基于模糊逻辑的纯电动公交车动力电池工作状态评价

左付山 李政原 周天 杨柳

摘 要：为解决纯电动公交车动力电池工作状态易受到诸多因素影响的问题，利用模糊逻辑算法，进行纯电动公交车动力电池工作状态评价。根据动力电池工作状态变化原因的多样性和模糊性，选取动力电池总电压、动力电池温度和绝缘阻值为评价参数，建立对应的隶属度函数和模糊评判矩阵，并建立模糊数学评判模型，将评判模型获得的动力电池工作状态与研究对象的实际工作状态相对比，结果表明所得结果与实际相符合。由此证明所构建的评判模型可以实现对纯电动公交车电池的故障预判，从而提高纯电动公交车运行的安全性，保证公交运营系统的正常工作。

关键词：动力电池;模糊逻辑;纯电动公交车;工作状态;评价

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

純电动公交车受到城市道路以及运营特点的影响，具有长期低速大负荷、起停频繁、负荷变化率大和高压电器设备多等运行特点。电池、电机和电控是电动汽车中最为重要的3个部分[1]。其中，动力电池作为电动汽车的核心部件，其性能与寿命很大程度上决定了汽车电动化的进程[2-4]。由于动力电池制造水平和车辆运行工况不确定，动力电池在运行中不可避免会出现不稳定状态，进而导致相关故障的发生[5-6]。因此，对纯电动公交车电池组工作状态进行实时评价，可以有效提高纯电动公交车运行安全性，提高电池组的可靠性。

电池组的故障现象复杂，其评价具有复杂性，因此在电动汽车动力电池故障诊断方面，相关学者已开展了一系列研究。具体技术方面，古昂等[7]利用神经网络算法，建立纯电动汽车动力电池组故障诊断模型，实现了对动力电池组的故障诊断，可准确显示电池的故障类型和故障原因，但此方法的结构难以确定，存在收敛速度慢、局部极小值、过学习与欠学习等缺点，特别是需要大量的动力电池组性能参数数据作为训练样本对网络进行大量的学习训练[8-9];李思博[10]提出利用贝叶斯网络对锂电池进行故障诊断，该方法误差较大，准确度不高;王一卉[11]构建了动力电池组故障诊断专家系统，该方法中的知识库反映的是模糊性而不是随机性，无法解决故障原因的复杂性和不确定性。

由于以上研究方法存在不足，又考虑到电池的故障现象、故障原因的复杂性和模糊性，难以借助确定的数学模型来描述[12]，因此，本文利用模糊逻辑算法解决其故障所具有的模糊性、随机性问题，该方法无需大量的试验数据，能对故障症状与故障原因之间的模糊关系进行准确描述，对模糊性信息具有较强的表达能力[13-16]。本文选取的研究对象是纯电动公交车上常用的磷酸铁锂电池组，在电池组不解体的前提下，建立模糊评判模型，并通过实例验证评价模型的准确性，从而实现对纯电动公交车动力电池的故障预判。

1 动力电池工作状态评价

动力电池作为车辆的动力源，其工作状态需要进行量化的评判，根据评判结果做出相应的处理，以提高车辆的安全性和可靠性。本文利用模糊逻辑算法，建立模糊评判模型，评判纯电动公交车电池的工作状态。针对动力电池组模块，本文选取动力电池总电压VB、绝缘阻值R0和动力电池温度TB建立模糊评判模型。

1.1 模糊数学评判模型建立

根据大量电池故障的研究和总结，将电池使用过程中的工作状态分为工作状态良好、工作状态一般、工作状态差和工作状态很差4个类别，见表1。

模糊综合评判数学模型见公式（1）[17-18]。

根據公式（1）可得B，B中的4个数值分别对应不同程度电池工作状态的隶属度，根据最大隶属度原则选择4个数值中的最大值，即为对应的纯电动公交车电池的工作状态。模糊综合评价模型示意图如图1所示。

其中，A和R的确定是模糊综合评价方法的重点。A是动力电池3个评价参数的模糊输入集，R是3个因素各单因素的模糊关系矩阵。

1.2 模糊输入集建立

动力电池模糊输入集隶属函数的确立，先根据专家经验进行初步确定，然后通过实际运行不断进行修正。

（1）动力电池组总电压隶属函数的建立

针对本文研究对象，当电池电压超过710.4 V或者低于499.2 V时，电池已处于不可工作状态。电池组总电压处于547.2～693.12 V时，电池工作状态良好，无故障可能性;当电池组总电压处于499.2～547.2 V和693.12～710.4 V时，故障的可能性增大，工作状态变差，但是隶属于故障的程度变化不一致。本文基于美国国家航空航天局（National Aeronautics and Space Administration，NASA）公布的不同性能状态的磷酸铁锂电池实验数据，分析不同性能状态的动力电池所对应的电池组电压，将电压按区间分类，总结不同动力电池组总电压对于电池性能变差的影响程度，得到动力电池组总电压隶属关系数据分布如图2所示。

根据电池组总电压的隶属关系数据分布图，发现其符合分段函数的形式。对数据进行模糊化处理后，在Matlab中进行拟合得到电池组总电压隶属函数曲线，如图3所示，其隶属函数见公式（3）。

（2）动力电池组温度隶属函数的建立

本文所研究的磷酸铁锂电池规定的正常工作范围为0～55 ℃，一旦超过此温度，电池工作状态变差的可能性将不同程度的变大。本文基于NASA公布的不同性能状态的磷酸铁锂电池实验数据，分析不同性能状态的电池所对应的动力电池组温度，将温度按区间分类，总结不同动力电池组温度对于电池性能变差的影响程度，得到温度隶属关系数据分布如图4所示。

用Matlab拟合的过程中发现，动力电池组温度隶属关系数据分布点连接起来与K次抛物形曲线相似度很高。以这个曲线为基准调试拟合曲线，最终得到了动力电池组温度隶属函数曲线，如图5所示，其隶属函数见公式（4）[19]。

根据3个参数对应的隶属函数，建立模糊输入集A，为了消除干扰，模糊输入集在实时运算时要进行归一化处理。

1.3 模糊关系矩阵建立

在模糊关系矩阵确定的过程中，综合现有专家对动力电池故障分析的经验、电池工作状态和外部表征之间关系的研究成果，以及项目公司提供的不同性能状态的电池数据统计分析，初步确定模糊矩阵中元素的初始值。然后，通过输入大量的实际纯电动公交车工作状态数据，对模糊关系矩阵的元素不断进行调整和验证，直到所建立的评价模型达到一定准确性。

对于模糊关系矩阵R的建立，基于大量数据和专家经验的支撑，判断每个参数对于动力电池4个工作状态的影响比重。模糊关系矩阵R的建立是产生评价结果B的关键一步。

2 试验验证

为了验证前文所建立的模糊评判模型的准确性，根据项目公司提供的6组不同运行状态下的公交车电池数据，通过本文所建立的模糊评判模型对纯电动公交车电池工作状态进行评价并验证。表2中，依次列出了编号为1—6号纯电动公交车动力电池各性能参数数据，运用模糊评判模型，得到综合评判结果，并对电池工作状态进行评价。

从表2中可看出，模糊评判模型得出的评价结果与电池实际工作状态相一致。

其中，对于1号纯电动公交车动力电池工作状态评价结果分析流程如图6所示。

根据表2，并结合前文隶属度函数可得1号纯电动公交车动力电池模糊输入集A=（0.11 1 0.3），归一化之后为（0.078 0 0.709 2 0.212 8）与模糊矩阵R进行算子运算，得到综合评判结果B=（0.318 4 0.382 3 0.434 4 0.159 9）。根据评判结果矩阵B可以看出，1号纯电动公交车电池的工作状态为：31.84%隶属于工作状态很差，38.23%隶属于工作状态差，43.44%隶属于工作状态一般，15.99%隶属于工作状态良好。按照最大隶属度原则，最终的评价结果是1号纯电动公交车电池工作状态一般，与实际情况相符合。

同理，2号纯电动公交车电池工作状态一般;3号纯电动公交车电池工作状态差，继续运行可能会 出现严重故障;4号纯电动公交车电池工作状态一般;5号纯电动公交车电池工作状态差;6号纯电动公交车电池工作状态很差，车辆已无法运行。均与公交车电池实际工作状态相吻合。

本文所建立的模糊评判模型得到的结果与实际相符合，在纯电动公交车电池工作状态评价上具有有效性与准确性。运用此模糊评判模型可实时监测动力电池组总电压、温度和绝缘阻值，并进行分析处理，一旦监测数据超过限值，及时预警，快速做出应对措施，从而实现对纯电动公交车故障的预判，保证公交运营系统的正常工作。

3 结束语

本文根据纯电动公交车动力电池组故障现象、故障原因的复杂性，选用模糊逻辑算法，针对动力电池组总电压、动力电池组温度和绝缘阻值建立了模糊评判模型，并运用此模型评价电池工作状态，同时与某公司提供的实际数据相对比，验证了模糊评判模型的可行性与准确性，可以实现目前纯电动公交车动力电池组工作状态的故障预判，达到实时监控的效果。

【参 考 文 献】

[1]张鹏.电池管理系统对电动汽车发展的影响[J].科技创新与应用， 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]刘红强，欧阳志红.新能源汽车的故障问题分析与维修关键技术[J].内燃机与配件，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]陈跃.新能源汽车常见故障诊断及其维修技术研究[J].湖北农机化，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.模糊神经网络专家系统在动力锂电池组故障诊断中的应用[J].电测与仪表，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]赵辉，刘娜，周永勤.模糊综合评判在电池性能检测中的应用[J].哈尔滨理工大学学报，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，张向文.基于RBF神经网络的动力电池故障诊断系统研究[J].电源技术，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]孟庆武，赵宏伟，孙润诚.基于BP神经网络算法的电池组故障诊断研究[J].自动化与仪器仪表，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]张俊.基于神经网络的纯电动汽车动力电池系统故障诊断[J].电子技术与软件工程，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.锂动力电池系统性能分析及故障诊断研究[D].哈尔滨：哈尔滨理工大学，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.纯电动汽车锂电池故障诊断系统的研究[D].长春：长春工业大学，2015.

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

[12]刘维，杜俊平，周鹏飞，等.基于模糊算法的电动车动力电池故障诊断研究[J].客车技术与研究，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]杨启成.新能源汽车维修中电子诊断技术的运用[J].时代汽车，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]李晓辉，张向文，周永健，等.模糊神经网络的动力电池故障诊断系统[J].电源技术，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]李阳，张立恒，侯旭.城区道路网空间结构布局合理性的模糊综合评价[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]李兴，张鹏.基于模糊神经网络的高速公路边坡危险性评价与防护策略[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.