锂电池SOC预测方法综述

张持健，陈 航

(安徽师范大学物电学院，安徽芜湖241000)

锂电池SOC预测方法综述

张持健，陈 航

(安徽师范大学物电学院，安徽芜湖241000)

锂电池荷电状态(SOC)是锂电池管理系统的重要参数，锂电池SOC实时预测关系到电池充放电控制和电动汽车的优化管理，直接影响锂电池的使用寿命。锂电池的SOC受放电电流、内部温度、自放电、老化等因素的影响，使得锂电池的实际容量难以确定。综述了目前锂电池SOC的各种预测方法，并进行比较，指出了各类方法存在的问题，给出了未来锂电池SOC预测方法的发展趋势。

SOC；预测方法；剩余容量

锂电池荷电状态(state of charge，SOC)实时预测关系到电池充放电控制和电动汽车的优化管理，直接影响锂电池的使用寿命。目前国内外普遍使用锂电池SOC来表明锂电池的性能状态，本文介绍、比较了目前锂电池SOC的各种预测方法，指出了各类方法存在的问题，给出了未来锂电池SOC预测方法的发展趋势。

1 SOC定义

美国先进电池联合会(USABC)在其《电动汽车电池试验手册》中定义SOC为：电池在一定放电倍率下，剩余电量与相同条件下额定容量的比值。定义式如下：

2 锂电池SOC预测方法

SOC不能直接测出，只能根据一些可测量的参数来预测，而且环境温度是影响电池SOC准确预测的一个关键因素[1]。常用的锂电池SOC预测方法一般是通过检测电池端的电压、电流、阻抗、温度等参数来预估。

2.1 传统的预测方法

传统的锂电池SOC预测方法包括开路电压法、放电法、安时积分法和电导法。

2.1.1 开路电压法

开路电压是指外电路没有电流流过时，电池达到平衡时正负极之间的电位差。电池经过长时间的静置后，电池端的电压与SOC存在着相对固定的函数关系，经过多次测量得到开路电压-电池剩余容量曲线，即OCV-SOC曲线，可以根据开路电压来预测SOC。文献[2]指出起动型蓄电池的开路电压与放电容量之间存在着某种线性关系，故而可以由开路电压来估测荷电状态，但是只能用在较短时间内测定的电池开路电压来评估电池的放电容量。文献[3]中提到开路电压还受到温度的影响，在低SOC水平下，开路电压开始随温度变化呈现出分叉现象，温度越低，开路电压的值也越低。

开路电压法的一个明显缺点是电池要经过很长时间的静置才可以测量，这样会在测量上耗费很多时间。文献[4]通过建立二阶RC电路模拟电池极化效应的电池模型，对电池放电后静置的曲线进行多次实验，找出规律公式，用电池停止放电后的某个时刻的电压来估算电池的开路电压，从而解决了估算SOC时开路电压法用时长的缺陷。目前大多数研究者都是研究室温环境下的OCV-SOC曲线，这将导致在其他环境温度下的SOC预测产生很大的误差[5]，而且锂电池的OCV-SOC曲线相对比较平坦，这意味着一点点差异就会使SOC预测产生较大的误差[6]。

2.1.2 放电法

放电法是公认的比较可靠的电池SOC估计方法，许多电池厂商都采用这种方法来做电池测试。放电法是采用恒定的电流来对电池进行连续的放电，直到放电截止，然后用时间与放电电流相乘就是放电电量。放电法的缺点是测量需要耗费大量的时间，另外电池不能在线测量，即电池要切断平时工作时的电路后，再用放电法来测量。

2.1.3 安时积分法

安时积分法不研究电池内部的电化学反应及各参数之间的关系，只是着眼于该系统的外部特征，通过实时监测充入电池和放出电池的电量，来给出电池在任意时刻的剩余电量，相比于其他几种方法，实现起来更加简单，易于实现实时监测，所以安时积分法是SOC预测方法中用得最多的方法。安时积分法的原理公式[7]如下：

从式(2)中可以看到，初始电量的确定对预测结果的准确性是至关重要的，如果电流采集值不精确，就会造成SOC计算误差，长期积累，误差将会越来越大，许多研究者为了提高电流测量的精度，通常采用高性能的电流传感器来测量电流，比如霍尔传感器、光纤传感器等，但是这些传感器的价格比较高，无形当中就提高了测量的成本。为此，许多学者对安时积分法提出了改进，文献[8]提出了一种改进的方法，并利用开路电压法来计算出电池的初始电量，改进的工作原理如下：

安时积分法的预测精度高度依赖于电流传感器和初始SOC的精确估计[9]。然而，库仑计数是一个开环估计，不能消除测量误差的累积和不确定的干扰。此外，它不能确定初始SOC，将导致SOC估计误差积累。

2.1.4 电导法

电导法是指通过对锂电池电导或者内阻进行长期的跟踪和测试，从大量测试数据中分析找出锂电池电导与SOC之间的关系，从而进行锂电池SOC预测。与开路电压法类似，这里电池内阻测量的精确性对SOC预测的精确性是很重要的，测量时要保证接触良好，尽量使接触电阻为零。常用的电池内阻方法有直流内阻测试法和交流内阻测试法。直流内阻法的测量结果不会受到充电器波纹及其他噪声的影响，这使得测量数据较为准确，但是如果放电电流较大，电池内部就会出现极化内阻，这就需要把放电时间控制在很短的时间内[10]。交流内阻法是在电池两端加上一个较小的低频交流信号，然后测出电池端的电流和电压，计算出电池的内阻[11]，与直流内阻法相反，交流内阻法很容易受到充电波纹及其他噪声的影响，尤其是在采用50 Hz的交流信号时，测试结果受充电波纹影响更大[12]。基于此，文献[13]提出了测量蓄电池内阻的新思路，即直接利用充电机对蓄电池进行浮充电，系统中存在的交流纹波信号来获取蓄电池的内阻信息。

2.2 新型的预测方法

新型的锂电池SOC预测方法包括卡尔曼滤波法、模糊逻辑法和神经网络法。

2.2.1 卡尔曼滤波法

1960年卡尔曼利用时域状态空间理论创立了卡尔曼滤波方法，后来提出了便于在计算机上递推实现的卡尔曼滤波算法，该算法的基本原理是：采用信号与噪声的状态空间模型，利用前一时刻的估计值和当前时刻的观测值来更新对状态变量的估计[14]。卡尔曼滤波算法分为标准卡尔曼滤波法(KF)、扩展卡尔曼滤波法(EKF)和无损卡尔曼滤波法(UKF)。卡尔曼滤波算法估算锂电池SOC的实质是用安时积分法来计算SOC，同时用测量的电压值来修正安时积分法得到的SOC值。

在利用卡尔曼滤波法预测电池SOC时，需要建立合适的等效电池模型，并且EKF算法的精度依赖于电池模型的准确性。常用的锂电池电路模型有Rint模型、Thevenin模型、Massimo Ceraolo模型[15]，三种模型的电路如图1、图2、图3所示。文献[16]采用Thevenin等效电路模型，利用DEFK(双卡尔曼滤波)算法在线估计电池SOC，通过实验表明，在不同的SOC初值情况下，DEFK算法有很好的收敛性，精确度更高。

图1 Rint模型

图2 Thevenin模型

图3 Massimo Ceraolo模型

2.2.2 神经网络法

神经网络能够通过学习和训练获得用数据表达的知识，除了可以记忆已知的信息之外，还具有较强的概括能力和联想记忆能力[17]。利用神经网络预测锂电池SOC的原理是：应用神经网络对锂电池进行建模，以电压、电流等电池外部特性参数作为输入，通过大量的样本数据对系统进行样本训练，当SOC达到符号要求的误差范围内以后，再利用该系统对新的输入进行SOC预测[18]。图4是BP神经网络结构，图5是利用BP神经网络构建的电池SOC预测模型。

图4 BP神经网络结构

图5 基于BP神经网络的电池SOC预测模型

利用神经网络来预测电池SOC的优点是不需要建立确定的数学模型，另外从众多的文献可以看出电池SOC与通过电池的电流、电池端的电压等参数之间是一种非线性关系，而神经网络能很好地通过样本学习来确定这种非线性关系，样本学习数据越多，预测精度就越高。

2.3 其他的新方法

近年来研究者又提出了一些新的预测方法，比如最小二乘支持向量机回归算法[19]、基于自适应理论方法[20]、基于DE优化SVR算法[21]、改进的Elman神经网络法[22]和无损卡尔曼滤波相结合的方法[23]等等。这些新方法实质上都是对上述传统预测方法和新型预测方法预测SOC过程中所出现的误差进行修正，尽可能地减小估算误差，从而提高估算精度。在实际的电池管理系统中，预测电池SOC的方法都是传统方法，诸如此类的新方法大多数只是在理论中进行研究，并利用软件进行仿真。

3 结论

目前关于锂电池的SOC预测技术还不够成熟，预测方法层出不穷，各种方法的优点和缺点如表1所示。

表1 SOC预测方法的优缺点

由上面所提到的各种SOC预测方法的优缺点，可以总结出未来SOC预测方法的发展趋势：

(1)进一步提高单片机等测量数据系统的测量精度，以获取更加精准的样本数据；

(2)建立更加精确并接近实际情况的电池等效电路模型；

(3)预测SOC应加入更多的相关参数，不仅仅是电流、电压、电导等，还应考虑电池充放电次数、温度等参数；

(4)采用多种方法相结合的方法来做预测，例如利用安时积分法和神经网络法相结合的方法，并加入修正因子来提高预测精度。

[1]CHO S,JEONG H,HAN C,et al.State-of-charge estimation for lithium-ion batteries under various operating conditions using an equivalent circuit model[J].Computers Chem Eng,2012,41:1-9.

[2]蔡正英，桂长清.电动自行车开路电压与放电容量的关系[J].电池工业，2007，12(6)：366-369.

[3]谢旺.基于Thevenin等效电路模型的锂离子电池组SOC估算研究[D].上海：上海交通大学，2013.

[4]徐欣哥，杨松.一种基于预测开路电压的SOC估算方法[J].电子设计工程，2011，19(14)：127-129.

[5]ROSCHER M A,SAUER D U.Dynamic electric behavior and opencircuit-voltage modeling of LiFePO4-based lithium ion secondary batteries[J].J Power Sources,2011,196:331-336.

[6]SCROSATI B,GARCHE J.Lithium batteries:status,prospects and future[J].J Power Sources,2010,195:2419-2430.

[7]李哲，卢兰光.提高安时积分法估算电池SOC精度的方法比较[J].清华大学学报，2010，50(8)：1293-1296.

[8]鲍慧，于洋.基于安时积分法的电池SOC估算误差校正[J].计算机仿真，2013，30(11)：148-151.

[9]SUN F,HU X,ZOU Y,et al.Adaptive unscented Kalman filtering for state of charge estimation of a lithium-ion battery for electric vehicles[J].Energy,2011,36:3531-3540.

[10]陈颖平.直流内阻法在蓄电池监测系统中的应用[J].云南电业，2013(9)：39-40.

[11]刘险峰，倪洪权.蓄电池容量在线检测研究[J].通信电源技术，2009，26(3)：51-54.

[12]朱永祥.蓄电池剩余容量在线检测方法研究[J].长沙大学学报，2006，20(5)：39-41.

[13]向小民，周百鸣.蓄电池剩余容量在线监测的探讨[J].电源技术，2009，33(3)：213-216.

[14]杜政平.混合动力汽车车载电池SOC算法的研究[D].南京：南京林业大学，2013.

[15]吕超，刘珊珊.锂离子电池等效电路模型的比较研究[J].电源技术应用，2013，11:158-159.

[16]王笑天，杨志家.双卡尔曼滤波算法在锂电池SOC估算中的应用[J].仪器仪表学报，2013，34(8)：1732-1737.

[17]吴微，周春光，梁艳春.智能计算[M].北京：高等教育出版社，2009.

[18]石璞.基于径向基神经网络的AMR锂电池SOC估计[J].仪器仪表学报，2008，29(4)：305-308.

[19]刘勇智，詹群.最小二乘支持向量机在航空蓄电池剩余容量预测中的应用[J].蓄电池，2013(3)：118-121.

[20]朱小平，张涛.基于自适应理论的锂离子电池SOC估计[J].电气技术，2013(7):47-50.

[21]唐超，曹龙汉.基于DE优化SVR的锂离子电池剩余容量预测[J].重庆理工大学学报，2011，25(3)：92-96.

[22]吴珍毅，曹龙汉.改进Elman网络在锂离子电池容量预测中的应用[J].西南科技大学学报，2012，27(1)：65-69.

[23]HE W,WILLIARD N.State of charge estimation for Li-ion batteries using neural network modeling and unscented Kalman filter-based error cancellation[J].Electrical Power and Energy Systems,2014, 62:783-791.

Review of state of charge estimation methods for lithium battery

Lithium battery SOC(state of charge)is an important parameter in lithium battery management systems.Lithium battery SOC real-time estimation refers to the battery charge and discharge control and optimal management of electric vehicles,and it has a direct impact on the life of lithium batteries.Lithium battery SOC state is affected by internal temperature,self-discharge,the effects of aging and other factors,making it difficult to determine the actual capacity of the lithium battery.The various estimation methods for lithium battery SOC were described and compared.The problems of all kinds of methods were pointed out.The future trends of lithium battery SOC estimation methods were given.

SOC;estimation methods;remaining capacity

TM 912

A

1002-087 X(2016)06-1318-03

2015-12-05

张持健(1964—)，男，上海市人，教授，主要研究方向为人工智能、测控技术、模式识别。