5.3.1 电池剩余电量估计
就像传统汽车驾驶人常常需要留意车上剩余的油量还有多少一样，对于一个电动汽车的驾驶人而言，需要知道剩余的电量还剩余有百分之几，这就是电池管理系统的电池剩余电量（SOC）估计模块所需要完成的功能。剩余电量估计是电池管理系统的一项重要的功能，同时也是最具有挑战性的功能。近年来，在电池管理系统领域超过一半的研究工作都是围绕SOC估计进行的。
SOC（State of Charge，荷电状态）算法一直是BMS开发应用的关键技术之一。SOC是BMS中最重要的参数，其他一切都是以SOC为基础的，所以它的精度和鲁棒性（也叫纠错能力）极其重要。如果没有精确的SOC，加再多的保护功能也无法使BMS正常工作，因为电池经常会处于被保护状态，更无法延长电池的寿命。 目前SOC估算按照算法模型通常分为：安时法、开路电压法、内阻法、卡尔曼滤波法与神经网
络法等。
1）安时法：由放电法发展而来的算法，其以电流离散积分作为净放电量。其模型简单，但是积分初始值不确定，电池容量不是恒定值，对初始SOC的精度要求较高，多次循环后算法精度较低。
2）开路电压法：在锂电池经过足够时间的静置后，其开路电压与电池SOC存在单值函数关系，据此判定不同电压应对应不同的SOC。其模型输入数据可靠，获取简单，在电池电量耗尽或者充满前，该算法精度较高，但是在电池正常工作区间，电压测量误差引起的算法误差很大。并且，开路电压法要求电池长时间静置后才有效。
3）内阻法：用不同频率的交流电激励电池，测量电池内部交流电组，并通过建立计算模型估算SOC值。在内阻数据获取准确的情况下算法模型可靠，精度较高。但是电池SOC与电阻参数之间关系复杂，用传统的数学方法很难建模，还有很多因素会改变内阻。
4）卡尔曼滤波法：将电池SOC看作系统的一个状态分量，通过迭代算法实现电池SOC收敛于真值。其估算精度高，算法模型可靠，但对模型选择和模型参数的依赖性很强，而且由于模型参数漂移和算法运算量大等因素，目前很少实现于单片机。
2.SOC估算考虑因素
为了满足不同“功能模块”对SOC值的参考需求，SOC值的含义需要更多元，对不同功能输出的SOC值要更精确。SOC定义性质维度见表5.13。
表5.13 SOC定义性质维度
5.3.2 电池健康状态估计
动力电池系统经过长期运行性能将不断衰减，有效地评估电池健康状态（SOH，State of Health）不仅是计算SOC等关键参数的重要依据，同时对评判动力电池系统何时需更换、是否可降级使用、降级之后的利用价值评估等方面都有着重大的参考意义。应该指出，SOH受动力电池中工作温度、放电电流的大小等因素的影响，需要在使用过程中不断进行评估和更新，以确保驾驶人获得更为准确的信息。 1.电池健康状态的影响因素
1）温度：电池温度的变化会引起电池自身参数的变化，如内阻的增加和充放电效率的抖动。当电池的温度过高时，会降低电池的使用寿命；当电池的温度过低时，电池内部的活性物质就会受到影响，这会使得电池的充放电效率降低。
2）过度使用：当电池放电至截止电压时，电池电量放完到0，继续放电会对电池内部的活性物质带来不可逆的影响，从而使电池的使用寿命降低，同理，过充电也会对电池寿命造成影响。
3）自放电率：自放电的定义是当电池放置在常温的环境下，没有与外电路进行连接，由其自身的内部反应而发生的容量损耗现象。
4）内阻：在多次充放电工作以后，电池内部由于化学变化，内阻会逐渐增加，相应的内阻损耗也会逐渐增加，这就造成了电池可用能量的降低。当锂离子电池的内阻越来越大，其损耗的电能转换为热能也会越来越多，加速内部化学反应，电池的寿命也会随着内部化学变化的加速以及温度的升高逐渐终结。
5）充放电倍率：当使用电池的时候，如果没有按照电池自身的充放电倍率对其进行充放电，会对电池的性能造成很大影响，甚至影响电池的使用寿命。
6）放电深度：放电深度表示电池充放电的深入程度，蓄电池的放电深度越大，电池内部的活性物质激活就越多，电池释放的电量就越大，但是会影响电池的寿命。
2.SOH估算方法
（1）循环周期数法
通过对电池的循环周期进行计数，当电池的循环次数到达一定的范围时，就认为电池到达使用寿命。这种方法需要考虑不同循环条件、循环状态等因素对循环寿命的影响，根据经验和标准参数两者共同确定电池寿命。
（2）安时法与加权安时法
一个电池从新到老充电、放电整个过程中能够处理电量的总安时数应该是一个定值，累积安时电量达到一定的程度则认为电池到达寿命，这种方法就是安时法。加权安时法考虑电池在不同状况下放出相同的电量时，对寿命的损伤程度有轻有重，所以当放出的电量乘以一个加权系数之后的累积安时数达到某个值后认为电池到达寿命终结。
（3）面向事件的老化累积方法
这种方法首先要制定引起电池寿命损失的特定事件的描述，一般每个事件都有一个损伤程度的尺度描述，监测电池在使用过程中事件发生的情况，累计每个事件引起电池寿命衰减情况给出当前电池的剩余寿命。
（4）基于机理的方法
基于机理的预测需要研究每一个老化因素对状态变量的影响，这种方法首先要对电池物理化学过程进行模型描述，基于欧姆定律、基尔霍夫电压电流定律、电化学反应过程（Butler-Volmer定律）、扩散过程（Fick 定律）等，然后研究老化过程对状态变量影响的规律。一方面要研究电池的机理模型，另一方面要研究老化过程、应力因素对状态变量影响的老化机理模型。
（5）基于特征的预测方法
基于特征寿命预测的思路是利用电池老化过程中所表现出的特征参量的演变，建立特征量取值与电池健康状态之间的对应关系用于寿命预测。
（6）基于数据驱动的预测
基于数据驱动的预测不需要对象系统的机理知识，以采集的数据为基础，通过各种数据分析学习方法挖掘其中的隐含信息进行预测。
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议