《電動汽車電池管理系統(tǒng)的設計設計》由會員分享，可在線閱讀，更多相關《電動汽車電池管理系統(tǒng)的設計設計（34頁珍藏版）》請在裝配圖網上搜索。

1、電動汽車電池管理系統(tǒng)的設計 第 34 頁 共 34 頁 電動汽車電池管理系統(tǒng)的設計 1 緒論 1．1 研究背景 隨著經濟的發(fā)展，汽車的擁有量也在急劇增加。目前，市場上以燃油汽車為主，燃油汽車的不斷增加，不僅加劇了環(huán)境的污染，也嚴重的威脅到了能源安全，使用替代能源將成為汽車的重要發(fā)展方向。 電動汽車（EV,Electric Vehicle）[1]，作為清潔、高效、智能的汽車，可有效的解決環(huán)境和能源問題，是燃油汽車理想的替代品。目前，電動汽車尚不如燃油汽車技術完善，而制約電動汽車推廣的最主要問題是動力電源的壽命短，使用成本高，電池儲容量小。因此電池組的有效管理對電動汽車的發(fā)展具

2、有重要意義，而準確估算電動汽車電池SOC，可以提高動力電池的能量效率，延長電池的使用壽命。而影響SOC準確計量的因素很多，其中開路電壓、自恢復效應、溫度、充放電電流、老化程度等都與SOC密切相關，本課題將對電動汽車電池SOC進行估算研究。隨著電動汽車的推廣應用，將減少對石油資源的依賴以及減少環(huán)境污染。 1．2 動力電池SOC的定義 電池荷電狀態(tài)SOC（State of Charge）[2]是一個相對量，表示電池目前的剩余電量與電池的額定電量的比值。是描述電池狀態(tài)的一個重要參數。通常把一定溫度下的電池充電到不能再吸收能量的狀態(tài)，定義SOC為1；而將電池再不能放出能量的狀態(tài)，定義SOC為0。

3、 SOC的理想定義和實車環(huán)境下的SOC的計算方法是有差別的。從能量的角度定義SOC： （1-1） 其中，E1為已放出能量，E0為總的可用能量。 （1-2） 其中、、分別為描述放電倍率、環(huán)境溫度和循環(huán)工作次數的參數。 從電量的角度定義SOC： （1-3） 日本本田公司電動汽車EV plus定義SOC： （1-4） 剩余容量=額定容量-凈放電量-自放電量-溫度補償容量 （1-5） 由于SOC受很多因素的影響，所以不

4、同的電動汽車對SOC的定義使用形式也不一樣。 1．3 動力電池的估算方法 目前SOC估算方法有：放電實驗法、Ah計量法、開路電壓法、負載電壓法、內阻法、線性模型法、神經網絡法、卡爾曼濾波法[3]。 1.3.1 放電實驗法 放電實驗法采用恒定電流進行連續(xù)放電，放電電流與時間的乘積為剩余電量。該方法適用于所有電池，但是需要大量的時間，電池進行的工作也要被迫中斷，所以放電實驗法不適合行駛中的電動汽車，可用于電動汽車電池的檢修。 1.3.2 Ah計量法 如果充放電起始狀態(tài)為SOCError! Reference source not found.o，那么當前狀態(tài)的SOC為：

5、 （1-6） Cn為額定容量；I為電池電流；為充放電效率。 1.3.3 開路電壓法 開路電壓法在數值上接近電池的電動勢。MH/NI電池和鋰離子電池的開路電壓與SOC關系的線性度不如鉛酸電池好，但在充電初期和末期可根據對應關系估算SOC。該方法需要電池長時間靜置，而電池恢復穩(wěn)定需要幾個小時甚至十幾個小時，測量不方便，所以只適用于電動汽車駐車狀態(tài)。 1.3.4 負載電壓法 電池放電開始瞬間，電壓迅速從開路電壓狀態(tài)進入負載電壓狀態(tài)，在負載電流保持不變時，負載電壓隨SOC變化的規(guī)律與開路電壓隨SOC的變化規(guī)律相似。該方法能夠實

6、時估算SOC值，但實際應用時，劇烈波動的電池電壓給負載電壓應用帶來了困難。 1.3.5 內阻法 內阻是電池內部化學反應的表現(xiàn)，也是反映電池壽命的重要指標。電池內阻有交流內阻和直流內阻之分，它們都與SOC有密切關系。電池交流阻抗可用交流阻抗儀來測量，受溫度影響很大。實際測量中，將電池從開路狀態(tài)開始恒流充電或放電，相同時間里負載電壓和開路電壓的差值除以電流值就是直流內阻。準確測量電池單體內阻比較困難，這是內阻法的缺點。 1.3.6 線性模型法 該方法是基于SOC變化量、電流、電壓和上一個時間點SOC值，建立的線性方程： （1-7）

7、 （1-8） 為當前時刻SOC值，為SOC變化量，U和I為當前時刻的電壓和電流值，為系數。 1.3.7 神經網絡法 神經網絡具有非線性的基本特性，具有并行結構和學習能力，對于外部激勵，能給出相應的輸出，它可以模擬電池的動態(tài)特性，估算其SOC值。神經網絡法適用于各種電池，但是需要大量參考數據進行訓練，估計誤差受訓練數據和訓練方法的影響很大。 1.3.8 卡爾曼濾波法 卡爾曼濾波法的核心思想，是對動力系統(tǒng)的狀態(tài)做出最小方差意義上的最優(yōu)估算，應用于電池SOC估算，電池被看成動力系統(tǒng)，SOC是系統(tǒng)的內部狀態(tài)?？柭鼮V波法是近年才開始的，該方法適用于各種電池，尤其適用于電流波動

8、比較劇烈的混合動力汽車電池SOC估算。 電動汽車電池SOC估算的方法很多，由上述介紹可知，不同的方法有各自的優(yōu)缺點。Ah計量法適用于所有的電動汽車電池，是目前最常用的辦法之一。開路電壓法在充電初期和末期估算效果比較好，常和Ah計量法結合使用。負載電壓法很少應用到實車上，但常用來作為電池充放電截止的判據。 內阻法存在爭議，在實車上應用較少。線性模型法、神經網絡法和卡爾曼濾波法是近來發(fā)展起來的新方法，這些方法常被結合起來提高SOC估算的結果準確度。 1．4 本文研究的基本內容及意義 本文第一章介紹了課題的研究背景，主要估算方法和意義，并對SOC給出了不同的定義； 第二章對電動汽車

9、的發(fā)展史進行概述，主要闡述了發(fā)展電動汽車的意義和目前電動汽車在國內外發(fā)展的現(xiàn)狀； 第三章介紹了鋰離子電池的原理，以及影響電池SOC的不同因素； 第四章分析了神經網絡的特點，學習算法，以及我們對神經網絡結構的設計； 第五章具體給出運用神經網絡法對電池SOC進行估算的過程。 準確估算電動汽車電池SOC，可以幫助我們及時了解到電池所處的狀態(tài)，準確預測電動汽車的續(xù)駛里程，以及防止電池的過充電或過放電，延長電動汽車電池的壽命。所以準確估算電動汽車電池SOC對于電動汽車的發(fā)展有著非常重要的意義。 2 電動汽車發(fā)展史概述 2．1 電動汽車發(fā)展史概述 19世紀30年代到20世紀——電動汽車的崛

10、起。電動汽車的歷史并不比內燃機汽車短，它也是最古老的汽車之一。電動車由美國人托馬斯-達文波特和蘇格蘭人羅伯特-戴維森在1842年研制，他們首次使用了不可充電電池。20世紀初，安東尼電氣、貝克、底特律電氣 、愛迪生、Studebaker和其它公司相繼推出電動汽車，電動車的銷量全面超越汽油動力汽車。電動車在19世紀20年代大獲成功，銷量在1912年達到了頂峰。 20世紀20年代到80年代——汽柴油機成為主流。電動車在20世紀初迎來成功之后，很快又失去了成長的勢頭。 電動汽車數年都沒能取得技術上的突破，而內燃機汽車卻得到迅猛發(fā)展。從20世紀20年代開始，電動汽車逐漸被內燃機汽車替代。 20世紀9

11、0年代到現(xiàn)在——電動汽車的復蘇。20世紀70年代和80年代的能源危機令電動車再次得到業(yè)界的重視。在1990年的洛杉磯車展，通用汽車首席執(zhí)行官羅杰-史密斯(Roger Smith)發(fā)布了Impact純電動概念車，并宣布通用汽車電動車將實現(xiàn)量產，并上市銷售。 上世紀90年代，汽車制造商們對于節(jié)省燃油和減少排放的環(huán)保車型的興趣有所下降。在美國市場，SUV越來越受到歡迎。 進入21世紀之后，面對全球范圍日益嚴峻的能源形勢和環(huán)保壓力，電動汽車（EV，Electric Vehicle）作為新能源汽車的主體，面臨著新的機遇和挑戰(zhàn)[4]。 2．2 電動汽車國內外發(fā)展現(xiàn)狀 2.2.1 目前我國電動汽車

12、發(fā)展情況 經過10多年的努力，我國電動汽車自主創(chuàng)新取得了重要突破，自主開發(fā)的產品開始批量化進入市場，發(fā)展環(huán)境逐步改善，產業(yè)發(fā)展具備了較好基礎，具有了加快發(fā)展的有利條件和比較優(yōu)勢。 電動汽車的核心是動力系統(tǒng)電氣化。我國電動汽車開發(fā)高起點起步，圍繞重點目標和核心技術，建立起了純電動、混合動力和燃料電池三類汽車動力系統(tǒng)技術平臺和產學研合作研發(fā)體系，取得了一系列突破性成果，為整車開發(fā)奠定了堅實的基礎。自2002~2008年，我國在電動汽車領域已獲得專利1796項，其中發(fā)明專利達940項。我國自主研制出容量為6Ah-100Ah的鎳氫和鋰離子動力電池系列產品，能量密度和功率密度接近國際水平，同時突破了

13、安全技術瓶頸，在世界上首次規(guī)模應用于城市公交大客車；自主開發(fā)的200kW以下永磁無刷電機、交流異步電機和開關磁阻電機，電機重量比功率超過1300w/kg，電機系統(tǒng)最高效率達到93％；自主開發(fā)的燃料電池發(fā)動機技術先進，效率超過50%，成為世界上少數幾個掌握車用百千瓦級燃料電池發(fā)動機研發(fā)、制造以及測試技術的國家之一。 混合動力汽車在系統(tǒng)集成、可靠性、節(jié)油性能等方面進步顯著，不同技術方案可實現(xiàn)節(jié)油10%-40%；純電動汽車技術在國際上處于先進水平，大容量鋰離子動力電池純電動客車實現(xiàn)了規(guī)模應用，小型純電動轎車批量出口歐美；燃料電池汽車可靠性明顯提高，無故障間隔里程與國外同步達到3000公里，燃料經濟

14、性國際領先。 2.2.2 國外主要國家電動汽車發(fā)展情況 目前世界各國著名的汽車廠商都在加緊研制各類電動汽車，并且取得了一定程度的進展和突破。 從目前世界范圍內的整個形勢來看，日本是電動汽車技術發(fā)展速度最快的少數幾個國家之一，特別是在混合動力汽車的產品發(fā)展方面，日本居世界領先地位。1997年12月，豐田汽車公司首先在日本市場上推出了世界上第一款批量生產的混合動力轎車PRIUS。繼PRIUS混合動力轎車之后，豐田汽車公司還推出了ESTIMA混合動力汽車和搭載軟混合動力系統(tǒng)的CROWN轎車。此外，本田汽車公司開發(fā)的Insight混合動力電動汽車也已投放市場，供不應求。 美國的汽車公司在電動

15、汽車產業(yè)化方面比來自日本的同行遜色不少，三大汽車公司僅僅小批量生產、銷售過純電動汽車。現(xiàn)已推出三款混合動力概念車GMPrecept、FordProdigy、DaimlerchryslerDodgeESX3。 2．3 電動汽車的電池管理系統(tǒng) 電池是電動汽車的動力源，在電動汽車中占有重要的地位。如何有效管理和監(jiān)控電池一直是電動汽車的關鍵技術之一，因此電動汽車的電池管理系統(tǒng)是電動汽車必不可少的重要組成部分。電池管理系統(tǒng)主要有三個功能：(1)精確監(jiān)測電池電壓、電流和溫度參數，這是電池管理系統(tǒng)有效運行的基礎和關鍵；(2)在監(jiān)控正確參數的前提下，應用一定的算法準確預測出電池電量狀態(tài)；(3)建立起一個

16、四通八達的數據傳遞通道，實現(xiàn)電動汽車內部部件間，內部與外部計算機的數據通訊和處理。 在電池管理系統(tǒng)中，電池電壓的精確測量和剩余電量的準確預測是管理系統(tǒng)亟待突破的兩個技術關鍵。在電池的充、放電過程中，電池的端電壓變化只有數十毫伏，因此電池電壓檢測需要很高的精度，否則就無法正確判斷電池的工作狀態(tài)。而且電池在線充、放電時電壓、電流都會產生波動，汽車內溫度變化及電磁干擾對電壓檢測產生較大的影響，要使電壓測量達到要求的精度比較困難。而目前應用在剩余電量預測方面有許多種算法，由于對電池內部運行機理的復雜性以及狀態(tài)的不可確定性，一般建立在實驗數據上的算法更為準確，對不同類型和安時數的電池而言算法可能不同

17、，因此專用性較強。 2.3.1 電動汽車電池管理系統(tǒng)的研究現(xiàn)狀 電動汽車的發(fā)展不斷成熟，但也還有很多問題沒有解決，例如如何提高電動汽車的續(xù)駛里程和舒適性，電池的剩余電量的指示，電池如何在變化的氣候條件下工作，如何對電池快速充電。電池的數量有限，充放電并不均衡。如何有效地利用電池的能量，延長電池的壽命。電動車還有能量回收的問題。這些問題都涉及到電池的能量管理和整車的能量管理。與電機、電機控制技術、電池技術相比，電池管理技術還不是很成熟。 電池自身的性能參數影響電池的壽命，但電池本身的問題不在電池管理的范圍之內。電池外部因素也影響電池的壽命，如電池的充電參數，包括充電方式、充電電流、充電

18、結束電壓；電池的放電參數，包括電池的放電電流、放電深度、脈沖電流等；電池的溫度；對電池維護的方式和頻率。從電動汽車的使用過程中發(fā)現(xiàn)，單個電池的壽命遠比電動汽車中的電池長，借助電池管理系統(tǒng)(BMS)，還可以優(yōu)化電池的外部參數，大大增加電池的壽命。 要實現(xiàn)這些功能就應建立一個電池監(jiān)測和控制系統(tǒng)，其功用是通過監(jiān)測和控制單個電池的性能，最大化電池的充放電效果。它是一個基于微處理器的適時監(jiān)測系統(tǒng)，每個不良電池的情況都應及時顯示在駕駛員儀表板上。預測電池每個循環(huán)可提供的電量及回收制動的能量所產生的電量，并控制放電深度和充電時和制動回收能量時的過充電。電池監(jiān)測和控制系統(tǒng)是一個隨車系統(tǒng)，因此電池的狀況是一個

19、動態(tài)的過程。 本文主要運用神經網絡法估算電動汽車電池SOC，通過實驗不斷優(yōu)化參數使得剩余電量預測更為準確。 2．4 發(fā)展電動汽車的重要意義 隨著能源危機的不斷加深，石油資源的日趨枯竭以及大氣污染、全球氣溫上升的危害加劇，作為有效緩解環(huán)境污染和能源衰竭的電動汽車將成為經濟舞臺上的主角。電動汽車的發(fā)展對經濟以及環(huán)境的影響意義重大： （1）節(jié)約能源，優(yōu)化能源結構。目前我國的石油對外依存太高，燃油車耗油占全國總油耗比例也日益增加。而電動汽車能量來源可以是多樣化的，推廣電動汽車能夠優(yōu)化能源供應結構，保證經濟發(fā)展中的能源安全。 （2）保護環(huán)境，減少碳排放量。電動汽車排放污染大氣的有害氣體是有限

20、的，推廣電動企業(yè)的發(fā)展，可以減少溫室氣體排放量，有效緩解大氣污染。 （3）優(yōu)化資源配置。我國鋰資源、稀土資源儲藏量豐富，發(fā)展電動汽車可充分利用我國現(xiàn)有的資源。 但是目前電動汽車行業(yè)還存在著一些問題亟待解決，燃料電池發(fā)動機的壽命短與傳統(tǒng)的內燃機相比相差很遠。燃料電池發(fā)動機的制造成本居高不下，這將制約著電動汽車的發(fā)展。準確估算電動汽車電池SOC，將有效的解決電池的使用壽命等問題。 3 電動汽車動力電池 3．1 動力電池的分類 動力電池是為電動汽車動力系統(tǒng)提供能量的蓄電池，主要包括鋰離子電池、鎳氫電池和鉛酸電池等[5][6]。 3.1.1 鉛酸電池 鉛酸蓄電池的正極活性物質是PbO

21、2，負極活性物質是海綿狀的金屬鉛，電解液是稀硫酸。其反應原理如下： 陽極反應 陰極反應 總反應 鉛酸蓄電池是最早發(fā)明的二次電池，其開路電壓高，價格便宜，放電電壓平穩(wěn)，生產技術成熟，使用可靠，因此一直被范圍廣的應用。但鉛酸蓄電池作為動力蓄電池主要存在循環(huán)壽命短、電池自放電較強、比能量低等缺點。 由于電極與電解液稀硫酸直接接觸，使極板柵很容易被腐蝕，且在電極上會生成緊密的白色硫酸鹽外皮，導致電池不能再充電，并且在放電過程中正極活性物質容易脫落，因此循環(huán)壽命一般僅為150-300次。 鉛酸電池安全性好、成本低，在微混和城市型純電動汽

22、車上具有一定優(yōu)勢。但能量密度低，所以無法在其它類型電動汽車上應用。 3.1.2 鎳氫電池 MH/Ni電池正極的活性物質為氫氧化鎳，負極板的活性物質為儲氫合金，其反應原理如下： 陰極反應 陽極反應 總反應 鎳氫蓄電池的電解液多采用KOH溶液，有時加入少量的LiOH。隔膜采用尼龍無紡布、多孔維尼綸無紡布等。 為了防止過充生成氣態(tài)氫氣引起爆炸，電池中設有防爆裝置。在充電時，負極析出的氫貯存在儲氫合金中，正極由氫氧化亞鎳變成氫氧化鎳NiOOH和H2O，放電時氧在負極被還原，正極由氫氧化鎳變成氫氧化亞鎳。 鎳氫動力蓄

23、電池具有良好的可逆性、高比能量、高功率、適合大電流放電、可循環(huán)充放電、無污染等特點，已經被廣泛的應用。 鎳氫電池技術成熟、安全性好，在混合動力的電動汽車領域占據主流地位。但能量密度低，成本高，技術發(fā)展較慢，性能也難以進一步提高。 3.1.3 鋰離子電池 由于金屬鋰位于元素周期表的第一主族第二位，在金屬中具有最負的標準電極電位(-3.045V)，以及最小的電化當量(0.259g/Ah)，因而與適當的正極材料匹配構成的鋰電池，具有比能量高、電壓高的特點。 以石墨/鋰鈷氧電池為例，反應原理如下： 負極： 正極： 電池總反應：

24、 與其它二次電池相比，鋰離子電池具有更良好的綜合性能，電池的平均電壓為3.6V；與相同瓦時數的鎳氫電池相比，重量和體積比鎳氫電池小約20%~30%，真正達到了高比能量。鋰離子電池特點是質量輕、能量大、使用壽命長、工作電壓高、低自放電，能夠連續(xù)、平穩(wěn)的放電，是目前世界上比能量最高、循環(huán)壽命最長的可充電電池之一。因為鋰離子電池有以上優(yōu)勢，鋰離子動力電池的研究也逐漸受到人們的重視。鋰離子電池性能較好，適用范圍也比較廣，具有良好的應用前景，在未來將逐步占據電動汽車電池市場的主流地位。 3．2 影響電池SOC的因素 準確估算電池SOC，可以提高動力電池的能量效率，延長電池的使用壽命。而影

25、響SOC準確計量的因素很多，其中自放電因素、溫度因素、放電倍率因素、電池壽命因素等都與SOC密切相關。 3.2.1 自放電因素 電池在貯存的過程中容量會下降，這是由電池的自放電引起的。引起自放電的原因是多方面的，包括電極的腐蝕，活性物質的溶解，電極上的歧化反應等，其中最主要的主要原因是負極的腐蝕和正極的自放電。 電池的負極一般是比較活潑的金屬，其標準電極電位比氫的電極負，當有正電性的金屬雜質存在時，就容易與負極形成有腐蝕作用的微電池。貯存過程中，在電池的正極上會發(fā)生副反應消耗正極的活性物質，從而使電池的容量下降。如果正極物質從電極上溶解，到達負極后就會發(fā)生氧化還原反應，引起自放電。

26、自放電速率可以用單位時間內容量降低的百分數來表示。為了計算電池的自放電，一般為電池管理系統(tǒng)配置一個實時時鐘，系統(tǒng)記錄下電池組上次掉電時和本次上電時的系統(tǒng)時間，得到電池組的靜置時間，然后根據事先通過離線實驗測得的自放電率來計算靜置時電池組的自放電，完成自放電補償。 3.2.2 溫度因素 由于電池中電極材料的活性和電解液的電遷移率等都與溫度有密切關系，所以環(huán)境溫度對電池性能的影響非常關鍵。其影響主要體現(xiàn)在以下幾個方面：對電池容量的影響，對電池電動勢的影響以及對電池自放電率的影響。 一般來說，電池的中高溫放電容量明顯比低溫時放電容量大，這是因為高溫有利于電極材料中離子的擴散，提高了材料的動力

27、學性能，同時電解液中電解質的電導率也隨著溫度的升高而增加，使得遷移內阻減小。但是如果溫度過高，電解液會發(fā)生副反應而產生大量的氣體，使電極材料變質，從而加速電池的老化，使電池的容量迅速衰減。 對于鉛酸蓄電池，可以根據如下經驗公式來針對溫度對電池容量的影響進行補償： （3-1） 式中：--溫度為T℃時的容量； --溫度為30℃時的容量； --溫度系數，一般取0.006～0.008的常數； 該式是把30℃時的容量作為標準容量，得出在溫度T時的電池容量。當然也可以選擇其他溫度（如2

28、5℃）下的容量作為標準。 對于鋰離子電池，工程中一般采用溫度系數的方法來對容量進行修正。假定在理想狀態(tài)下，用電流積分法（安時法）計算電量的公式如下： （3-2） 式中：--t時刻的電池電量； --t時刻的電池電量，這里假設t0時刻的電量為滿電量； 若考慮溫度對容量的影響，在溫度T時電池的初始容量變?yōu)?，總容量變?yōu)?是與溫度有關的溫度系數，是標準溫度下的總容量）。得到下式： （3-3） 考慮到t的荷電狀態(tài),則有：

29、 （3-4） 式中：?？梢酝ㄟ^實驗的方法得到在不同溫度下的，建立表格，計算時通過查表和線性插值的方法進行計算來實現(xiàn)對溫度的補償。 電池的電動勢也受到溫度的影響。在不同溫度下，同一個電池在相同SOC的情況下電動勢是不同的。以SONY公司的US18650鋰離子電池為例，以23℃為標準的溫度條件，不同溫度下電池電動勢的相對變化量ΔE(T)如圖3-1所示： 圖3-1 與電池溫度關系曲線 可以看出，對于鋰離子電池，溫度越高，電池的電動勢越高。在工程實際中，可以將電池在不同的溫度下靜置，獲得不同溫度下的ΔE (T)，建立數據表格，通過查表和線性插值的方法來使用。 另外，溫度

30、對電池的自放電率也有很大的影響?；瘜W電源在存儲過程中容量會下降，這主要就是由兩個電極的自放電引起的。引起電池自放電的原因是多方面的，如電極的腐蝕，活性物質的溶解等。溫度越高，電池的容量保持能力就越低，自放電率越大。 3.2.3 放電倍率因素 電池在不同放電倍率（即放電電流）下放電時，放出的電量是不一樣的。也就是說，在初始條件相同的情況下，用不同電流放電至截止電壓，電池所能放出的電量是不同的。一般來說，電流越大，能放出的電量越少。 早在1898年，Peukert就總結出了放電容量和放電電流關系的經驗公式，目前已經廣泛應用于蓄電池在變電流工作時的容量修正。Peukert經驗公式如下：

31、 （3-5） 式中：I--放電電流，A； t--放電時間，h； n--與電池類型有關的常數； K--與活性物質有關的常數； 將Peukert方程兩邊都乘以，方程變?yōu)榱?，，方程左邊是放電電流與時間乘積，在恒流放電的情況下實際上就是電池的放電容量Q，所以方程又可以寫成： （3-6） 由該方程可以看出，電池的放電容量Q是放電電流和常數n，K的常數。為了確定常數n，K的值，需要用兩種放電率，進行放電實驗，記錄兩種放電電流的放電時間和，于

32、是根據式（3-6）得到如下兩式： , （3-7） 分別取對數得到： , （3-8） 聯(lián)立兩式求解可得到n的值： （3-9） 將n帶入Peukert方程即可得到K的值。確定n和K的值以后就可以根據方程求出在不同放電電流下的放電容量，實現(xiàn)不同放電倍率下的容量補償。 假設為標準放電電流，放出的電量為標準容量；以電流放出的電量為。則由式（3-9）得到： , （3-10） 兩式相除得：

33、 （3-11） 令，則有： 將上式帶入理想狀態(tài)下的容量公式（3-6）得到： （3-12） 方程兩邊除以電流下的總容量可得： （3-13） 式中。根據n和K的值確定不同電流下的，建立表格，通過查表和插值的方法來對放電倍率進行修正，可以避免在工程實際中進行繁瑣的數學運算，同時又滿足精度的要求。 結合式（3-7）和（3-9），可以得到同時對溫度和放電倍率補償的SOC計算公式： （3-14） 3.2.4 電池壽命因素 蓄電池經歷一次充放電稱為一個

34、充放電周期，在一定的放電制度下，電池容量降至某一規(guī)定值之前，電池所經歷的循環(huán)次數，稱為二次電池的循環(huán)壽命。當電池的放電容量衰減到初始容量的70%左右時（不同電池有不同的規(guī)定），電池的循環(huán)次數就是電池的循環(huán)壽命。鋰離子電池的循環(huán)壽命一般在500～1000次。 影響電池壽命的主要因素有：在充放電過程中電極活性物質表面積減少，極化增大；電極活性物質脫落，腐蝕或晶型改變導致活性降低；電池內部短路；隔膜損壞等。如果不考慮電池老化因素，隨著電池組容量的下降，SOC計算會變得越來越不準確。 隨著電池循環(huán)次數的增加，會出現(xiàn)充放電容量下降和電池內阻增加的現(xiàn)象，它們的變化趨勢與電池的健康狀態(tài)（State of

35、 Health,SOH）有相對穩(wěn)定的函數關系，因此可以根據電池的容量和內阻來確定電池的SOH。 由于電池內阻的在線測量是很困難的，所以常常采用離線的方法得到電池容量與SOH的對應數據表格，汽車運行中對充放電循環(huán)次數累積計數，然后根據表格來對總容量進行修正?？紤]容量的修正系數，得到如下同時考慮溫度、放電倍率和SOH補償的SOC計算公式： （3-15） 4 人工神經網絡理論 人工神經網絡（簡稱神經網絡，Neural Network）[13][14]是模擬人腦思維方式的數學模型。神經網絡是在現(xiàn)代生物學研究人腦組織成果的基礎上提出的，用了模擬人類

36、大腦神經網絡的結構和行為，它從微觀結構和功能上對人腦進行抽象和簡化，是模擬人類智能的一條重要途徑，反映了人腦功能的若干基本特征。 4．1 生物神經元細胞 神經系統(tǒng)的基本構造單元是神經細胞，也稱神經元，它是基本的信息處理單元。它和人體中其他細胞的區(qū)別在于具有產生、處理和傳遞信號的功能。生物神經元主要有由細胞體、樹突、軸突和突觸組成。 其中樹突是由細胞體向外伸出，有不規(guī)則的表面和許多較短的分支的部分，其作用是收集由其他神經細胞傳來的信息。我們可以把樹突理解為信號的輸入端，用來接收神經沖動。軸突是由細胞向外伸出的最長的分支，其功能是傳出信息，其端部的許多神經末梢為信號的輸出端子。神經元之間樹

37、突和軸突相互連接的接觸點稱為突觸，其是調節(jié)神經元之間相互作用的基本單元，每個神經細胞所產生和傳遞的基本信息是興奮或抑制在兩個神經細胞之間由突觸傳遞，同時它還可以加強興奮或抑制的作用，但兩者不能同時發(fā)生。突觸對神經沖動的傳遞具有延時和不應性，在相鄰的二次沖動之間需要一個時間間隔。 簡單神經元網絡及其簡化結構如圖4-1所示，其中（1）為細胞體(Soma)（2）為樹突(Dendrite)（3）為軸突(Axon)（4）為突觸(Synapse)。 圖4-1 生物神經元模型 4．2 人工神經網絡模型 目前神經網絡模型的種類相當豐富，已有近40余種神經網絡模型，根據神經網絡模型的連接方式，人工

38、神經網絡大體上可分為三大類:前饋網、反饋網絡和自組織網絡。 4.2.1 前向網絡 如圖4-2所示，神經元分層排列，組成輸入層、隱含層和輸出層。每一層的神經元只接受前一層神經元的輸入。輸入模式經過各層的順次變換后，由輸出層輸出。在各神經元之間不存在反饋。感知器和誤差反向傳播網絡采用前向網絡形式。 圖4-2 前向型神經網絡 4.2.2 反饋網絡 如圖4-3所示，該網絡結構在輸出層到輸入層存在反饋，即每一個輸入節(jié)點都有可能接受來自外部的輸入和來自輸出神經元的反饋。這種神經網絡是一種反饋動力學系統(tǒng)，它需要工作一段時間才能達到穩(wěn)定。 圖4-3 反饋型神經網絡 4.2.3 自組

39、織網絡 如圖4-4所示，Kohonen網絡是最典型的自組織網絡。Kohonen認為，當神經網絡在接受外界輸入時，網絡將會分成不同的區(qū)域，不同區(qū)域具有不同的響應特征，即不同的神經元以最佳方式響應不同性質的信號激勵，從而形成一種拓撲意義上的特征圖，該圖實際上是一種非線性映射。這種映射是通過無監(jiān)督的自適應過程完成的，所以也稱為自組織特征圖。 圖4-4 自組織神經網絡 4．3 神經網絡特征及要素 4.3.1 神經網絡特征 神經網絡具有以下幾個特征： A. 能逼近任意非線性函數 B. 信息的并行分布式處理與存儲 C. 可以多輸入、多輸出 D. 便于用超大規(guī)模集成電路或光學集成電

40、路系統(tǒng)實現(xiàn)，或用現(xiàn)有的計算機技術實現(xiàn) E. 能進行學習，以適應環(huán)境變化 4.3.2 神經網絡三要素 神經網絡具有以下3個要素： A. 神經元（信息處理單元）的特性 B. 神經元之間相互連接的拓撲結構 C. 為適應環(huán)境而改善性能的學習規(guī)則 4．4 BP神經網絡 4.4.1 BP神經網絡簡介 BP網絡全稱為誤差反向傳播網絡(ErrorBackpropagationNN，EBP)，它是一種多層前向神經網絡，它是由一個輸入層，若干隱層和一個輸出層組成。 BP網絡可看成是一從輸入到輸出的高度非線性映射。BP網絡采用BP學習算法來訓練網絡權重。該算法是一種有導師學習算法，分兩步進

41、行:正向傳播和反向傳播。這兩個過程簡敘如下: （1）正向傳播，輸入的樣本從輸入層經過隱層一層一層進行處理，通過所有的隱層之后，則傳向輸出層:在逐層處理的過程中，每一層神經元的狀態(tài)只.對下一層神經元的狀態(tài)產生影響。在輸出層把現(xiàn)行輸出和期望輸出進行比較，若存在誤差，則進行反向傳播過程。 （2）反向傳播，反向傳播時，把誤差信號按原來正向傳播的通路反向傳回，并對每個隱層的各個神經元的權系數進行修改，以期望誤差信號趨向最小。當所有的樣本數據經過反復訓練達到誤差精度要求后，樣本數據即以各節(jié)點間連接權重的形式存儲下來。然后，在輸入層加上輸入信號，經正向傳播后，便得到期望輸出的近似值。 （3）網絡的拓撲

42、結構，BP網絡一般主要由輸入層、隱層、輸出層組成，隱層中的每一個節(jié)點分別與輸入層和輸出層的每個節(jié)點連接。在網絡建模的過程中，輸入層及輸出層節(jié)點數一般可根據實際需要加以確定，而隱層節(jié)點數的選取則有一定的難度，需要依據具體情況分析確定。 基本的BP算法存在以下缺點:(l)從數學上看它歸結為一非線性的梯度優(yōu)化問題，因此不可避免的存在局部極小問題。(2)學習算法的收斂速度慢，通常需要上千次或更多。 基本的BP算法最大的問題是采用梯度法時的步長和勢態(tài)項系數是由經驗確定的。步長和勢態(tài)項的系數選取不好會使訓練時間過長甚至會引起完全不能訓練其原因:一是網絡的麻痹現(xiàn)象，一是局部最小。 圖4-5 典型的

43、BP網絡結構圖 4.4.2 BP神經網絡算法的原理和步驟 BP算法實質上是把一組樣本輸入輸出問題轉化為一個非線性優(yōu)化問題，并通過梯度算法利用迭代運算求解權值問題的一種學習算法。其學習過程包括誤差正向傳播和反向傳播兩個過程。在正向傳播過程中，輸入信息從輸入層經隱含層逐層處理，并傳向輸出層，每一層神經元的狀態(tài)只影響下一層神經元的狀態(tài)。如果輸出層不能得到期望的輸出，則轉入反向傳播，將誤差信號沿原來的路徑返回。通過反復修改各層神經元的權值和閾值，使誤差最小。 BP算法的基本步驟為： (l)初始化權值W和閾值b，即把所有權值和閾值都設置成較小的隨機數； (2)提供訓練樣本集，包括輸入向量P和

44、要求的預期輸出T； (3)計算隱含層和輸出層的輸出； 隱含層的輸出為： （4-1） 輸出層得輸出為： （4-2） 式中，tansig是sigmoid型函數的正切式，sigmoid型函數為；purelin型函數是線性函數。 (4)調整權值: ,i=1,2,.... （4-3） 其中，w(k+l)、w(k)分別為k+1、k時刻的權向量；叮是學習率；D(k)是k時刻的負梯度。 (5)計算均方誤差函數mse： （4-4） 式中，e表示誤差

45、矢量，t表示目標矢量，a表示輸出矢量，N表示矢量維數。 (6) 重復步驟(2)一(5)，直至均方誤差函數滿足精度￡為止，即mse<。 圖4-6 BP網絡的學習方法示意圖 4.4.3 LM算法 在實際應用中，由于基本BP算法收斂速度慢，因此出現(xiàn)了許多改進算法。BP算法的改進主要有兩種途徑：一種是采用啟發(fā)式學習算法;另一種則是采用基于數值最優(yōu)化理論的優(yōu)化算法。其中，LM法是一種最為常用的算法。LM(LeveberMarquardi）算法，它無需計算優(yōu)化問題的Hessian矩陣，Hessian矩陣可以用下面的矩陣來近似替換：

46、（4-5） 其梯度為： （4-6） 其中，J是雅克比矩陣，它含有網絡訓練誤差的一階導數，是權值和閩值的函數。e是網絡誤差矢量，則： （4-7） 式中，I為單位矩陣；為系數，在計算過程中是自適應調整的。 如果比例系數μ=0，則為牛頓法；如果μ取值很大,則接近梯度下降法，每迭代成功一步，則μ減小一些，這樣在接近誤差目標的時候，逐漸與牛頓法相似。牛頓法在接近誤差的最小值的時候，計算速度更快，精度也更高。實踐證明，采用該方法可以較原來的梯度下降法提高速度幾十甚至上百倍。 LM算法實際上是梯度

47、下降法和牛頓法的結合。起始時，λ取一個很大的數,相當于經典的梯度下降法；隨著向最優(yōu)點的靠近，λ減小到零，則相當于牛頓法。這樣就克服了基本BP網絡收斂速度慢，存在局部極小問題等問題，這對于快速、精確的預測SOC是很有利的。 4.4.4 神經網絡模型的建立 考慮到鋰離子電池充放電的特點，本文采用3層LM神經網絡對SOC進行預測。網絡隱層節(jié)點數的選取目前尚無理論上的指導。影響SOC的因素很多，提高輸入層節(jié)點數，即考慮的因素越多，并不能提高神經網絡的判別準確率，反而增加了學習時間。同時，考慮到指標的簡易性和代表性，根據Kolmogorov定理，一個3層的前向網絡具有對任意精度連續(xù)函數的逼

48、近能力。 輸入層的輸入矢量為[X1,X2]，其中X1是電池的放電電流的數值(I)，X2是電池放電電壓的數值(U)。輸出層只有一個節(jié)點(Y)，并認為是MH/Ni電池的放電容量。經過多次試驗后，發(fā)現(xiàn)在隱含層中采用15個節(jié)點就可以比較準確地描述鋰離子電池放電電流和放電電壓與電池放電容量的關系。矩陣選取2個指標(某時刻電池的電壓、電流)，即輸入層的神經元節(jié)點數為2。一個輸出，即該時刻電池的SOC。隱含層采用Transig激活函數，輸出層采用Purelin線性激活函數。 激活函數是一個神經元及網絡的核心，網絡解決問題的能力與功效除了與網絡的結構有關，在很大程度上取決于所采用的激活函數。在進行SOC預

49、測時，輸入層和隱含層之間的激活函數采用正切Sigmoid函數,隱含層與輸出層采用線性函數。正切Sigmoid函數如下： （4-8） 選用Trainlm函數對網絡進行訓練,最大訓練步數epochs為500； goal為110-6；show為2，其他參數均選用缺省值。網絡經初始化，利用函數Trainlm對網絡進行500次的訓練后，網絡誤差平方和mse達到了目標誤差(goal)要求，即E<110-6。 5 基于神經網絡的電動汽車電池SOC估算研究 5．1 動力電池的充放電實驗 5.1.1 樣本數據的選取 保持測試的環(huán)境溫度為25℃，在相對

50、較小的電流下進行放電，在充放電測試儀上對鋰離子動力電池進行測試，并自動記錄電池的電壓、電流和放電容量。 測量的具體步驟為： （1）通過相同的充電制度將電池充滿電，擱置1小時； （2）以0.2C、0.6C、1.0C、1.4C、1.8C、2.0C的放電倍率對電池進行放電； （3）選擇放電電壓、電流為輸入變量，對應的放電容量為輸出變量； （4）對以上數據進行標準化處理； 因為隱含層采用S型激活函數，而S型激活函數的輸入和輸出變量應在相應的區(qū)間范圍內，所以標準化處理的過程是必不可少的。 標準化處理的公式： （5-1） 式中：—標準化后的數值；

51、 —測量數值中的最大值； —測量數值中的最小值； 圖5-1 鋰離子電池2C的充電曲線 圖5-2 鋰離子電池2C的放電曲線 5．2 BP網絡電池模型的建立 鋰離子動力電池是一種高比能量、高比功率的新型電池。電池的充放電是通過Li+在正負極之間的遷移來實現(xiàn)的。通過前面的研究，我們知道鋰離子動力電池在放電初期放電電壓迅速降低，而且隨著放電倍率的增大，放電電壓下降的速度隨之增大；鋰離子動力電池在放電的中期有一個較長的電壓平臺，在這一階段放電電壓相對平穩(wěn)，而且放電倍率越大，放電電壓平臺越低；在鋰離子動力電池放電后期，放電電壓又一次進入快速衰減期。隨著電池放電倍率的增大，鋰

52、離子動力電池的放電容量成下降趨勢。這是由于鋰離子在電池內的擴散速度較慢，隨著放電電流的增加，電池內的濃差極化增大，由電池的固有內阻所引起的電壓降也增加，從而使電池的放電容量相應下降。鋰離子動力電池的電流、電壓、溫度和內阻都對電池容量和SOC產生的影響。溫度和內阻會對鋰離子動力電池的容量產生一定的影響，但影響并不是很大；電流和電壓應是影響電池容量的主要因素小電流和常溫放電對鋰離子動力電池是有利的。于是我們在建立電池模型時，保池的放電容量只與電池持測試的環(huán)境溫度為25℃，放電在中等倍率下進行，以減少溫度、內阻對鋰離子動力電池容量的影響。這樣我們就可以認為，鋰離子動力電的電壓和電流有關。以具有兩個輸

53、入變量，一個輸出變量的映射關系，即： Q(放電容量)=f（U,I） （5-2） 根據Kolmogorov定理，給定任意連續(xù)函數，可以精確的用一個三層BP網絡實現(xiàn)，該網絡的第一層即輸入層有n個神經元，中間層有(2n+1)個神經元，第三層即輸出層有m個神經元。一個三層的前向網絡具有對任意精度連續(xù)函數的逼近能力。因此，建立三層BP網絡，來反映鋰離子動力電池的放電容量只與電池的電壓和電流之間的關系。該網絡具有兩個輸入變量，即某一點的電壓和電流，一個輸出變量，即這一點對應的容量。隱含層采用S型激活函數，輸出層采用線性激活函數。這樣我們就建立了鋰離子動力電池的B

54、P網絡模型。 圖5-3 具有三層結構的神經網絡模型 5．3 神經網絡的訓練 MATLAB是用于算法開發(fā)、數據可視化、數據分析以及數值計算的高級技術計算語言和交互式環(huán)境，主要包括MATLAB和Simulink兩大部分。MATLAB 的應用范圍非常廣，包括信號和圖像處理、通訊、控制系統(tǒng)設計、測試和測量、財務建模和分析以及計算生物學等眾多應用領域。附加的工具箱（單獨提供的專用 MATLAB 函數集）擴展了 MATLAB 環(huán)境，以解決這些應用領域內特定類型的問題。 本文利用MATLAB仿真系統(tǒng)對網絡進行訓練，主要用到了MATLAB中神經網絡工具箱。MATLAB操作環(huán)境如下圖所示：

55、圖5-4 Matlab操作環(huán)境 在Matlab操作環(huán)境中調用人工神經網絡工具箱，其過程如圖5-5和圖5-6所示： 圖5-5 人工神經網絡工具箱調用 圖5-6 人工神經網絡工具箱操作界面 首先將標準化處理后的數據輸入網絡，采用LM算法訓練網絡，設定誤差指數SSE為0.005，經過435個步長的訓練，網絡誤差收斂達到了精度的要求，其網絡誤差曲線如圖5-7所示： 圖5-7 網絡誤差曲線 由上圖可以看出，網絡誤差達到了精度要求，這樣我們就完成了對神經網絡的訓練?？梢詰梦覀兘⒌纳窠浘W絡模型進行SOC估算。 5．4 網絡的測試 在對網絡進行訓練的基礎上

56、，應用BP網絡進行測試。首先將訓練所用的數據輸入網絡，分別為0.2C、0.6C、1.0C、1.4C、1.8C、2.0C放電倍率下，鋰離子動力電池容量測量數據（Measured date）與預測數據（Estimated date）的比較圖。 圖5-8 0.2C下放電容量測量數據與預測數據的比較曲線 圖5-9 0.6C下放電容量測量數據與預測數據的比較曲線 圖5-10 1.0C下放電容量測量數據與預測數據的比較曲線 圖5-11 1.4C下放電容量測量數據與預測數據的比較曲線 圖5-12 1.8C下放電容量測量數據與預測數據的比較曲線 圖5-13 2.0C下放電容

57、量測量數據與預測數據的比較曲線 從圖中可以看出，對放電容量的預測值與實驗所得的真實結果相差很小，誤差小于7％。上述實驗表明，我們已經建立了有效的BP網絡。 保持測試的環(huán)境溫度不變，仍為25℃，在充放電測試儀上以放電倍率0.8C、1.0C、1.6C對鋰離子動力電池進行測試，并自動記錄電池的電壓、電流和放電容量，測量步驟同上，將三組放電倍率下電池的電壓和電流數據輸入網絡，其輸出結果如下圖所示： 圖5-14 0.8C下放電容量測量數據與預測數據的比較曲線 圖5-15 1.0C下放電容量測量數據與預測數據的比較曲線 圖5-16 1.6C下放電容量測量數據與預測數據的比較曲線 從

58、圖中可以看出，對放電容量的預測值與實驗所得的真實結果相差不大，最大相對誤差小于7％，滿足對鋰離子動力電池容量預測的要求。 上述實驗表明，我們建立的BP網絡具有較好的適應性，已經較為有效的預測了鋰離子動力電池電壓、電流和放電容量間的映射關系。我們可以較為準確的用人工神經網絡對電動汽車電池進行SOC的估算。 結 論 電動汽車動力電池組SOC估計是電池技術的重點也是難點。準確估算電動汽車電池SOC，可以幫助我們及時了解到電池所處的狀態(tài)，準確預測電動汽車的續(xù)駛里程，以及防止電池的過充電或過放電，延長電動汽車電池的壽命。 電池是一個高度非

59、線性的系統(tǒng)，很難建立描述其充放電過程的準確數學模型。神經網絡具有非線性的基本特性，所以神經網絡能夠模擬電池的復雜動態(tài)特性，這為估計電池SOC提供了新方法，MATLAB軟件也為神經網絡方法估計SOC的實際應用提供了可能。 本文在針對鋰離子動力電池本身性能研究的基礎上，應用人工神經網絡理論，對電動汽車用鋰離子動力電池進行建模和分析。我們在收集了大量的試驗數據的前提下，利用MATLAB進行了仿真計算，對BP網絡進行訓練，實現(xiàn)了電動汽車鋰離子動力電池智能管理系統(tǒng)模型的建立，并得到以下結論： （1）進一步完善和改進電池組神經網絡模型。在本文的計算過程中，簡化了一些影響因素，如環(huán)境溫度對電池容量的影

60、響等。 （2）為了更加準確估計電池組的SOC，應該適當的增加輸入的數量，這樣就能更接近于實際的電池工況，準確的估計電池組的SOC。 （3）如果以神經網絡模型作為基礎，結合其他SOC的估計方法，或許能夠更準確的得到電池組的SOC。 （4）要獲得比較準確的電池電動勢值，需要將它靜置足夠長的時間，以提高精度。 （5）可以嘗試用反饋神經網絡來取代BP網絡估算電池的充放電系數。 致 謝 本論文是在王業(yè)琴老師的親切關懷和悉心指導下完成的。無論是方案的確定，還是淪文的撰寫，王業(yè)琴老師都給予了我極大的幫助和支持。記得在做課題初期，感覺自己觸及的是一

61、個全新的領域，不知從何做起，是她給了我啟發(fā)，引導我去尋找新的思路和方法。從課題開始到論文完稿的這段時間里，我與王業(yè)琴老師進行過多次交流和探討。在交流和探討的過程中，不但糾正了我以前對一些問題的錯誤認識，而且還強化了對許多新的概念的正確理解，真是受益匪淺。特別是她那淵博的專業(yè)知識、一絲不茍的科研精神、嚴謹的治學態(tài)度、兢兢業(yè)業(yè)的工作作風，令我終身難忘。在此，謹向我的導師王業(yè)琴老師致以最衷心的感謝和最崇高的敬意! 另外，我要向所有學習期間曾給我?guī)椭睦蠋?、同學和朋友表示感謝，向多年來一直默默無聞支持我的家人表示由衷的感謝，沒有他們的支持，便沒有我今天的成績。 最后，衷心地感謝在百忙中評閱本文和參

62、加答辯的各位老師。 參 考 文 獻 1 劉劍，谷中麗，戴旭文.EV用蓄電池的發(fā)展與應用.汽車工藝與材料，2002年第2期 2麻友良，陳全世，齊占寧.電動汽車用電池SOC定義與檢測方法[J].清華大學學報（自然科學版）,2001（41）：11-13 3 黃文華，韓曉東，陳全世等.電動汽車SOC估計算法與電池管理系統(tǒng)的研究[J].汽車工程,2007（3）：198-202 4 張美云，潘玲.國內外電動汽車的發(fā)展概括和趨勢[J].廣西機械，2006（3）：19-22 5 高玉京，陳全世，林成濤等.電動汽車用鋰離子蓄電池

63、充放電性能[J].電源技術,2006（7）：539-542 6 吳川.動力鋰離子電池正極材料及相關機理研究，博士論文，北京理工大學，2002 7 林成濤，王軍平，陳全世.電動汽車SOC估計方法原理與應用[J].2004（5）：376-378 8 宮學庚，齊鉑金，劉有兵，楊清新.電動汽車動力電池模型和SOC估算策略[J].電源技術,2004（10）：633-666 9 紹海邱，鐘志華，何利平等.電動汽車動力電池模型及SOC預測方法[J].電源技術,2004（10）：637-640 10 邱綱，陳勇.電動汽車用動力電池組SOC的神經網絡估計[J].大連理工大學學報,2006（4）：230

64、-233 11 趙克剛，羅玉濤，裴鋒.基于神經網絡的電池荷電狀態(tài)估計方法[J].中南大學學報（自然科學版）,2007（10）：930-933 12 裴晟，陳全世，林成濤.基于支持向量回歸的電池SOC估計方法研究[J]電源技術,2006（3）：242-246 13 袁曾任.人工神經元網絡及其應用.北京清華大學出版社.1999 14 高雋.人工神經網絡原理及仿真實例，北京：機械工業(yè)出版社，2 15 Battery Management System with State of Charge Indicator for Electrical vehicle.Beijing Institute of Technology.2007[Z]