充电锂电池荷电状态（SOC）预测方法比较

Mwandishi:Iflowpower- Leverandør av bærbar kraftstasjon

一、充电状态（SOC）的含义SOC是stateofcharge，是指电池的充电状态。 从电力、能源等不同角度来看，SOC有多种不同含义。

美国先进电池联盟（USABC）的标准SOC得到了广泛的应用，即在一定的放电率下，剩余电量与同等条件下额定容量的比值。 对应的计算公式为：qm，电池按恒定电流I放电时的最大放电容量；Q（in）为在T时间内，电池放出电量低于电池容量时的电量。 二、锂离子电池荷电状态预测方法锂离子电池荷电状态是电池管理系统的重要参数之一，也是整车充放电控制策略和电池均衡工作的依据。

但由于锂离子电池本身的复杂性，其放电状态无法通过直接测量获得，只能根据电池的某些外部特性，如电池的内阻、开路电压、温度、电流等来获取。 相关参数，使用相关参数。 特性曲线或计算公式来完成荷电状态的预测工作。

锂离子电池的充电状态估计是非线性的。 目前，目前常用的方法有放电实验、开路电压法、安全点法、卡尔曼滤波法、神经网络法等。 1放电实验的原理放电测试方法是让电池以恒定的电流处于不间断的放电状态，计算放电到达截止电压时的放电量。

放电功率值放电时所采用的恒定电流值与放电时间的预处理值。 放电实验法往往在实验室条件下估计电池的荷电状态，许多电池制造商也采用放电的方法来测试电池。 其显著优点是方法简单，估计精度较高。

缺点也比较突出：不能带电，且要占用大量的测量时间，并且放电测量的时候，必须中断电池，使电池处于离线状态，所以不能进行在线测量。 电动汽车蓄电池在行驶过程中一直工作在工作状态，其放电电流并不是恒定的，此方法不适用。 但蓄电池检修及参数模型的确定可以采用放电实验的方法。

2开路电压法电池经过较长时间的使用后，其开路电压与电池荷电状态的函数关系也比较稳定。 想要得到电池的荷电状态值，只需要测量电池两端的开路电压，对照OCV-SOC曲线就可以得到相应的信息。 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。

但它也存在很多不足：首先，为了得到准确的数值，必须使电池电压处于一个相对稳定的状态，但电池往往长时间静置，这样不能满足实时监控的要求。 电动车长时间停车。 当电池的充电比例不同时，由于电流的波动使电池开路电压发生变化，导致电池组的开路电压不一致，使得预测的剩余电量和电池实际剩余电量有较大的偏差。

3.积分法积分法不考虑电池内部的情况，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，有时还加上一些补偿因子，计算出从电池中流出的电量总量，以估计电池的荷电状态。 目前，操作时间在电池管理系统中被广泛应用。

安全点法计算公式如下：式中，SOC0为电池荷电状态的初始电量值；CE为电池的额定容量；i(t)为T时刻电池的充放电电流；T为充放电时间；η为充放电速率系数，又称卡伦效率系数，表示充放电过程中电池内部的功率耗散，一般根据充电放电的倍率和温度修正系数而定。 安全积分法的优点是受电池本身的限制相对较小，计算方法简单、可靠，并能对电池的荷电状态进行实时估计。 其缺点是由于控制中检测的是安全计量方式，如果对电流的采集精度不高，则给定的初始荷电状态存在一定的误差，随着系统运行时间的延长，误差会逐渐累积，从而影响荷电状态的预测结果。

且由于安全点法仅从外部特性进行分析，对于多连杆而言存在一定的误差。 从安全点法计算公式可以看出，电池的初始功率对计算结果的准确性影响较大。 为了提高电流测量的精度，通常采用高性能的电流传感器进行测量，但这却增加了。

为此，不少学者在应用开路电压法的同时，也应用安全积分法，将两者结合起来。 采用开路电压法估算电池初始荷电状态，实时采用积分校正方法并加入校正因子提高计算精度。 4 卡尔曼滤波方法卡尔曼滤波算法是时间域状态空间理论的最小等效估计，属于统计估计的范畴，宏观上是为了减少和消除噪声对观测信号的影响。

核心是最好的。 在前提基础上估计系统的输入对于状态变量是否有效。 该算法的基本原理是利用噪声与信号的状态空间模型作为算法模型，在测量时，根据当前时刻的观测值与前一时刻的估计值，更新状态变量的估计值。

卡门滤波算法对锂离子电池荷电状态进行实质预测，并利用测量的电压值对初步预测值进行修正。 卡尔曼滤波方法的优点是适合计算机对数据进行实时运算处理，适用范围广，可以用于非线性系统，对电动汽车行驶过程中的荷电状态预测有很好的效果。 卡尔曼滤波方法的缺点是对电池模型的精度有依赖性，为了提高算法预测结果的准确性和精确性，需要建立可靠的电池模型。

另外，卡尔曼滤波方法的算法比较复杂，因此其计算量相对较大，并且对算子的性能要求较高。 5 神经网络神经网络的目的是模仿人的智能行为，通过并行结构和强学习能力获得数据表达，并能在外界刺激时给出相应的输出响应，并做出良好的非线性映射。 神经网络方法应用于锂离子电池状态的原理是：利用大量相应的电压、电流，以及电池的荷电状态数据等外界数据作为训练样本，在神经网络本身中对信息进行前向传递。

采用反向传播和误差传递的方式反复训练和修改，当预测的荷电状态达到设计要求的误差范围时，通过输入新的数据来获得电池的荷电状态预测值。 利用神经网络方法的优点可以估计各种电池的正向状态。 适用范围广泛。

没有建立具体的数学模型。 不用考虑电池内部复杂的化学变化，只需选择合适的样本，建立更好的神经网络模型，样本数据越多，其估算的准确度就越高；可以随时判断电池的荷电状态。 神经网络方法的缺点在于数据样本的准确性、样本容量和样本分布以及训练方法对电池的稳定性影响较大。

第三，总结本文对目前几种重要的锂离子电池电量预测方法进行了简单介绍，并详细分析了各自的优缺点。 目前，积分法仍然是应用最多的正状态预测方法。 但由于安全点测试方法的局限性，经常采用开路电压等其他方法来完成锂离子电池初充电量的测试。

从发展趋势来看，对锂离子电池荷电状态预测的因素日趋全面，所采用的预测方法往往是几种方法的综合应用，使得预测结果更加准确。 而且目前正在开发更加贴近实际的锂离子电池等效电路模型，从而进一步提高充电电量的预测精度。