摘要
与传统燃油车相比，电动汽车具有节能环保的特点，是解决目前能源危机和环境污染的重要手段。动力电池是电动汽车的“心脏”，锂电池因能量密度高、使用寿命长等独特优势成为车载动力首选。然而，诸多国内外知名车企生产的电动汽车，时常出现安全事故，严重威胁人身安全。其中超过70%是由电池管理不当导致，背后原因是电池荷电状态准确估计的问题尚未得到根本解决。 基于数据驱动的锂电池荷电状态估计方法，无需对电池内部复杂的电化学原理建模，因此备受青睐。已有文献表明，锂电池的外部工作特征（电压、电流、温度）与荷电状态之间存在非整数映射关系，现有方法需构建复杂模型结构描述此特征；此外，电动汽车在实际驾驶过程中，受到人为操作及噪声影响，外部特征产生强烈波动，导致荷电状态估计结果存在明显波动；最后，随着锂电池使用老化，电池外部特征与荷电状态的映射关系发生改变，产生数据漂移现象，导致电池荷电状态估计精度下降。针对上述问题，本文研究内容如下： （1）提出分数阶多维泰勒网。将多元泰勒展开式与分数阶微积分结合，设计分数阶多维泰勒网模型结构，给出分数阶多维泰勒网的锂电池荷电状态估计方法，在两组锂电池公开实验数据集下，与其它三种模型结构比较，分析说明本方法的准确性与快速性。 （2）基于分数阶多维泰勒网模型结构，结合自适应卡尔曼滤波算法，在实际放电条件下，考虑多种工况以及噪声干扰，实现对锂电池荷电状态最优估计，采用电动汽车驾驶条件下的锂电池公开数据集，与其它五种估计方法比较，分析说明本方法的准确性与鲁棒性。 （3）基于分数阶多维泰勒网模型结构，结合迁移学习的方法，在数据充足和不足情况下，分别采用微调法和均值最大差异法，实现在不同健康状态下锂电池荷电状态的准确估计，采用NASAPCoE提供的锂电池老化数据集，分析说明本方法的准确性与泛化性。
NETL