充電鋰電池荷電狀態（SOC）預測方法比較

ଲେଖକ: ଆଇଫ୍ଲୋପାୱାର - Lieferant von tragbaren Kraftwerken

一、充電狀態（SOC）的含義SOC是stateofcharge，是指電池的充電狀態。 從電力、能源等不同角度來看，SOC有多種不同意義。

美國先進電池聯盟（USABC）的標準SOC得到了廣泛的應用，即在一定的放電率下，剩餘電量與同等條件下額定容量的比值。 對應的計算公式為：qm，電池以恆定電流I放電時的最大放電容量； Q（in）是在T時間內，電池釋放下方電池的電壓。 二、鋰離子電池荷電狀態預測方法鋰離子電池荷電狀態是電池管理系統的重要參數之一，也是整車充放電控制策略與電池平衡工作的依據。

但由於鋰離子電池本身的複雜性，其放電狀態無法透過直接測量獲得，只能根據電池的某些外部特性，如電池的內阻、開路電壓、溫度、電流等來獲取。 相關參數，使用相關參數。 特性曲線或計算公式來完成荷電狀態的預測工作。

鋰離子電池的充電狀態估計是非線性的。 目前，目前常用的方法有放電實驗、開路電壓法、安全點法、卡爾曼濾波法、神經網路法等。 1放電實驗的原理放電測試方法是讓電池以恆定的電流處於不間斷的放電狀態，計算放電到達截止電壓時的放電量。

放電功率值放電時所採用的恆定電流值與放電時間的預處理值。 放電實驗法往往在實驗室條件下估計電池的荷電狀態，許多電池製造商也採用放電的方法來測試電池。 其顯著優點是方法簡單，估計精度較高。

缺點也比較突出：不能帶電，且要佔用大量的測量時間，並且放電測量的時候，必須中斷電池，使電池處於離線狀態，所以不能進行在線測量。 電動車蓄電池在行駛過程中一直工作在工作狀態，其放電電流並不是恆定的，此方法不適用。 但蓄電池檢修及參數模型的確定可以採用放電實驗的方法。

2開路電壓法電池經過較長時間的使用後，其開路電壓與電池荷電狀態的函數關係也較穩定。 想要得到電池的荷電狀態值，只需要測量電池兩端的開路電壓，對照OCV-SOC曲線就可以得到對應的資訊。 開路電壓法的優點是操作簡單，只需測量開路電壓值對照特性曲線圖即可獲得荷電狀態值。

但它也存在許多不足：首先，為了得到準確的數值，必須使電池電壓處於相對穩定的狀態，但電池往往長時間靜置，這樣不能滿足即時監控的要求。 電動車長時間停車。 當電池的充電比例不同時，由於電流的波動使電池開路電壓變化，導致電池組的開路電壓不一致，使得預測的剩餘電量和電池實際剩餘電量有較大的偏差。

3.積分法積分法不考慮電池內部的情況，根據系統的某些外部特徵，如電流、時間、溫度補償等，透過對時間和電流進行積分，有時還加上一些補償因子，計算出從電池中流出的電量總量，以估計電池的荷電狀態。 目前，操作時間在電池管理系統中已廣泛應用。

安全點法計算公式如下： 式中，SOC0為電池荷電狀態初始電量值； CE為電池的額定容量； i(t)為T時刻電池的充放電電流； T為充放電時間； η為充放電倍率係數，又稱卡倫效率係數，表示電池在充放電過程中，電池內部耗散的功率，一般根據充電放電的倍率和溫度修正係數而定。 安全積分法的優點是受電池本身的限制相對較小，計算方法簡單、可靠，並能即時估計電池的荷電狀態。 其缺點是由於控制中檢測的是安全計量方式，如果對電流的採集精度不高，則給定的初始荷電狀態存在一定的誤差，隨著系統運行時間的延長，誤差會逐漸累積，從而影響荷電狀態的預測結果。

且由於安全點法僅從外部特性進行分析，因此對於多連桿而言存在一定的誤差。 從安全點法計算公式可以看出，電池的初始功率對計算結果的準確度影響較大。 為了提高電流測量的精度，通常採用高性能的電流感測器進行測量，但這卻增加了。

為此，不少學者在應用開路電壓法的同時，也應用安全積分法，將兩者結合。 採用開路電壓法估算電池初始荷電狀態，即時採用積分校正方法並加入校正因子提高計算精度。 4 卡爾曼濾波方法卡爾曼濾波演算法是時間域狀態空間理論的最小等效估計，屬於統計估計的範疇，宏觀是為了減少和消除雜訊對觀測訊號的影響。

核心是最好的。 在前提基礎上估計系統的輸入對於狀態變數是否有效。 此演算法的基本原理是利用雜訊與訊號的狀態空間模型作為演算法模型，在測量時，根據當下時刻的觀測值與前一刻的估計值，更新狀態變數的估計值。

卡門濾波演算法對鋰離子電池荷電狀態進行實質預測，並利用測量的電壓值對初步預測值進行修正。 卡爾曼濾波方法的優點是適合電腦對資料進行即時運算處理，適用範圍廣，可用於非線性系統，對電動車行駛過程中的荷電狀態預測有很好的效果。 卡爾曼濾波方法的缺點是對電池模型的精度有依賴性，為了提高演算法預測結果的準確性和精確性，需要建立可靠的電池模型。

另外卡爾曼濾波方法的演算法比較複雜，因此其計算量相對較大，且對算子的效能要求較高。 5 神經網路神經網路的目的在於模仿人的智慧行為，透過平行結構和強學習能力獲得資料表達，並能在外界刺激時給予對應的輸出反應，並做出良好的非線性映射。 神經網路方法應用於鋰離子電池狀態的原理是：利用大量相應的電壓、電流，以及電池的荷電狀態資料等外界資料作為訓練樣本，在神經網路本身中對資訊進行前向傳遞。

採用反向傳播和誤差傳遞的方式反覆訓練和修改，當預測的荷電狀態達到設計要求的誤差範圍時，透過輸入新的資料來獲得電池的荷電狀態預測值。 利用神經網路方法的優點可以估計各種電池的正向狀態。 適用範圍廣泛。

沒有建立具體的數學模型。 不考慮電池內部複雜的化學變化，只需選擇合適的樣本，建立更好的神經網路模型，樣本數據越多，其預估準確度越高；可以隨時確定電池的充電狀態。 神經網路方法的缺點在於資料樣本的準確性、樣本容量和樣本分佈以及訓練方法對電池的穩定性影響較大。

第三，總結本文對目前幾種重要的鋰離子電池電量預測方法進行了簡單介紹，並詳細分析了各自的優缺點。 目前，積分法仍然是應用最多的正狀態預測方法。 但由於安全點測試方法的局限性，經常採用開路電壓等其他方法來完成鋰離子電池初充電量的測試。

從發展趨勢來看，對鋰離子電池荷電狀態預測的因素日益全面，所採用的預測方法往往是幾種方法的綜合應用，使得預測結果更準確。 而且目前正在開發更貼近實際的鋰離子電池等效電路模型，進一步提高充電電量的預測精度。