超详细总结
来源：锂电前沿
导读
电动汽车需要安全、⾼效的电池作为动⼒来源。锂电池因为其⼯作电压平稳、能量密度和充电效率⾼、⾃放电率低、没有记忆性、使⽤寿命长等优点被⽤作新⼀代电动汽车理想的动⼒源。如何实现电池剩余电量的准确估算对提⾼锂电池的最⼤利⽤率、不断优化电池技术意义重⼤。在电动汽车的研究与开发中，准确地预测电池的ＳＯＣ对发挥电动汽车的最佳性能、预测电动车的续驶⾥程有着⾄关重要的作⽤。但是锂电池的荷电状态不能直接测出，⽽且受充放电的速率、电池的⽼化程度、电池的内阻等诸多因素的影响，使其精确快速的测量具有⼀定难度。在阅读了⼤量相关⽂献的基础上，⽂中综合阐述了⽬前锂电池荷电状态的⼀些主要预测⽅法，并对各类⽅法的优缺点进⾏了⽐较。 正⽂
⼀、荷电状态(SOC)定义
SOC即State of Charge，指电池的荷电状态。从电量、能量等不同的⾓度，SOC有多种不同的定义⽅式。美国先进电池联合会(USABC)定义的SOC被⼴泛采⽤，即电池在⼀定的放电倍率下，剩余电量与相同条件下额定容量的⽐值。相应的计算公式为：
式中，Qm为电池按照恒定的电流I进⾏放电时的最⼤放电容量；Ｑ(In)为在t时间⾥，标准的放电电流I下电池所释放的电量。
⼆、锂电池荷电状态预测⽅法
锂电池的荷电状态是电池管理系统的重要参数之⼀，也是整个汽车的充放电控制策略和电池均衡⼯作的依据。但是由于锂电池本⾝结构的复杂性，其荷电状态不能通过直接测量得到，仅能根据电池的某些外特性，如电池的内阻、开路电压、温度、电流等相关参数，利⽤相关的特性曲线或计算公式完成对荷电状态的预测⼯作。
锂电池的荷电状态估算是⾮线性的，⽬前常⽤的⽅法主要有放电实验法、开路电压法、安时积分法、
卡尔曼滤波法、神经⽹络法等。
开路电压1 放电实验法
放电实验法的原理是：以恒定的电流使电池处于不间断的放电状态，当放电到达截⽌电压时对所放电量进⾏计算。放电电量值为放电时所采⽤的恒定电流值与放电时间的乘积值。放电实验法经常在实验室条件下估算电池的荷电状态，并且⽬前许多电池⼚商也采⽤放电法进⾏电池的测试。
它的显著优点是⽅法简单，估算精度也相对较⾼。其缺点也很突出：不可以带负载测量，需要占⽤⼤量的测量时间，并且放电测量时，必须中断电池之前进⾏的⼯作，使电池置于脱机状态，因此不能在线测量。⾏驶中的电动汽车电池⼀直处于⼯作状态，其放电电流并不恒定，此法不适⽤。但放电实验法可在电池检修和参数模型的确定中使⽤。
2 开路电压法
电池长时间充分静置后的各项参数相对稳定，此时的开路电压与电池荷电状态间的函数关系也是相对⽐较稳定的。若想获得电池的荷电状态值，只需测得电池两端的开路电压，并对照OCV-SOC曲线来获取相应信息。
开路电压法的优点是操作简单，只需测量开路电压值对照特性曲线图即可获得荷电状态值。但是其缺
点有很多：⾸先此⽅法要想获得准确值，必须使电池电压处于相对稳定状态，但电池往往需要长时间的静置，⽅可处于此状态，从⽽⽆法满⾜实时监测要求，往往应⽤于电动汽车长时间的驻车时。
当电池充放电⽐率不同的情况下，由于电流的波动会使电池开路电压发⽣变化，从⽽导致电池组的开路电压不⼀致，使得预测的剩余电量与电池实际剩余电量产⽣较⼤偏差。
3 安时积分法
安时积分法不考虑电池内部的作⽤机理，根据系统的某些外部特征，如电流、时间、温度补偿等，通过对时间和电流进⾏积分，有时还会加上某些补偿系数，来计算流⼊流出电池的总电量，从⽽估算电池的荷电状态。⽬前安时积分法在电池管理系统中被⼴泛应⽤。安时积分法的计算公式如下：
式中，SOC0是电池电荷状态的初始电量值；CE是电池的额定容量；I(t)为电池在t时刻的充放电电流；t为充放电的时间；η为充放电效率系数，⼜被称作库伦效率系数，代表了充放电过程中电池内部的电量耗散，⼀般以充电放电的倍率和温度修正系数为主。
安时积分法的优点是受电池⾃⾝情况的限制相对较⼩，计算⽅法简单、可靠，能够对电池的荷电状态
进⾏实时的估算。其缺点是由于安时计量法在控制中属于开环的检测，如果电流的采集精度不⾼，给定的初始荷电状态有⼀定误差，伴随着系统运⾏时间的延伸，之前产⽣的误差会逐渐累积，从⽽影响荷电状态的预测结果。并且由于安时积分法只是从外特性来分析荷电状态，多环节存在⼀定误差。从安时积分法计算公式中可以看出，电池的初始电量对计算结果的准确性影响较⼤。
为了能使电流测量的精度得到提⾼，通常采⽤⾼性能的电流传感器来测量电流，但这样加⼤了成本。为此，许多学者在应⽤安时积分法的同时应⽤开路电压法，将⼆者结合。开路电压法⽤来估算电池的初始荷电状态，安时积分法⽤于实时估算，并且在算式中添加相关修正因⼦，以提⾼计算准确性。
4 卡尔曼滤波法
卡尔曼滤波算法是利⽤时域状态空间理论的⼀种最⼩⽅差估计，属于统计估计的范畴，宏观上就是尽可能减⼩和消除噪声对观测信号的影响，其核⼼是最优估计，即系统的输⼊量在预估基础上对状态变量进⾏的有效修正。
该算法的基本原理是：将噪声与信号的状态空间模型作为算法模型，在测量时，应⽤当前时刻的观测值与上⼀时刻的估计值，对状态变量的估算进⾏更新。卡尔曼滤波算法对锂电池荷电状态进⾏预测的实质是安时积分法，同时⽤测量的电压值来对初步预测得到的值进⾏修正。
卡尔曼滤波法的优点是适合计算机对数据进⾏实时运算处理，应⽤范围⼴，可以⽤于⾮线性系统，对⾏驶过程中电动汽车的荷电状态预测具有较好的效果。卡尔曼滤波法的缺点是对电池模型的准确程度依赖较⼤，为了提⾼该算法预测结果的准确性和精度，需要建⽴可靠的电池模型。此外，卡尔曼滤波法的算法相对⽐较复杂，因此其计算量也相对较⼤，对运算器的性能有较⾼要求。
5 神经⽹络法
神经⽹络的⽬的是模仿⼈类的智能⾏为，通过并⾏结构与⾃⾝较强的学习能⼒获得数据表达的能⼒，能够在外部激励存在时给出相应的输出响应，并使具有良好的⾮线性映射能⼒。
神经⽹络法应⽤于锂电池荷电状态检测的原理是：将⼤量相对应的电压、电流等外部数据以及电池的荷电状态数据作为训练样本，通过神经⽹络⾃⾝学习过程中输⼊信息的正向传播和误差传递的反向传播反复进⾏训练和修改，在预测的荷电状态达到设计要求的误差范围内时，通过输⼊新的数据来得到电池的荷电状态预测值。
神经⽹络法的优点是可以对各种电池的荷电状态进⾏估算，适⽤范围⼴；不需要建⽴特定的数学模型，不⽤考虑电池内部复杂的化学变化过程，只需选择合适的样本，以及建⽴较好的神经⽹络模型，并且样本数据越多，其估算的精度越⾼；能够随时确定电池的荷电状态。神经⽹络法的缺点是对硬件要求较⾼，训练时所采⽤的数据样本的准确性、样本容量和样本分布以及训练⽅法都会对电池的荷电
状态预测产⽣很⼤的影响。
三、总结
本⽂对⽬前⼏种主要的锂电池荷电状态预测⽅法做了简单的介绍，详细分析了它们各⾃的优缺点。⽬前安时积分法仍然是应⽤最多的荷电状态预测⽅法，但由于安时积分法⾃⾝的局限性，往往结合开路电压法等其他⽅法共同完成对锂电池初始荷电状态的检测。
从发展趋势来看，锂电池的荷电状态预测考虑的因素越来越全⾯，所采⽤的预测⽅法往往是前述好⼏种⽅法的综合应⽤，使得预测结果更加准确。⽽且⽬前锂电池的等效电路模型不断发展，更加接近实际，使得荷电状态预测精度得到进⼀步提升。
来源：锂电前沿
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议