基于模糊邏輯的純電動公交車動力電池工作狀態評價

左付山 李政原 周天 楊柳

摘 要：為解決純電動公交車動力電池工作狀態易受到諸多因素影響的問題，利用模糊邏輯算法，進行純電動公交車動力電池工作狀態評價。根據動力電池工作狀態變化原因的多樣性和模糊性，選取動力電池總電壓、動力電池溫度和絕緣阻值為評價參數，建立對應的隸屬度函數和模糊評判矩陣，并建立模糊數學評判模型，將評判模型獲得的動力電池工作狀態與研究對象的實際工作狀態相對比，結果表明所得結果與實際相符合。由此證明所構建的評判模型可以實現對純電動公交車電池的故障預判，從而提高純電動公交車運行的安全性，保證公交運營系統的正常工作。

關鍵詞：動力電池;模糊邏輯;純電動公交車;工作狀態;評價

Abstract：In order to solve the problem that the working state of the pure electric bus power battery is susceptible to many factors， the fuzzy logic algorithm is used to evaluate the working status of the pure electric bus power battery. According to the diversity and ambiguity of the working state changing of the power battery， the total voltage， temperature and the insulation resistance of power battery are selected as the evaluation parameters， the corresponding membership function and fuzzy evaluation matrix are established， and the fuzzy mathematics evaluation model is established. The working state of the power battery obtained by the evaluation model is compared with the actual working state of the research object， and the results show that the obtained results are consistent with the actual situation. It can be seen that the constructed evaluation model can realize the fault prediction of the pure electric bus battery， thereby improving the safety of the pure electric bus operation and ensuring the normal operation of the bus operation system.

Keywords：Power battery; fuzzy logic; pure electric bus; working status; evaluation

0 引言

純電動公交車受到城市道路以及運營特點的影響，具有長期低速大負荷、起停頻繁、負荷變化率大和高壓電器設備多等運行特點。電池、電機和電控是電動汽車中最為重要的3個部分[1]。其中，動力電池作為電動汽車的核心部件，其性能與壽命很大程度上決定了汽車電動化的進程[2-4]。由于動力電池制造水平和車輛運行工況不確定，動力電池在運行中不可避免會出現不穩定狀態，進而導致相關故障的發生[5-6]。因此，對純電動公交車電池組工作狀態進行實時評價，可以有效提高純電動公交車運行安全性，提高電池組的可靠性。

電池組的故障現象復雜，其評價具有復雜性，因此在電動汽車動力電池故障診斷方面，相關學者已開展了一系列研究。具體技術方面，古昂等[7]利用神經網絡算法，建立純電動汽車動力電池組故障診斷模型，實現了對動力電池組的故障診斷，可準確顯示電池的故障類型和故障原因，但此方法的結構難以確定，存在收斂速度慢、局部極小值、過學習與欠學習等缺點，特別是需要大量的動力電池組性能參數數據作為訓練樣本對網絡進行大量的學習訓練[8-9];李思博[10]提出利用貝葉斯網絡對鋰電池進行故障診斷，該方法誤差較大，準確度不高;王一卉[11]構建了動力電池組故障診斷專家系統，該方法中的知識庫反映的是模糊性而不是隨機性，無法解決故障原因的復雜性和不確定性。

由于以上研究方法存在不足，又考慮到電池的故障現象、故障原因的復雜性和模糊性，難以借助確定的數學模型來描述[12]，因此，本文利用模糊邏輯算法解決其故障所具有的模糊性、隨機性問題，該方法無需大量的試驗數據，能對故障癥狀與故障原因之間的模糊關系進行準確描述，對模糊性信息具有較強的表達能力[13-16]。本文選取的研究對象是純電動公交車上常用的磷酸鐵鋰電池組，在電池組不解體的前提下，建立模糊評判模型，并通過實例驗證評價模型的準確性，從而實現對純電動公交車動力電池的故障預判。

1 動力電池工作狀態評價

動力電池作為車輛的動力源，其工作狀態需要進行量化的評判，根據評判結果做出相應的處理，以提高車輛的安全性和可靠性。本文利用模糊邏輯算法，建立模糊評判模型，評判純電動公交車電池的工作狀態。針對動力電池組模塊，本文選取動力電池總電壓VB、絕緣阻值R0和動力電池溫度TB建立模糊評判模型。

1.1 模糊數學評判模型建立

根據大量電池故障的研究和總結，將電池使用過程中的工作狀態分為工作狀態良好、工作狀態一般、工作狀態差和工作狀態很差4個類別，見表1。

模糊綜合評判數學模型見公式（1）[17-18]。

根據公式（1）可得B，B中的4個數值分別對應不同程度電池工作狀態的隸屬度，根據最大隸屬度原則選擇4個數值中的最大值，即為對應的純電動公交車電池的工作狀態。模糊綜合評價模型示意圖如圖1所示。

其中，A和R的確定是模糊綜合評價方法的重點。A是動力電池3個評價參數的模糊輸入集，R是3個因素各單因素的模糊關系矩陣。

1.2 模糊輸入集建立

動力電池模糊輸入集隸屬函數的確立，先根據專家經驗進行初步確定，然后通過實際運行不斷進行修正。

（1）動力電池組總電壓隸屬函數的建立

針對本文研究對象，當電池電壓超過710.4 V或者低于499.2 V時，電池已處于不可工作狀態。電池組總電壓處于547.2～693.12 V時，電池工作狀態良好，無故障可能性;當電池組總電壓處于499.2～547.2 V和693.12～710.4 V時，故障的可能性增大，工作狀態變差，但是隸屬于故障的程度變化不一致。本文基于美國國家航空航天局（National Aeronautics and Space Administration，NASA）公布的不同性能狀態的磷酸鐵鋰電池實驗數據，分析不同性能狀態的動力電池所對應的電池組電壓，將電壓按區間分類，總結不同動力電池組總電壓對于電池性能變差的影響程度，得到動力電池組總電壓隸屬關系數據分布如圖2所示。

根據電池組總電壓的隸屬關系數據分布圖，發現其符合分段函數的形式。對數據進行模糊化處理后，在Matlab中進行擬合得到電池組總電壓隸屬函數曲線，如圖3所示，其隸屬函數見公式（3）。

（2）動力電池組溫度隸屬函數的建立

本文所研究的磷酸鐵鋰電池規定的正常工作范圍為0～55 ℃，一旦超過此溫度，電池工作狀態變差的可能性將不同程度的變大。本文基于NASA公布的不同性能狀態的磷酸鐵鋰電池實驗數據，分析不同性能狀態的電池所對應的動力電池組溫度，將溫度按區間分類，總結不同動力電池組溫度對于電池性能變差的影響程度，得到溫度隸屬關系數據分布如圖4所示。

用Matlab擬合的過程中發現，動力電池組溫度隸屬關系數據分布點連接起來與K次拋物形曲線相似度很高。以這個曲線為基準調試擬合曲線，最終得到了動力電池組溫度隸屬函數曲線，如圖5所示，其隸屬函數見公式（4）[19]。

根據3個參數對應的隸屬函數，建立模糊輸入集A，為了消除干擾，模糊輸入集在實時運算時要進行歸一化處理。

1.3 模糊關系矩陣建立

在模糊關系矩陣確定的過程中，綜合現有專家對動力電池故障分析的經驗、電池工作狀態和外部表征之間關系的研究成果，以及項目公司提供的不同性能狀態的電池數據統計分析，初步確定模糊矩陣中元素的初始值。然后，通過輸入大量的實際純電動公交車工作狀態數據，對模糊關系矩陣的元素不斷進行調整和驗證，直到所建立的評價模型達到一定準確性。

對于模糊關系矩陣R的建立，基于大量數據和專家經驗的支撐，判斷每個參數對于動力電池4個工作狀態的影響比重。模糊關系矩陣R的建立是產生評價結果B的關鍵一步。

2 試驗驗證

為了驗證前文所建立的模糊評判模型的準確性，根據項目公司提供的6組不同運行狀態下的公交車電池數據，通過本文所建立的模糊評判模型對純電動公交車電池工作狀態進行評價并驗證。表2中，依次列出了編號為1—6號純電動公交車動力電池各性能參數數據，運用模糊評判模型，得到綜合評判結果，并對電池工作狀態進行評價。

從表2中可看出，模糊評判模型得出的評價結果與電池實際工作狀態相一致。

其中，對于1號純電動公交車動力電池工作狀態評價結果分析流程如圖6所示。

根據表2，并結合前文隸屬度函數可得1號純電動公交車動力電池模糊輸入集A=（0.11 1 0.3），歸一化之后為（0.078 0 0.709 2 0.212 8）與模糊矩陣R進行算子運算，得到綜合評判結果B=（0.318 4 0.382 3 0.434 4 0.159 9）。根據評判結果矩陣B可以看出，1號純電動公交車電池的工作狀態為：31.84%隸屬于工作狀態很差，38.23%隸屬于工作狀態差，43.44%隸屬于工作狀態一般，15.99%隸屬于工作狀態良好。按照最大隸屬度原則，最終的評價結果是1號純電動公交車電池工作狀態一般，與實際情況相符合。

同理，2號純電動公交車電池工作狀態一般;3號純電動公交車電池工作狀態差，繼續運行可能會 出現嚴重故障;4號純電動公交車電池工作狀態一般;5號純電動公交車電池工作狀態差;6號純電動公交車電池工作狀態很差，車輛已無法運行。均與公交車電池實際工作狀態相吻合。

本文所建立的模糊評判模型得到的結果與實際相符合，在純電動公交車電池工作狀態評價上具有有效性與準確性。運用此模糊評判模型可實時監測動力電池組總電壓、溫度和絕緣阻值，并進行分析處理，一旦監測數據超過限值，及時預警，快速做出應對措施，從而實現對純電動公交車故障的預判，保證公交運營系統的正常工作。

3 結束語

本文根據純電動公交車動力電池組故障現象、故障原因的復雜性，選用模糊邏輯算法，針對動力電池組總電壓、動力電池組溫度和絕緣阻值建立了模糊評判模型，并運用此模型評價電池工作狀態，同時與某公司提供的實際數據相對比，驗證了模糊評判模型的可行性與準確性，可以實現目前純電動公交車動力電池組工作狀態的故障預判，達到實時監控的效果。

【參 考 文 獻】

[1]張鵬.電池管理系統對電動汽車發展的影響[J].科技創新與應用， 2017， 7（7）： 111.

ZHANG P. The impact of battery management system on the development of electric vehicles[J]. Technology Innovation and Application， 2017， 7（7）： 111.

[2]JIANG J C， ZHANG C P. Fundamentals and applications of lithium-ion batteries in electric drive vehicles[M]. Singapore： John Wiley & Sons， 2015.

[3]劉紅強，歐陽志紅.新能源汽車的故障問題分析與維修關鍵技術[J].內燃機與配件，2018，39（20）：166-167.

LIU H Q， OUYANG Z H. Analysis and maintenance key technologies of faults in new energy vehicles[J]. Internal Combustion Engines & Parts， 2018， 39（20）： 166-167.

[4]陳躍.新能源汽車常見故障診斷及其維修技術研究[J].湖北農機化，2019，41（13）：59.

CHEN Y. Research on common fault diagnosis and maintenance technology of new energy vehicles[J]. Hubei Agricultural Mechanization， 2019， 41（13）： 59.

[5]王一卉，姜長泓.模糊神經網絡專家系統在動力鋰電池組故障診斷中的應用[J].電測與儀表，2015，52（14）：118-123.

WANG Y H， JIANG C H. Application of fuzzy neural network expert system in fault diagnosis of power lithium battery pack[J]. Electrical Measurement & Instrumentation， 2015， 52（14）：118-123.

[6]趙輝，劉娜，周永勤.模糊綜合評判在電池性能檢測中的應用[J].哈爾濱理工大學學報，2018，23（3）：143-148.

ZHAO H， LIU N， ZHOU Y Q. Application of fuzzy comprehensive evaluation in battery performance detection[J]. Journal of Harbin University of Science and Technology， 2018， 23（3）： 143-148.

[7]古昂，張向文.基于RBF神經網絡的動力電池故障診斷系統研究[J].電源技術，2016，40（10）：1943-1945.

GU A， ZHANG X W. Research on power battery fault diagnosis system based on RBF neural network[J]. Chinese Journal of Power Sources， 2016， 40（10）： 1943-1945.

[8]孟慶武，趙宏偉，孫潤誠.基于BP神經網絡算法的電池組故障診斷研究[J].自動化與儀器儀表，2017，37（11）：45-47.

MENG Q W， ZHAO H W， SUN R C. Research on battery pack fault diagnosis based on BP neural network algorithm[J]. Automation & Instrumentation， 2017， 37（11）： 45-47.

[9]張俊.基于神經網絡的純電動汽車動力電池系統故障診斷[J].電子技術與軟件工程，2018，7（24）：234-235.

ZHANG J. Fault diagnosis of power battery system of pure electric vehicle based on neural network[J]. Electronic Technology & Software Engineering， 2018， 7（24）： 234-235.

[10]李思博.鋰動力電池系統性能分析及故障診斷研究[D].哈爾濱：哈爾濱理工大學，2019.

LI S B. Performance analysis and fault diagnosis of lithium battery system[D]. Harbin： Harbin University of Science and Technology， 2019.

[11]王一卉.純電動汽車鋰電池故障診斷系統的研究[D].長春：長春工業大學，2015.

WANG Y H. Research on fault diagnosis system for pure electric vehicle lithium battery[D]. Changchun： Changchun University of Technology， 2015.

[12]劉維，杜俊平，周鵬飛，等.基于模糊算法的電動車動力電池故障診斷研究[J].客車技術與研究，2018，40（2）：9-13.

LIU W， DU J P， ZHOU P F， et al. Fault diagnosis of electric vehicle power battery based on fuzzy algorithm[J]. Bus & Coach Technology and Research， 2018， 40（2）： 9-13.

[13]楊啟成.新能源汽車維修中電子診斷技術的運用[J].時代汽車，2019，16（11）：123-124.

YANG Q C. Application of electronic diagnostic technology in new energy vehicle maintenance[J]. Auto Time， 2019， 16（11）： 123-124.

[14]李曉輝，張向文，周永健，等.模糊神經網絡的動力電池故障診斷系統[J].電源技術，2019，43（8）：1391-1394.

LI X H， ZHANG X W， ZHOU Y J， et al. Power battery fault diagnosis system based on fuzzy neural network[J]. Chinese Journal of Power Sources， 2019， 43（8）： 1391-1394.

[15]李陽，張立恒，侯旭.城區道路網空間結構布局合理性的模糊綜合評價[J].公路工程，2019，44（3）：102-106.

LI Y， ZHANG L H， HOU X. Fuzzy comprehensive evaluation of urban road network on the rationality of spatial structure layout[J]. Highway Engineering， 2019， 44（3）：102-106.

[16]李興，張鵬.基于模糊神經網絡的高速公路邊坡危險性評價與防護策略[J].公路工程，2018，43（5）：305-309.

LI X， ZHANG P. Risk assessment and protection strategy of expressway slope based on fuzzy neural network[J]. Highway Engineering， 2018， 43（5）：305-309.