動的バッテリーSOC推定方法?

作者：Iflowpower – Kaasaskantava elektrijaama tarnija

バッテリー技術の発展以来、SOC を推定するために使用されるさまざまな方法がすでに登場しています。 従来の電流積分法、バッテリー内部抵抗、放電テスト法、開回路電圧法、負荷電圧法、そしてより革新的なカルマンフィルタリング法しかありません。 ファジィ論理理論やニューラルネットワークなど

これは現在、バッテリー管理システムの分野で最も一般的な SOC 推定方法の 1 つであり、その本質は、電気を蓄積または放電することによってバッテリーの SOC を推定することです。 同時に、放電率とバッテリー温度に応じて。 推定SOCに対する一定の補償。

バッテリーが充放電初期状態のときにバッテリーをSOCT0と定義すると、T後のバッテリー残量SOCはqです。Qはバッテリー定格容量、Nは充放電効率（クーロン効率とも呼ばれます）で、その値によってバッテリー充放電率が決まり、IはTの電流です。 現在の統合方式は、他の SOC 推定方式に比べて比較的シンプルで信頼性が高く、バッテリーの SOC 値を動的に推定できるため、広く使用されています。 しかし、この方法にも 2 つの制限があります。1 つは、電流積分法では、推定誤差をできるだけ小さくするために、事前にバッテリーの初期 SOC 値が必要であり、バッテリーに流入または流出する電流を正確に収集する必要があることです。2 つ目は、この方法はバッテリーの外部特性のみに基づいており、バッテリーの自己放電率、劣化度、バッテリー SOC の充放電比はある程度無視されます。

長期間の使用により測定誤差が拡大する恐れもあるため、関連する補正係数を導入して累積誤差を補正する必要があります。 （２）放電試験方法放電試験方法は、電池のカットオフ電圧まで定電流放電を連続的に行い、この放電過程に要した時間に対して放電電流の大きさの値を乗じ、それが電池の残容量となる。 この方法は、一般的にバッテリー SOC の校正方法やバッテリーの後期メンテナンスに使用され、比較的シンプルで信頼性が高く、バッテリー SOC 値を知らなくても結果が比較的正確です。

すべて効果的です。 しかし、放電試験方法には 2 つの欠点があります。第一に、この方法の試験プロセスには多くの時間が必要です。第二に、この方法を使用する場合、対象のバッテリーを電気自動車から取り外す必要があるため、動作状態での電力バッテリーの計算には使用できません。 （３）開回路電圧法は、電池の開回路電圧とOCVOTAGE（OCV）および電池内部のリチウムイオン濃度の変化関係に基づいており、間接的にそれと電池SOCとの対応関係を当てはめます。

実際の運用では、一定の放電率（一般的には1c）でバッテリーを満充電した後、放電が停止するまで放電する必要があり、放電プロセスに応じてOCVとSOCの関係が得られます。 バッテリーが実際の動作状態にあるとき、バッテリーの両端の電圧値に応じて OCV-SoC 関係テーブルを見つけることで、現在のバッテリー SOC を取得できます。 この方法はさまざまなバッテリーに有効ですが、独自の欠陥も存在します。まず、OCV を測定する前に対象のバッテリーを 1 時間以上放置する必要があります。これにより、バッテリー内の内部電解液が均一に分散され、安定した終止電圧が得られます。次に、バッテリーは異なる温度または異なる寿命の間に、開回路は同じであっても、実際の SOC が異なる場合があり、この方法を長期的に使用しても測定結果が完全に正確であるとは保証されません。

したがって、開放電圧法は放電試験法と同じであり、稼働中のバッテリーの SOC 推定には適用されません。 （４）カルマンフィルタリング法カルマンフィルタリング法は、１９６０年代の「線形フィルタリングと予測理論の新成果」でフィルタリングされた新しいタイプの最適化された自己回帰データである。 アルゴリズム。

アルゴリズムの本質は、最小平均の原理に従って、複雑な動的システムの状態を複雑な動的システムの状態に合わせて最適化できることです。 非線形動的システムは、カルマンフィルタリング法のシステムの状態空間モデルに線形化されます。 実際の適用時には、現在の時刻の観測値でシステムが更新され、その後に現在の時刻の観測値が更新されます。

「予測-測定-修正」モードにより、システムのランダムな偏差や干渉を排除します。 カルマンフィルタリング法を用いてパワートレインのSOCを推定する場合、バッテリーは電力システムという形で状態空間モデルに変換され、SOCはモデル内の状態変数になります。 確立されたシステムは線形離散システムです。

カルマンフィルタリング法は、システムの初期誤差を修正するだけでなく、システムノイズを効果的に抑制できるため、動作条件における電気自動車の動力バッテリーの SOC 推定に大きな応用価値があります。 しかし、この方法にも 2 つの欠点があります。1 つは、カルマン フィルタリング法による SOC の推定精度がバッテリー モデルの精度に大きく依存することです。バッテリーの動作特性自体は非常に非線形であるため、カルマン フィルタリング法で線形化した後は必ずエラーが発生し、モデルが確立されても推定結果が必ずしも信頼できるとは限りません。2 つ目は、この方法は非常に複雑で、計算量が非常に大きく、計算期間が長く、ハードウェアのパフォーマンス要件が厳しくなることです。 （５）ニューラルネットワーク法ニューラルネットワーク法は、アナログの人間の脳とそのニューロンを利用して、非線形システムの新しいタイプのアルゴリズムを処理する方法である。

バッテリーの内部構造を詳細に調査する必要はなく、対象となるバッテリーから事前に多数の動作特性を抽出するだけです。 出力サンプルから実行時の SOC 値を入力し、メソッドを使用して確立されたシステムに入力します。 この方法は、後続の処理が比較的簡単で、バッテリーモデルを線形化するためのカルマンフィルタリング法の誤差を効果的に回避し、バッテリーの動的パラメータをリアルタイムで取得できます。

しかし、ニューラル ネットワーク方式の事前作業量は比較的大きく、システムをトレーニングするには、より包括的で大量のターゲット サンプル データが必要です。 トレーニングデータとトレーニングの方法は、SOC の推定精度に大きく影響します。 さらに、バッテリー温度、自己放電率、バッテリーの劣化などの複雑な作用下で、この方法を使用して同じバッテリーセットの SOC 値を長期間にわたって推定すると、その精度も大幅に向上します。

そのため、この方法は動力電池のSOC推定作業ではあまり一般的ではありません。