电动汽车动力电池荷电状态SOC估算方法浅析

胡小芳 薛秀丽

云南机电职业技术学院 汽车技术工程系 云南省昆明市 650203

1 引言

现在，为了解决物质资源的匮乏和能源的消耗，电动汽车的发展前景越来越好，而动力电池作为其供给来源，动力电池相当于传统汽车中邮箱，在电动汽车中是三大核心系统之一，是电动汽车的发展的关键，目前电动汽车的发展也遇到很多困难[1]。

电池的荷电状态SOC是指电池的剩余容量（Qrem）与最大可容量（Qmax）的百分比[2]，即

式中，剩余容量——电池从当下完全放完电的容量；最大可用容量——电池以小电流放电，完全放完电后总放电容量； 放完电状态——电池放电到终止电压的状态，此时SOC=0%；

充满电状态——电池充电到终止电压状态，此时SOC=100%；

动力电池管理系统中的状态估计主要包括电池荷电状态SOC估计，电池能量状态SOE）估计及峰值功率SOP估计，对电池荷电状态和峰值功率进行估计并用于整车控制，这样对用户熟悉电池的用电情况，提高电池利用率和电池容量，防止电池充电过余和过放电，保障电池在工作时，其安全性和使用寿命等方面都有很重要意义。在电池电量描述和估计方法中，忽略了电压的影响，但在实际工作时，电池主要用于释放容量和存储能量，电动汽车续驶里程和用电设备的续航时间都和电池释放的能量多少有直接关联，因而用电池状态和剩余电量来描述动力电池，更具有意义[3]。

2 负载电压法

在电池放电过程期间，且负载电流保持一致，负载电压随电池荷电状态SOC变化的规律和开路电压随电池荷电状态SOC的变化情况相类似，因而能通过负载电压估计荷电状态。该方法能够估算电池组的荷电状态，在相同电流放电时，此方法效果明显。但在实际工作中，因电池的剧烈波动给电压法的使用带来了困难，解决这种困难，需要大量电压数据建立动态数学模型，所以此方法很少用于实车上，但经常用于判定电池充放电截止情况。

3 开路电压法

电池内部的电动势相当于电池的电场力，用来描述电池对外电路输出电能时的内部驱动力。理论上，电池电动势能用电池的热力学参数和能斯特方程（ Nernst equation）获得。实际应用中通常将电池的开路电压近似为电动势。锂离子电池特别是锰酸锂电池的开路电压和荷电状态SOC存在近似线性的对应关系，且开路电压与SOC的关系式不随电池运行工况的变化而变化，因此根据其对应关系可以估计SOC，但开路电压的获得需要电池放置很长时间使电压稳定，特别是在温度低 放电倍率高等情况，电池从工作状态恢复到稳定状态需要很长时间，几个小时甚至十几个小时。基于开路电压估计电池的SOC通常有三种计算方法：查表法、分段线性函数法和数学表达式法。

3.1 查表法

该方法将测试的电池参数存放在表格里，用于估计SOC。SOC的估计精度取决于存储数据量的大小。

3.2 分段线性函数法

该方法将电池的开路电压近似为分段线性函数。通过分段线性函数，可以拟合一个对于任一测得的开路电压U0CV，电池SOC的计算表达式[4]：

式中，Ul、Uh分别为电池在SOCl、SOCh两点对应的已知的开路电压。

3.3 数学表达式法

该方法将电池电动势运用确定的数学表达式表示，电池电动势关于测量的开路电压和静置时间之间的数学表达式为：

式中：γ＞0，α＞0，β＞0，参数它们是与电池充放电倍率相关的常数；若电池电压随时间增大（电池放电后静置），Γ=+1；若电池电压随时间降低，Γ=-1；E∞表示电池达到稳定时的开路电压，即电池电动势；Ut表示t时刻测得的开路电压；lnδ(t)表示时间t的自然对数的δ次幂；εt表示随机误差项。

开路电压法在充电开始和结束荷电状态SOC估算效果较好，经常和安时积分法结合使用。

4 安时积分法

安时积分方法简单可靠、易于实现，因此是最常用的荷电状态SOC估算方法。如果充放电初始状态为SOC0，那么当前状态的SOC为

式中：SOC0为初始荷电状态，SOCend为当前荷电状态，△Q为初始状态到当前状态的充放电容量变化，所以SOC的估算需要确定的参数是△Q、SOCend、SOC0。

安时积分法适用于所有电动车的电池荷电状态估算，如果电流能够准确测量，且初始状态的荷电状态数据足够，则这种方法估算SOC更为可靠。该方法的缺点是：当积分进行时，累计误差无法准确估算、自放电容量会损失以及最大可用电池容量会变化等等，所随着积分的进行，荷电状态SOC的估计误差会越来越大，因而需要定期修改初始荷电状态。其前提是获得开路电压UoCV，从而利用 OCV-SOC曲线得到新的SOC0。

表1 SOC估算方法比较

5 卡尔曼滤波法

卡尔曼滤波理论是对系统状态做出最小方差意义上的最优估计，运用卡尔曼滤波进行荷电状态SOC估算时，电池被当作动态系统，荷电状态SOC是系统的一个内部情况，通过调节卡尔曼滤波放大倍数得到电池SOC的最优估算。电池模型的一般数学形式为[5]

由于电池是一个非线性系统，基于简单的线性系统模型运用卡尔曼滤波估计误差较大，甚至导致滤波发散。滤波法适用广泛，对于电流波动剧烈的动力电池，其荷电状态SOC估算常用此方法，不仅能估算出SOC，还能估算SOC的误差。该方法的缺点是对电池性能模拟精度及电池管理系统计算能力要求较高。

6 神经网络法

动力电池是一个高度非线性的系统，对于电池的充放电过程，不能准确建立数学模型。而神经网络特性，而且有学习能力与并行结构，对于外部激励，能给出相应的输出，所以可以用此方法建立电池的动态特性，从而估算SOC。

估计电池SOC常采用三层典型神经网络，输入层、中间层、输出层神经元个数由实际问题的需要来确定，一般为线性函数；中间层神经元个数由问题的复杂程度及分析精度来决定。估算电池荷电状态，常用的输入变量有电流、电压、累积放出电量、温度、内阻、环境温度等，神经网络输入变量的选择是否恰当，变量数量是否合适，直接影响模型的计算量和准确性，神经网络法适用广泛，但需要大量的参考数据进行训练，估计误差受训练数据和训练方法的影响很大[6]。

7 结语

综上所述，SOC估算方法可归纳为直接测量法、安时积分法和自适应算法三种，其中负载电压法和开路电压法属于直接测量法，卡尔曼滤波法、神经网络法及支持向量机属于自适应算法。各种SOC估算方法比较如下表1-1所示。6种方法在不同的工况下有不同的优点，不能概括性的的评价哪种方法更好，对于电动汽车车载应用而言，需要综合考虑计算复杂度和结果的精确性。