动态电池SOC估算方法？

ଲେଖକ: ଆଇଫ୍ଲୋପାୱାର - អ្នកផ្គត់ផ្គង់ស្ថានីយ៍ថាមពលចល័ត

自电池技术发展以来，已经出现了多种用于估算SOC的方法。 只有传统的电流综合法、电池内阻法、放电测试法、开路电压法、负载电压法，还有比较创新的卡尔曼滤波法。 模糊逻辑理论、神经网络等。

它是目前电池管理系统领域比较常见的SOC估算方法之一，本质是通过充电或放电来估算电池的SOC。 同时根据放电率和电池温度。 对估算的SOC进行一定的补偿。

若将电池在充放电初始状态时定义为SOCT0，则T之后电池的剩余容量SOC为：q，Q为电池额定容量，N为充放电效率，也叫库仑效率，其值根据电池的充放电率决定，I为T时的电流。 目前综合法相对于其他SOC估计方法相对简单、可靠，可以动态估计电池的SOC值，因此得到广泛的应用。 但该方法也存在两个局限性：一是电流积分法需要事先知道电池的初始SOC值，并准确采集流入或流出电池的电流，以使估算误差尽可能小；二是该方法仅仅基于电池的外部特征，在一定程度上忽略了电池的自放电率、老化程度、充放电比等对电池SOC的影响。

长期使用也会引起测量误差扩大，因此需要引入相关修正系数来修正积累误差。 （2）放电测试方法放电测试方法是以恒定电流连续放电，直至电池的截止电压，将此放电过程所用的时间乘以放电电流的大小值，即为电池的剩余容量。 该方法一般作为电池SOC的标定方法或者在电池的后期维护中采用该方法，相对简单、可靠，在不知道电池SOC值的情况下，结果也比较准确。

一切都有效。 但放电测试方法存在两个缺点：第一，该方法的测试过程需要大量的时间；第二，使用该方法时，需要将目标电池从电动汽车上拆下，因此该方法不能用于计算工作状态下的动力电池。 （3）开路电压法是根据电池的开路电压与电池内部锂离子浓度（OCVOTAGE，OCV）的变化关系，间接拟合出其与电池SOC的对应关系。

在进行实际操作时，需要将电池充满后以固定的放电倍率（一般为1c）进行放电直至停止放电，并根据放电过程得到OCV与SOC的关系。 电池处于实际工作状态时，根据电池两端的电压值，查找OCV-SoC关系表即可得到当前电池SOC。 该方法虽然对各类电池均有效，但也存在着自身的缺陷：首先，测量OCV前必须让目标电池静置1h以上，从而使电池内部电解液分布均匀，才能得到稳定的终止电压；其次，电池在不同温度或不同寿命期间，虽然开路相同，但实际SOC可能会有差异，长期使用此方法测量结果并不能保证完全准确。

因此，开路电压法与放电测试方法相同，不适用于运行过程中电池SOC的估计。 （4）卡尔曼滤波方法KALMAN滤波方法是20世纪60年代《线性滤波与预测理论的新成果》中提出的一种新型的优化自回归数据滤波的方法。 算法。

该算法的本质是:按照最小均值原则,对复杂动态系统的状态进行优化,从而得到复杂动态系统的状态。 在卡尔曼滤波方法中，将非线性动态系统线性化为系统的状态空间模型。 实际应用的时候，系统用当前时刻的观测值进行更新，后面跟着当前时刻的观测值。

“预测-测量-修正”模式，消除了系统随机性的偏差和干扰。 当利用卡尔曼滤波方法估算动力系统的SOC时，电池被转化为动力系统形式的状态空间模型，而SOC成为模型内部的状态变量。 所建立的系统为线性离散系统。

由于卡尔曼滤波方法不仅能修正系统的初始误差,还能有效抑制系统噪声,因此在运行工况下电动汽车动力电池SOC估计中有着重要的应用价值。 但该方法也存在两点缺陷：其一，卡尔曼滤波法估算SOC的精度很大程度上取决于电池模型的精度，动力电池的工作特性本身就具有高度的非线性，在将卡尔曼滤波法线性化之后，难免会出现误差，而且如果建立模型，估算的结果也不一定可靠；其二，所涉及的方法十分复杂，计算量极大，而且计算周期较长，且对硬件性能要求较高。 (5)神经网络方法神经网络方法是模拟人脑及其神经元用来处理非线性系统的一种新型算法。

它不需要深入研究电池的内部结构，只需预先从目标电池中提取大量的工作特性。 从输出样本中获取运行中的SOC值，输入到利用该方法建立的系统中。 该方法后期处理相对简单，即能有效避免卡尔曼滤波方法对电池模型进行线性化的误差，又能实时获取电池的动态参数。

但神经网络方法前期工作量较大，需要大量、更全面的目标样本数据来训练系统。 训练数据和训练的方法很大程度上影响SOC的估计精度。 此外，在电池温度、自放电率、电池老化等复杂作用下，该方法长期用于估算同一组电池的SOC值，其准确性也会大打折扣。

因此该方法在动力电池SOC估算工作中并不是很常见。