動態電池SOC估算方法？

Awdur: Iflowpower - Leverantör av bärbar kraftverk

自電池技術發展以來，已經出現了多種用於估算SOC的方法。 只有傳統的電流綜合法、電池內阻法、放電測試法、開路電壓法、負載電壓法，還有較創新的卡爾曼濾波法。 模糊邏輯理論、神經網路等。

它是目前電池管理系統領域較常見的SOC估算方法之一，本質是透過充電或放電來估算電池的SOC。 同時根據放電率和電池溫度。 對估算的SOC進行一定的補償。

若將電池在充放電初始狀態時定義為SOCT0，則T之後電池的剩餘容量SOC為：q，Q為電池額定容量，N為充放電效率，也叫庫侖效率，其值依電池的充放電率決定，I為T時的電流。 目前綜合法相對於其他SOC估計方法相對簡單、可靠，可以動態估計電池的SOC值，因此得到廣泛的應用。 但此方法也存在兩點限制：一是電流積分法需要預先知道電池的初始SOC值，並準確收集流入或流出電池的電流，以使估計誤差盡可能小；第二，該方法僅基於電池的外部特徵，在一定程度上忽略了電池的自放電率，老化程度，以及電池SOC的充放電倍數等因素。

長期使用也會造成測量誤差擴大，因此需要引入相關修正係數來修正累積誤差。 （2）放電測試方法放電測試方法是以恆定電流連續放電，直到電池的截止電壓，將此放電過程所用的時間乘以放電電流的大小值，即為電池的剩餘容量。 此方法一般作為電池SOC的標定方法或在電池的後期維護中採用該方法，相對簡單、可靠，在不知道電池SOC值的情況下，結果也比較準確。

一切都有效。 但放電測試法有兩個缺點：第一，該方法的測試過程需要大量的時間；其次，使用該方法時，需要將目標電池從電動車上拆下，因此該方法不能用於計算工作狀態下的動力電池。 （3）開路電壓法是根據電池的開路電壓與電池內部鋰離子濃度（OCVOTAGE，OCV）的變化關係，間接擬合出其與電池SOC的對應關係。

在進行實際操作時，電池充滿後需要以固定的放電倍率（一般為1c）進行放電直到停止放電，並根據放電過程得到OCV與SOC的關係。 電池處於實際工作狀態時，根據電池兩端的電壓值，尋找OCV-SoC關係表即可得到目前電池SOC。 此方法雖然對各類電池均有效，但也存在自身的缺陷：首先，在測量OCV之前必須讓目標電池靜置1h以上，從而使電池內部電解液分佈均勻，才能獲得穩定的終止電壓；第二，電池在不同溫度或不同壽命期間，雖然開路相同，但實際SOC可能會有差異，長期使用此方法測量結果並不能保證完全準確。

因此，開路電壓法與放電測試方法相同，不適用於運作過程中電池SOC的估計。 （4）卡爾曼濾波方法KALMAN濾波方法是20世紀60年代《線性濾波與預測理論的新成果》中提出的一種新型的優化自回歸資料濾波的方法。 演算法.

此演算法的本質是:依照最小均值原則,對複雜動態系統的狀態進行最佳化,從而得到複雜動態系統的狀態。 在卡爾曼濾波方法中，將非線性動態系統線性化為系統的狀態空間模型。 實際應用的時候，系統用當下時刻的觀測值進行更新，後面跟著當下時刻的觀測值。

「預測-測量-修正」模式，消除了系統隨機性的偏差和乾擾。 當利用卡爾曼濾波方法估算動力系統的SOC時，電池轉換為動力系統形式的狀態空間模型，而SOC則成為模型內部的狀態變數。 所建立的系統為線性離散系統。

由於卡爾曼濾波方法不僅能修正系統的初始誤差,還能有效抑制系統噪音,因此在運行工況下電動汽車動力電池SOC估計中有著重要的應用價值。 但此方法也存在兩點缺陷：其一，卡爾曼濾波方法估算SOC的精度很大程度上取決於電池模型的精度，動力電池的工作特性本身就具有很強的非線性，在卡爾曼濾波方法進行線性化之後，難免存在誤差，而且，如果建立了模型，估算的結果也不一定可靠；第二，所涉及的方法非常複雜，計算量極大，計算週期高且對硬體性能較長。 (5)神經網路方法神經網路方法是模擬人腦及其神經元用來處理非線性系統的一種新型演算法。

它不需要深入研究電池的內部結構，只需預先從目標電池中提取大量的工作特性。 從輸出樣本取得運行中的SOC值，輸入到利用此方法建立的系統中。 此方法後製相對簡單，即能有效避免卡爾曼濾波法對電池模型進行線性化的誤差，又能即時取得電池的動態參數。

但神經網路方法前期工作量較大，需要大量、更全面的目標樣本資料來訓練系統。 訓練資料和訓練的方法很大程度上影響SOC的估計精度。 此外，在電池溫度、自放電率、電池老化等複雜作用下，此方法長期用於估算同一組電池的SOC值，其準確性也會大打折扣。

因此此方法在動力電池SOC估算工作中並不是很常見。