0 引言

电动汽车具有低污染、低噪音的显著特点,使之引领未来汽车工业的发展方向。但电池技术的优劣严重影响电动汽车的发展，其中电动汽车剩余里程的预测是关键技术之一。SOC是电池能量管理系统（BMS）的主要参数，它与电动汽车的剩余电量和剩余行驶路程具有近似线性关系。电动汽车的剩余里程与电池端电压、充放电电流、电池温度、坡度、车载灯饰的耗能、循环次数等因素有关。纯电动汽车剩余里程的预测是用户最关心的参数之一，其能有效消除驾驶员因担心剩余里程达不到目的地而产生的里程焦虑^[1]。因此精确、迅速、稳定地预测电动汽车剩余里程的研究具有重要意义。

目前，电动汽车剩余里程的预测主要有直接预测和间接预测两类方法。直接预测法根据测量剩余里程的表征参数，如剩余电量、标准里程、坡度系数和车载设备耗电量等建立数学模型，直接得出剩余里程；间接预测法主要根据剩余里程与剩余SOC之间的强映射关系，在标准里程确定的情况下二者可以相互转化，通过预测电池的SOC间接测量剩余里程^[2]。预测电池SOC的方法主要有安时积分法、开路电压法(OCV)、卡尔曼滤波法、BP神经网络、RBF神经网络和模糊控制。本文针对现有方法误差大、自适应性差的不足，基于优化OCV法及利用STM32对纯电动汽车剩余里程的实时预测进行优化研究。

1 剩余里程预测原理

1.1 优化OCV法预测初值SOC₀

当电池静置足够长时，能有效消除电池内部化学、电极化现象，此时开路电压（OCV）约等于电池端电压(U_b)^[3]。当电池静置足够长时，内部达到化学平衡，测得U_b-SOC数据,然后拟合出映射函数，再测得U_b，利用映射函数间接测得SOC。该方法简单易操作，应用广泛^[4]。如图1所示，大量放电实验表明，电池SOC与OCV存在近递增关系，SOC较大阶段预测误差比较小，在SOC<0.4后误差递增，此时利用OCV法预测初值(SOC₀)误差比较小^[5]。利用Isqurvefit进行拟合，得到相应的函数关系为：

1.2 剩余里程预测模型

影响电动汽车动力剩余里程预测的因素主要有内部电池包因素(如电池端电压、充放电电流、电池温度、循环次数等)和外部因素(如已行驶路程、道路坡度、载荷、车载设备的耗能等)。为了精确、迅速、稳定地预测电动汽车剩余里程，优选内部因素电池端电压U_b和外部因素已行驶路程、道路坡度与车载设备的耗能作为预测剩余里程的表征参数。

剩余里程与剩余SOC之间具有近似线性的映射关系，在标准里程确定的情况下，二者可以近似正比关系。为了使剩余里程的预测具有自适应性，定义动态S_N和SOC_N。

(1)标准里程S_N：电动汽车的额定行驶里程会随着汽车本身的折旧和外部因素渐进性的改变，因此为减小累积里程误差，定义标准里程S_N，电池容量或道路坡度里程每达到一次设定值时更新一个末值，如式(2)。

(2)标准容量SOC_N：电动汽车电池的额定容量会随着循环次数、温度和健康状态(SOH)等因素渐进减少，因此为了减小累积SOC误差，温度或者循环次数达每到设定值一次时更新一个末值，如式(3)。

在标准里程S_N和标准准容量SOC_N确定后，把其他相应参数转化为里程参数。由式(1)可得到初始SOC₀，再转化为初始里程参数S₀；η₁为转化折损系数，由实验测试得式(4)。

(4)设备能耗里程参数的转化：电动汽车的车载设备也会消耗电能，非必须耗能设备(如照明灯、音响和空调等)会干扰剩余里程的预测，其他必用设备已经考虑在标准里程S_N和标准准容量SOC_N中，因此不会干扰剩余里程的预测，不必再计算。把非必须耗能设备的总额定容量累积后再转化为里程值S_con：

2 预测剩余里程硬件设计

纯电动汽车载系统设备要求在满足功能需求时尽可能体积小、功耗低、运行快和稳定可靠。ARM嵌入式芯片STM32的处理器内核小、占用空间小、功耗低、运行稳定可靠、功能相对强大，比较适合设计的预测剩余里程^[6]。STM32103x芯片配置外部电路后能满足标准里程S_N和标准准容量SOC_N判别与更新、端电压U_b的检测、位移S检测、倾斜角α检测、能耗设备的启动及运行时间的检测，最后实时计算并显示。由于电路设计占据大量篇幅，以下优选重要外部电路设计进行介绍。

端电压采集：端电压U_b在消除内部极化现象时近似等于OCV，因此可检测U_b，取代检测OCV(其检测比较复杂)^[7]。

行驶位移采集：电动汽车行驶里程测量的精确与否对剩余里程预测至关重要，Scon、S_α和S都依靠其计算，因此对位移传感器的精度要求较高,其采用霍尔型非接触式转速传感器。考虑到电动汽车的行驶特点，STM32103x系列的外部中断有电平触发和边沿触发，在编程时，根据性能要求优选边沿触发方式进入中断。

3 剩余里程预测流程

剩余里程预测流程步骤如下：

(1)以EV-1型纯电动车为试验对象，在UDDS工况下，不同温度、不同核电状态下进行，分别采集数据U_b、位移S、倾斜角α、能耗设备的启动及运行时间t、温度T、循环次数N，然后随机选择2 000组数据作为预测值和测试值。为了减小误差，对所有数据进行归一化处理。

(2)初始化参数，利用式(2)、式(3)根据实际参数更新标准里程S_N和标准准容量SOC_N。采集静止时间t，利用式(1)、式(4)计算S₀。

(3)采集温度T、N、S、w、α系数，利用式(5)～式(7)分别计算计S_α、S_con、S_re。

(4)根据功能要求设计STM32103x相应电路、配置参数。

(5)根据预测原理及硬件特点进行编程预测及试验。

4 试验测试及分析

4.1 试验平台

以EV-1型纯电动车为试验对象，依据《电动汽车能量消耗率与续驶里程试验方法》，以40 km/h等速进行试验，为防止过放电损害电池包，充满电时SOC等于1，在SOC等于0.2时停止试验，再次充电并静置12 h，消除内部极化现象后再继续试验，重复以上试验。在UDDS工况、不同温度T及初始SOC下进行试验，分别采集数据U_b、S、α、能耗设备的启动及运行时间t、温度T、循环次数N、剩余里程S*_re。随机选择2 000组数据作为参数预测得S_re并与相应的试验值S^*_re做比较。

4.2 试验结果及对比分析

利用OCV法、AH积分法与优化OCV法预测剩余里程对比。图2、图3为基于优化OCV法的剩余里程预测结果及相对误差，误差无累积，最大相对误差为5.2%；图4为基于OCV法的预测结果,最大相对误差为13.3%，SOC较低时误差会剧增；图5为基于AH积分法预测结果，最大相对误差为8.8%，误差会累积。通过以上3种剩余里程预测法相比，表明优化OCV法预测效果相比其他两种算法有明显改善。

5 结论

本文根据优化OCV法得到准确的SOC初值，并根据条件更新标准里程S_N和标准容量SOC_N，使预测误差降低并提高自适应性；把所有影响因素参数转化成S_N标准下的相应里程参数，单位统一，降低建立数学模型、STM32硬件设计的难度。其最大相对误差为5.2%，相比较现有其他方法，优化效果有明显提高，证明了该方法优化的可行性。

参考文献

[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] 王艳静，刘光明，冯超.电动汽车剩余里程估计算法研究与验证[J].Development of Energy Science，2015，3(1)：1-7.

[3] 麻友良，陈全世，齐占宁.电动汽车用电池SOC定义与检测方法[J].清华大学学报(自然科学版)，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] 龙宇舟，郭毅峰，韩峻峰，等.一种基于预测开路电压估算SOC初值的方法[J].通信电源技术，2014，31(3)：14-24.

[6] 陈果，郭庆，王金宏，等.基于STM32的蓄电池检测系统[J].国外电子测量技术，2012，31(1)：70-73.

[7] 丁力，宋志平，徐萌萌，等.基于STM32的嵌入式测控系统设计[J].中南大学学报(自然科学版)，2013，44(1)：260-265.

作者信息：

陈德海，任永昌，华 铭，黄艳国

（江西理工大学 电气工程与自动化学院，江西 赣州341000）