为了保证超级电容系统能够在复杂多变的车辆运行环境中安全、可靠、高效地工作，需要对超级电容系统进行有效的管理。其中，超级电容系统管理中两个最重要的功能就是SOC状态估计和能量管理。对于SOC状态估计，由于超级电容器存在非线性特性，而传统的电流积分法受到电流采集精度、初始误差以及环境噪声干扰等影响，估计精度较低，因此，基于模型的算法被广泛应用。对于能量管理策略，由于超级电容系统常与其他高能量密度储能系统（如燃料电池、锂离子动力电池）构成复合电源，因此，需要制定实时控制策略。针对复合电源系统能量管理策略研究，基于模型的优化控制策略备受关注。可以看出，无论是对于超级电容SOC状态估计，还是复合电源的能量管理策略制定，建立精确的超级电容系统模型是关键。此外，为了满足实时运行和车辆复杂随机的运行条件，模型除应具有高精度外，还应具有适当的模型复杂度和对随机运行条件良好的鲁棒性。综上所述，如何在模型预测精度、模型复杂度以及鲁棒性三者之间找出一个平衡点是一个亟待解决的难题。
文献中提出许多超级电容器模型，大致可以分为三类：电化学模型、神经网络模型和等效电路模型。电化学模型可以精确描述超级电容器内部的物理化学变化及其外特性，但是，该类模型结构复杂且部分参数难以辨识，不适用于超级电容系统的实时管理。神经网络模型可以精确描述给定输入与输出的函数关系，但是，模型精度取决于模型训练数据的数量和质量，而且超级电容器使用过程中内部参数随着老化发生变化，需要重新训练模型，耗时费力，导致该类模型实际应用价值较低。等效电路模型具有模型精度高、参数少、结构简单等优点，成为学术界研究的热点，但是缺乏系统性对比研究。
对比三种常用等效电路模型。首先基于训练数据，利用遗传算法离线辨识最优模型参数；然后，利用验证数据从模型预测精度、模型复杂度和鲁棒性三方面比较模型的有用性。图5−2列出了利用遗传算法辨识最优模型参数的步骤。(www.xing528.com)
图5−2 等效电路模型最优参数估计
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
