电动汽车以其无污染，不依赖石油能源等优势越来越受到市场的欢迎[1]，然而动力电池问题始终困扰着电动汽车的发展，尤其是电池SOC的估算问题[2]。目前电池SOC估算大多采用安时积分法[3]、神经网络算法[3]或卡尔曼滤波方法[4－5]等单一算法，也有经过参数修正的综合算法估算SOC[6]。但均是将电池充放电过程看成一个整体，至始至终采用某一种或综合算法估算SOC，无法保证整个充放电过程估算的准确性，且整体计算量偏大。由此，提出对整个SOC估算过程进行分阶段处理方法，使电池在整个使用过程中对SOC的估算不再局限于某一种算法，而是针对电池在使用过程中区分各阶段特点，运用相应的针对性算法，这样不仅估算更为准确，同时减少计算量，符合实车估算要求，大大提升了实车运用的可行性。

分阶段思想就是根据电池在使用时，其充放电时电池内部温度、阻值等变化不同的特点，人为地将电池的使用过程划分为静止、单纯充电、单纯放电和混合充电四个阶段。然后按照电池各阶段特点提出针对性电池SOC估算算法。这样在电池SOC估算时能根据电池使用各阶段运用相应算法，使电池SOC的估算更加准确可靠。

1 分阶段SOC估算

1.1 SOC定义与估算控制策略

1.1.1 SOC定义式

传统电池SOC估算式为：

式中：Q为电池的消耗电量；QN为电池额定容量。

以上计算式虽然能适合电池任何工作状态时刻，但在实际电池SOC估算中是无法测量的，必须通过检查电池充放电电流、电压、容量等参数来确定。

1.1.2 SOC估算控制策略

考虑到某一种或综合算法无法保证整个充放电过程SOC估算的准确性，提出将电池组整个工作过程细分为电池组纯充电、纯放电、充放电混合状态和静止不工作四个阶段。根据不同阶段特点，提出相应的SOC算法，实现分阶段估算，精度更高。具体控制方法如图1所示。

为使软件系统更加完善,需要强化系统试运行期间的测试工作，以让操作者得到更满意的体验感受，在得到用户比较认可的方案后，还需要根据用户的操作感受及时反馈进行修改完善。

分阶段控制流程图指明了分阶段算法控制策略，控制中心思想是通过对电流的监测，来初步确定电池充放电状态，在确定充放电状态后通过对相应充放电电流持续时间进行检测，同时将检测结果与门限值比较来最终确定电池充放电SOC估算算法。

图1 电池分阶段控制流程

1.2 纯充电

经过推导，电池充放电效率计算式为：

印尼桂是樟属另一种植物，与中国肉桂和越南肉桂较相似，但仍有一定区别。在香气成分组成上，印尼桂精油含有样本中最高的桂皮醛(67.862%)和较低的α-可巴烯(2.556%)，闻香可感知其强烈的辛辣气味。

1860年咸丰帝亲点刘崐为载淳师傅，教授未满六岁的皇太子，成为同治皇帝的老师、国史馆副总裁、经筵讲官。53岁时，咸丰帝驾崩，年仅六岁的载淳登基,改元同治,寓“两宫太后同治天下”之意,真正执掌国政的是慈禧。那拉氏和恭亲王发动“辛酉政变”,以“图谋不轨”将肃顺等八位辅政大臣治罪。此事件处死3人,处分5人,革职6人,处理太监5人,共计19人，户部侍郎刘崐受牵连被革职。慈禧掌权后,知刘崐颇有办事才干,跟肃顺等也仅仅是工作上的关系,遂在同治元年三月“赏已革侍郎刘崐六品顶戴，在实录馆当差”,任实录总纂,撰写咸丰帝《文宗本纪》。同治三年起用为太常寺少卿、擢太仆寺卿,同治五年转内阁学士兼礼部侍郎衔。

安时积分法为：

根据传统EKF算法可以算出状态量的估计X(k)和相应的协方差矩阵P(k)，那么采用EKF算法估计电池SOC的算法流程如下：

但上式未考虑温度、充电电流、内阻、电池寿命SOH等因素的影响，实际应用时须进行修正，更好实现SOC估计。

1.2.1 初始SOC0确定

纯放电阶段是指汽车正常行驶过程中，无减速状态，此阶段采用安时积分法与负载电压法相结合的方法对电池SOC进行估算。另外，此阶段也受到电池温度、放电电流、电池容量和SOH等因素的影响，也须考虑相关影响因素的修正。

式中：U0为电池t0时开路电压；W为电池完全放电时的开路电压；V为电池完全充满电时开路电压。

1.2.2 温度修正

一般而言，高温会促进电极材料离子的扩散，也会提高电解液中电解质的电导率，同时也加速电池内水分的流失而增大电解液的浓度。因此，随着环境温度及电池自身温度的升高，电池的容量会有所增加[8]。然而，电池内部温度的升高却会加速极板的腐蚀。高温会使蓄电池极板穿孔，内部活性物质脱落，导致阻碍电池内部电化学反应，降低电池容量[8]。因此，不得不考虑温度对电池容量的影响，其温度补偿系数为：

式中：mT是温度系数，一般取0.006～0.008；T为当前时刻温度。

修正后的SOC估算为：

1.3 纯放电阶段

安时积分法几乎无法确定初始SOC0。静止一段时间单独充电时，电池一般处于较为稳定状态，荷电状态与开路电压在一定范围内有线性关系，且受温度和电池老化等因素影响较小。因此，在电池开始充放电时，满足一定条件下，可以通过检测电池两端的开路电压得到电池的初始容量SOC0[6]，计算如式(3)所示：

根据式(2)所示，某一时刻t，可得：

式中：Q是电池实际可用容量；SOC(t)是电池t时刻的电池SOC；SOCt－1是电池前一时刻的电池SOC；i是电池放电电流，放电时为正值。

式中：Q0是标准放电容量，Qr是任意放电容量。

1.3.1 放电效率

为了精确估算电池SOC，必须考虑到电池充放电效率η。根据Peukert方程，动力电池恒流放电电流与持续放电时间的关系：

式中：I为恒流放电电流值；t为充满电的电池持续放电到截止电压的时间；n为与电池类型有关的常数；Const则代表与电池活性物质相关的常数。

纯充电阶段是指电动汽车处于停车静止充电状态，此时电池参数较稳定，采用安时积分与开路电压法相结合的方法[7]，可简化操作复杂性，减少计算量。

活性炭内部含有丰富的孔隙结构，各种孔对活性炭吸附性能的贡献有着很大的差异。一般认为，大孔容积在0.2～0.8 cm3/g，比表面积小于0.5 m2/g；中孔容积介于0.1～0.5 cm3/g，比表面积在20～70 m2/g，不超过总面积的5%；微孔容积介于0.2～0.6 cm3/g，比表面积在400～1 000 m2/g，甚至更高，占总面积的95%以上[7]。

1.3.2 电池健康因素

微机原理及接口技术作为一门理论性与实践性均较强的课程，针对笔者学校目前该课程的实验教学现状，本文在实践能力培养、实验教学设计、实验教学资源建设等方面进行了一些探索，希望能够进一步推进实践教学改革，提高教学质量和教学效果。

额定容量是指新电池在标准放电倍率下可以放出的电量，但随着电池逐渐老化，实际可用容量也会不断损失。若忽视电池容量的损失，则估算出的SOC会偏离真实值，误差越来越大。电池SOH在数值上就等于当前老化电池的实际可用容量与新电池额定容量的比值，因此可以将SOH直接用作电池健康状态的修正系数，在算法中一般用kl表示。

1.3.3 电池可用容量

电池可用容量规定为特定温度下电池可用容量一般分为(1/3)C、(1/2)C、C三个阶段，根据温度影响特点，容量修正可通过插值法获得。

“可是后来她把我甩了，我成了淘汰品，还好被你收留。”楚墨转过身，说，“我跟你说过好几次的。我先去收拾碗筷。”

1.4 充放电混合状态

充放电混合状态相对来说过程比较复杂，简单算法并不适用，此阶段采用扩展卡尔曼算法(EKF)进行电池SOC的估算[6]。

由于在电池组充放电混合状态过程中，很多检测参数之间并不是线性关系，在考虑其非线性因素后，可以建立EKF一般形式的非线性系统方程：

式中：f(·)和 h(·)为非线性函数；W(k)和 V(k)分别为过程噪声和观测噪声，且相应的协方差矩阵为Q和R。

式中：SOC(t)为电池在t时刻的SOC；i为电池工作电流的瞬时值，充电时刻i取负；Q0为当前电池的实际可用容量；SOC0为初始t0时刻电池的SOC。

你们年轻人就是不知道爱惜自己的身体。说完这话，老陈看一眼我，又说，你知道吗？前些日子，二十米桥那里死了一个人，都上电视了。我惊出一身冷汗，说真的死了？老陈说，电视台都报道了，我还能说瞎话。我的身子晃了一下，差点从沙发上跌下来。老陈说，那个开车的撞了人，居然跑了。真是个畜生！

(1)初始化 X0，P0；

(2)计算当前时刻系统状态和噪声协方差估计值：

(3)计算当前时刻卡尔曼增益矩阵K，矩阵C是开路电压对状态求偏导得到的雅克比矩阵：

(4)由状态方程计算系统输出：

(5)更新为

重新进行迭代运算。

1.5 静止状态

静止状态，理想时没有充放电动作。但由于自放电性及内部均衡等都会造成一定电池能量转移和损失。然而停车时间一般不会过长，这个过程造成能量损失相当少。因此，静止状态时就不对电池组进行SOC估计。

2 仿真分析

为了验证算法的可行性，针对不同算法特点选择不同仿真工况进行仿真分析。这里为了便于说明，将仿真电池设定为锂电池。

2.1 纯充电状态

由于单纯充电状态是考虑到汽车在静止较长时单纯静止充电状态，所以在仿真时只需模拟单纯汽车静止充电状态。此阶段采用CYC_TEST_10sec工况，仿真对比结果如图2所示。

结果表明：修正算法得到的SOC变化曲线与安时积分法趋势基本一致，但电池SOC下降程度要比安时积分法低；同时在能量回收时，曲线倾斜度比安时积分法要小。说明修正算法在结合修正参数后，对电池SOC估算时比安时积分法更加精确。

1.2.1 腹式呼吸训练 患者取仰卧位、半卧位或半坐卧位，两膝轻轻弯曲，使腹肌松弛，一手放在胸骨柄部控制胸部起伏，另一手放在脐部，以感觉腹部隆起程度和呼吸时帮助腹肌收缩。深吸气腹部徐徐凸起后，憋气约2 s，然后缩唇慢呼气，呼气时间是吸气时间的2倍。每分钟6次。每天进行3次，每次训练20 min。

因此，综合考虑电池放电效率、电池健康因素、电池可用容量、电池温度等因素后，纯放电状态电池SOC估算表达式为：

图2 单纯充电状态下SOC变化曲线

2.2 纯放电状态

纯放电状态是模拟汽车在匀速或者加速行驶状况，不考虑能量回收。在CYC_const_65工况下，仿真结果如图3所示。

图3 单纯放电状态下SOC变化曲线

结果表明：随着放电程度加深以及放电时间增加，安时积分法得到的结果表明电池SOC急剧下降，而修正算法得到的结果下降程度明显小于安时积分法，这表明经过参数修正后的修正算法对SOC的估计更符合实际情况。

2.3 充放电混合状态

充放电混合状态采用NEDC工况进行仿真分析，得到电机扭矩曲线如图4所示，卡尔曼滤波与安时积分法对比结果如图5所示。

肋机构设计借鉴了台湾学者颜鸿森提出的颜氏创造性设计法，提取EST-VIII构架式展开天线基本单元运动原理(图7)，在抛物线方向通过展开机构与拉索作用在金属网面形成抛物线，在柱面方向通过矩形肋拓展即可得到柱面[7-8]。

图4 NEDC工况下电机扭矩变化曲线

图5 卡尔曼与安时积分法仿真结果

结果表明：在充放电混合状态下，卡尔曼算法比安时积分法在计算SOC更加精确，实时跟踪效果更加明显，灵敏性更好，在复杂工况下估算电池SOC更符合实车使用要求。

2.4 SOC综合估算

为了验证各算法组合成综合算法的可行性，此阶段进行综合算法仿真分析。

2.4.1 频繁充放电状态

在CYC_UKBUS_MASS_VAR1工况下，分析频繁充放电过程，验证SOC综合算法，车速变化如图6所示，电机扭矩变化如图7所示，SOC变化如图8所示。

图6 车速变化

图7 电机扭矩变化

图8 SOC变化

结果表明：汽车在频繁加、减速过程中，安时积分法估算SOC是基本直线下降，并不能反应出汽车减速过程中能量回收时对电池充电的效果。而综合算法能够更加清晰地根据工况，实时反应出电池SOC变化情况。且在多算法分阶段处理后更好体现出各个算法在不同阶段估算SOC的优点，在提高估算SOC精度的同时减少了计算量，更好符合实车使用要求。

2.4.2 能量回收明显工况

为了验证综合算法在长时间能量回收时算法选择的灵活性，选择NEDC工况下进行验证，车速变化如图9所示，电机扭矩变化如图10所示，SOC变化如图11所示。

王秋枫指出，目前我国煤制天然气存在盲目建设的问题，已建项目对煤制气的技术瓶颈和市场瓶颈缺乏预判。项目虽然分期建设，但一期建设时同步建设了全项目的厂外工程、部分后期公用工程和辅助设施。一期运营受挫后，折旧费用和摊销费用高，形成更多的沉没资产和财务成本。目前拟建设煤制气项目的企业一定要提前考虑好产品的市场、气价、输送、调峰、环保等问题。他认为，在中国的能源结构条件下，实现煤炭高效清洁利用是战略发展之路，煤制气是接替常规气的一条出路。由于煤制天然气的生产成本相对固定，随着国内常规气开采成本逐年递增、天然气对外依存度连年升高，未来我国煤制天然气行业或许前景可期。

将互联网智能、Deep Learning等技术深度应用到搜救机器人领域，使机器人有自行决定方案的能力；机器人采用锥形身部，特殊的骨架可以让机器人保持良好的稳定性，并且较其他种类机器人更加容易进入场地；机器人头部换成钻头形式，可加快清除障碍物等作业的速度；将生命探测仪的主要装置——探地雷达天线加入到机器人设计当中，能够非常敏锐地捕捉到非常微弱的运动；利用互联网连接，可实时传输前方情况。搜救机器人创意图如图2所示。

图9 车速变化

图10 电机扭矩变化

图11 SOC变化

结果表明：综合算法能够根据路况变化较好反应出电池SOC变化情况。而从图11可知，在仿真后期综合算法SOC处于上升趋势；而安时积分法SOC持续下降，表明综合算法更符合实际情况。而且，充放电结束，综合算法获得的SOC值要大于安时积分法，说明能量回收更多，更符合工况特点，适应性更强。

粉土天然状态下CBR值较低，具有水稳性差、不易成型等特点，不能满足路床的强度要求，需考虑掺加石灰或水泥来保证压实质量、提高路基稳定性，使路基能长时间具备良好的使用性能，对保证路面使用性能、节约后期维修费用、提高运输效益等具有十分重要的意义。

3 结论

(1)采用分阶段处理方法，针对电池不同工作状态，提出相应的SOC算法，并根据不同工况进行分阶段仿真分析。结果表明：分阶段SOC算法在估算SOC时精度高、跟踪性好，更加符合实车实用要求，同时也为综合算法联合仿真提供了可行性理论依据。

非Fisher分布CFAR检测区域如图5中C、D、E所示，三块检测区域的模型辨识结果(不含目标)如图6所示.区域C、D、E散点分别集中位于K、G0、Inverse Beta (IB)分布区域，因此认为杂波分别服从K、G0、IB分布.

(2)由分阶段算法估算SOC时提供的可行性理论依据，提出SOC综合算法，并在频繁充放电和能量回收明显工况下进行仿真分析。结果表明：SOC综合算法在复杂工况下自我调整能力更好，实时跟踪SOC状态更加精确灵敏，在提高了SOC估算精度的同时，减少了计算量，增加实车运用的可行性。

参考文献：

[1]FRIESKE B.Trends in Vehicle Concept and Key Technology Development for Hybrid and Battery Electric Vehicles[C]//Institute of Electrical and Electronics Engineers Inc.，Barcelona：IEEE ，2013：19-27.

[2]陈虹，宫询，胡云峰.汽车控制的研究现状与展望团[J].自动化学报，2013，39(4)：322-346.

[3]华贵山，倪受春，林其斌.基于电动汽车锂电池的SOC动态估算策略[J].电测与仪表，2014，51(2)：58-62.

[4]高明煌，何志伟，徐杰.基于采样点卡尔曼滤波的动力电池SOC估计[J].电工技术学报，2011，26(11)：161-167.

[5]徐颖，沈英.基于改进卡尔曼滤波的电池SOC估算[J].北京航空航天大学学报，2013(12)：1-6.

[6] 吴红斌，顾细，赵波.典型蓄电池的建模与荷电状态估算的对比研究[J].电子测量与仪器学报，2014，28(7)：717-723.

[7]雷晶晶，李秋红，陈立宝.动力锂离子电池管理系统的研究进展[J].电源技术，2010，34(11)：1190-1194.

[8]WILLIAMSON S S.Energy Management Strategies for Electric and Plug-in Hybrid Electric Vehicles[M].Berlin：Springer，2013.