系；表示欧姆内阻，是极化电阻，是极化电容，表示电池的端电压。根据基尔霍夫定律，可以从图中得到系统方程和观测方程。本文中规定放电电流方向为正，充电电流为负。

系统方程：

（3-1）

观测方程：（3-2）

将（3-1）在k时刻进行离散化：

（3-3）

再将（3-3）化简得到：

（3-4）

令将（3-4）改写成扩展卡尔曼系统方程和观测方程的形式：（3-5）

其中。（3-6）

根据矩阵的特性可得

扩展卡尔曼滤波算法方程为[19]：

状态更新方程：（3-7）

误差协方差更新方程：（3-8）

卡尔曼增益系数：（3-9）

（3-10）

状态估计更新方程：（3-11）

误差协方差状态更新方程：（3-12）

3.4 小结

本章先介绍了模糊控制和预测控制，二者结合得到了模糊预测控制，然后介绍模糊预测控制的概念和原理，进而提出模糊控制器，再按照步骤设计模糊控制器和模糊规则，确定模糊控制器的输入输出变量，根据输入模糊控制器中的代码将其模糊化、反模糊化，模糊控制器设计完成后又利用扩展卡尔曼算法搭建等效电路模型进行预测过程的公式推导，为后文搭建仿真模型做准备。

4 基于模糊控制算法的荷电状态的仿真与分析

4.1 基于模糊预测算法的SOC仿真建模

本节根据3.3节所示过程利用MATLAB仿真软件搭建了基于扩展卡尔曼滤波算法的预测模型，利用预测模型进行SOC的先验估计和端电压的预测，求得端电压的预测值和真实端电压之间的误差，将误差结果用模糊控制器进行处理，根据公式搭建出模糊算法的SOC模型，再将卡尔曼SOC曲线和模糊SOC曲线与真实SOC曲线对比，看哪种算法更贴近实际值，然后把卡尔曼曲线和模糊曲线进行误差对比，对比两种算法的误差、收敛速度和稳定性，看哪一种算法更好。

真实SOC曲线是在对安时积分法进行严格约束下得到的。安时积分法最突出的缺点有两个，第一，无法准确测量初始值；第二，累计误差。问题一可以通过将电池充满电或完全放电使其为1或0来解决。至于问题二，随着时间的增大，累计误差会逐渐增大，可以通过大量实验来减小累计误差，但是前提是要有精准的测量仪器，而仪器越精准，其价格也越高。为了得到真实SOC值需要花费大量的人力、物力、财力。对于车辆使用者来说并不划算。因此本文只是将真实SOC值作为参考的标准，用来衡量模糊算法的准确度。在MATLAB中的仿真模型如图4-1所示。

图4-1 SOC模糊预测模型

4.1.1 卡尔曼滤波预测模型搭建

根据3.3节罗列的公式搭建的预测模型，利用模型进行端电压的先验估计和预测，再与真实电压相减取绝对值，输出一个端电压误差；再将端电压误差作为输入，将其输入到模糊控制器中，经过模糊控制器的一系列处理，使其输出为卡尔曼系数，为后文利用公式搭建模糊算法的SOC做准备。搭建模型如图4-2所示。

图4-2 卡尔曼滤波预测模型

4.1.2 模糊SOC模型搭建

图4-3为根据公式搭建的模糊算法的SOC仿真图。其中K为卡尔曼增益系数，除法器是为了将卡尔曼增益系数进行归一化。

图4-3 模糊SOC模型搭建

4.1.3 SOC误差对比模型搭建

图4-4为使用扩展卡尔曼SOC曲线与模糊算法SOC曲线分别与真实SOC曲线做差，得到SOC的误差对比图，由误差对比图可以清晰的看出哪种方法更贴合实际值。

图4-4 SOC误差对比仿真模型

4.2 仿真结果的分析

4.2.1 SOC估算结果分析

图4-5 SOC估算曲线

图4-5是由图4-4中scope1输出的SOC估算曲线图，为了更清晰的观察，另截取了两张局部放大图如图4-6、图4-7所示。

图4-6 SOC估算曲线局部放大图（1）

从图4-6中可以看出模糊算法的估算曲线更加贴合SOC的真实值曲线，虽然两种方法都存在误差，但相较于卡尔曼算法来说，模糊算法误差较小，扩展卡尔曼滤波算法的估算误差较大。

图4-7 SOC估算曲线局部放大图（2）

由图4-7可以看出，随着放电时间的推移，扩展卡尔曼滤波估算曲线更偏离真实值曲线，模糊算法估算曲线虽然有些波动，但始终更加贴近于真实SOC曲线。

4.2.2 SOC估算误差分析

图4-8是由图4-4中scope3输出的扩展卡尔曼滤波算法与模糊算法的SOC误差对比图。为了更清晰的观察，另截取了两张局部放大图如图4-9、图4-10所示。

图4-8 SOC误差对比

图4-9 SOC误差对比局部放大图（1）

由图4-9可知，在刚开始运行时，扩展卡尔曼算法可以迅速的收敛到零线附近，且稳定于零线附近，而模糊算法的波动性较大，在200s的时候仍未收敛到零线附近。由图得在0到400s甚至更往后的时间段中，无论是收敛性、速度性都是扩展卡尔曼算法更好，模糊算法波动较大，且快速型也不及扩展卡尔曼算法。

图4-10 SOC误差对比局部放大图（2）

图4-10可以看出，扩展卡尔曼滤波算法在3500s以后误差就开始逐渐增大，模糊算法的误差逐渐减小，直至误差低于扩展卡尔曼算法。在3500s以后，模糊算法的稳定性一直高于扩展卡尔曼算法。

稳定性是保证算法能运行的前提，是为了保证算法随着时间的变动不会发散，但是只保证稳定性是没有实际意义的，为了保证得到的估算结果为最优值，还要保证算法的收敛性，使其收敛在真实值附近。由图4-10可以看出，模糊算法曲线一直在扩展卡尔曼算法曲线上方，更接近于零线。

4.2.3 分析结果

表4-1是两种算法的采样误差对比，表4-2是两种算法的误差统计结果，再结合图4-8，可以很明确的看出模糊算法收敛性始终高于扩展卡尔曼滤波算法。通过对两种算法的误差计算得到模糊算法的精度比扩展卡尔曼算法高0.15%。

虽然刚开始运行时扩展卡尔曼算法在速度性、收敛性、稳定性等方面都优于模糊算法，但在整个运行过程中，无论是稳定性还是收敛性，模糊算法都好于扩展卡尔曼算法，因此模糊算法更贴合实际。

5 结论及展望

5.1 结论

本文主要的研究内容是如何提高新能源汽车动力电池SOC估算的精度，并从电动汽车的发展背景和现状、汽车电池存在的一些问题、SOC估算的意义、SOC的各种方法等方面进行了深入的探究，在MATLAB中用simulink模块进行了仿真，并将得到的结果进行对比，对比结果证明模糊算法确实要比扩展卡尔曼算法更好，更接近实际值。

模糊算法属于解决非线性系统问题的智能算法，模糊算法只需要建立模糊规则，不需要搭建被控对象的精确数学模型，在模糊规则的指引下实现基于知识或经验的推理决策，再将推理得到的控制量转化为需要的输出即可。

模糊算法估算SOC是一种探索式的研究，虽然只需要模糊规则即可，但是也存在不足之处，比如，模糊规则的建立缺乏一定的系统性和科学性，模糊规则完全是根据人的想法建立的，具有很大的随机性，而对于温度、放电速率、寿命、自放电现象等较为复杂的影响电池使用时长的因素来说，控制精度不能完全保证，稳定性和鲁棒性（指控制系统在一定的参数变动下，能够维持其它某些性能的特性）也存在很大的问题。蓄电池对电动汽车来说非常重要，汽车蓄电池荷电状态的估算是否准确，是电动汽车是否实用的关键，尽管现在荷电状态的估算方法有很多种，可各种估算方法在单独使用时又有它们各自的短板，因此在大多数情况下都是将两种及以上估算方法结合使用，互相补足短板，最大程度上提高估算的精确度。

5.2 展望

本文通过在MATLAB中进行仿真并和扩展卡尔曼算法对比，验证了模糊算法优于扩展卡尔曼法，但因为时间有限，对控制算法的认知不是很透彻，应用形式不是很了解，还有很多问题有待解决，对于以后SOC的估算方法的研究提出以下建议：

（1）目前学者们提出的高精度SOC估算方法大部分都是在实验室取得了成功，影响因素没有在实际应用中那么多，所以如何将这些方法应用到实际车辆是研究的主要方向；

（2）很多高精度的估算方法都需要搭建模型，最终估算结果是否可信，很大一部分取决于电池模型搭建的是否准确，如何保证模型的准确性是重难点；

（3）模糊控制中如何保证算法稳定性和鲁棒性也是一大难点。

参考文献:

[1] 谢志明,张媛,贺正楚,张蜜.新能源汽车产业专利趋势分析[J].中国软科学,2015(09):127-141.

[2] 王通.电动汽车电池管理系统SOC估算及均衡控制研究[D].昆明理工大学,2017:13-14.

[3] 余升.电动汽车电池管理系统SOC估计算法研究[D].合肥工业大学,2013.

[4]张向倩,高月,黄飞.锂离子动力电池安全问题及防控技术分析[J].现代化工,2019,39(08):7-10.

[5] 徐尖峰,张颖.基于安时积分法的电池SOC估算[D].燕山大学,2018.

[6] 申彩英,左凯.基于开路电压法的磷酸铁锂电池SOC估算研究[D].辽宁工业大学.2019.

[7] 张传伟,李林阳,赵东刚.基于BP神经网络法估算动力电池SOC[J].陕西:西安科技大学.2017,09-1356-02.

[8] 张周灿,谢长君,曹夏令,等.基于改进自适应无迹卡尔曼滤波的锂电池SOC估计[J].汽车技术,2018(03):0-15.

[9] 王君瑞,单祥,贾思宁,王闯,向上.基于扩展卡尔曼滤波的蓄电池组SOC估算[J].电源技术,2020,44(08):1168-1172.

[10] 李春燕.SOC估算方法研究及其在新能源汽车电池管理系统中应用[D].合肥工业大学,2012.

[11] 周美兰,田小晨,吴磊磊.纯电动汽车复合电源系统的建模与仿真[J].黑龙江大学自然科学学报,2016,33(02):261-266.

[12] Zadeh L.A.Fuzzy sets[J].Informat Control,1965,8:338-353.

[13] Mamdani E.H.Applications of fuzzy algorithms for simple dynamic plant[J], Proc.IEE,1974,121(12):1585-1588.

[14] 李葵芳.模糊预测控制算法研究与应用[D].北京:中国石油大学,2008.

[15] 郭洋洋.基于模糊预测控制的高速列车自动驾驶研究[D].兰州:兰州交通大学,2020.

[16] 章卫国,杨向忠.《模糊控制理论与应用》.1999年10月第1版.

[17] 马长华，于世海，朱伟兴.基于遗传算法的模糊控制规则优化的研究.《CNKI》2003.

[18] 王刚，欧进萍.结构振动的模糊建模与模糊控制规则提取.2001.

[19] 萧西朗.算法基础之EKF的通俗理解[EB/OL].