基于云端计算的sOC估计策略

曾祥兵

（奇瑞新能源汽车技术有限公司，芜湖 241002）

电池管理系统（BMs）通常被业内称为新能源汽车动力电池系统的“大脑”，与动力电池、整车控制系统共同构成了电动汽车的三大核心技术。电池管理系统的核心功能是依据环境条件对电池的充放电过程进行检测和控制，提高电池的能量利用率，延长电池的使用寿命。对于电动汽车电池管理系统来说，电池的荷电状态（state-of-Charge，sOC）能够间接反映电动汽车的续航能力，是衡量电池性能的重要参数。

目前，电池sOC的估计方法主要包括安时积分法、神经网络法和基于模型的估计方法。安时积分法通过电流的累积对sOC进行估计，实现方便但易受到传感器误差的影响，估计精度不高。神经网络法能够描述具有高度非线性的锂电池充放电行为，但是建模过程复杂，且网络训练计算量大。基于模型的估计方法首先要建立电池的等效电路模型或电化学模型，再应用粒子滤波、卡尔曼滤波等算法实现sOC的估计，往往具有较高的估计精度。本文结合云计算技术及无线通信技术，针对车载sOC估计中计算量和存储量不足的问题，提出了一种基于云端计算的sOC估计架构，并通过仿真试验验证了这一方法的有效性。

1 SOC估计

1.1 SOC的定义

sOC表示锂离子电池中剩余容量的百分比，电池充满时sOC为100%，放空时为0%。但是，sOC的表达公式并不唯一，因在不同的放电条件下，放电至截止电压时可放出的最大容量并不相同，因此计算sOC时在分母的选择上出现了差异。

目前，主要有两种常见的sOC定义公式：

式中，sOC（t）为t时刻的sOC；Cd为已经放出的电量；cN为锂离子电池的额定容量；CM为最大放电容量，一般取C/20放电电流下电池可放出的最大容量。

上述两种定义中，式（1）的CN为定值，因此该方法简单。而式（2）需要考虑不同温度、电池寿命等因素对最大可放电容量的影响，定义更符合实际情况。

由于最大可放电容量受多种因素影响，在实时应用中以现有的估计方法很难实现。为此，本文提出了一种基于云端计算的车载嵌入式标定sOC估计方法。

1.2 基于云端计算的SOC估计架构

现有的电动汽车电池管理系统的sOC估计策略由于受到硬件计算能力、数据存储能力及成本的限制，往往只能利用有限时间的历史数据进行sOC估计。由于锂电池本身是一种类生命的系统，其结构及电化学参数会随着时间的增加而逐渐变化，电化学性能也会逐渐衰退。现有的sOC估计方法并不能很好地反映锂电池健康状态随着时间的变化而变化的特征，因此在估计精度上会受到一定的影响。

图1 基于云端计算的SOC估计架构

目前，云计算技术及无线通信技术发展迅速，本文针对车载sOC估计中计算量和存储量不足的问题，提出了一种利用车载计算和云端计算相结合的方式，基于云端计算的sOC估计架构，如图1所示。其基本工作模式如下：车载BMs采集电池系统的基本信息，以无线方式上传到云端计算中心，云端计算中心将数据进行存储，并按一定的模型，对更新至当前时刻的历史数据进行分析和计算，然后将关键数据，如最大放电容量、内阻、健康状态（sOH）等无法在车载BMs上进行分析和计算的数据，通过无线方式定时下传到对应的车载BMs，车载BMs根据这些数据重新对sOC进行计算或标定。

电池的老化相对来说是个长时间的过程，往往经过几个月才会在电池的参数上得以体现。所以，经过长时间使用后电池的健康恶化，对应的各项参数就会发生相应的变化，这些变化需要通过长时间的数据监控分析才能得出，而车载BMs无法做到这一点。为此，基于云端计算的sOC估计架构就更加合理，也更能满足实际情况的需要。

1.3 云端计算模型

现在sOC估计所采用的大多数模型和估计方法，特别是计算量和复杂度大的方法，如粒子滤波法、神经网络法等都可以放在云端进行实现，而车载BMs只需保留计算量小、可靠性好的方法，如安时积分法、Kalman滤波法等。当前，新兴的数据分析方法和技术也可以在云端进行，如深度学习、大数据技术等。为了验证本方法的有效性，本文以sOC为标定目标，采用神经网络对其进行云端建模和分析。云端计算的神经网络模型如图2所示，这里采用1个隐含层的模型，输入数为m，输出数为1，隐含层的神经元数量为n。

图2 云端计算神经网络模型

2 仿真试验

2.1 隐含层神经元个数的选择

为了选择合适的隐含层神经元个数，笔者针对不同的隐含层个数（10，20，30，50）进行了仿真试验，其结果如表1所示。

表1 不同隐含层神经元数的均方差

由表1可以看出，隐含层所含的神经元数越多，均分差越小，同时相应的计算量越大。

2.2 云端校正与不带校正的对比

为了说明基于云端计算的sOC估计策略的有效性，笔者以图2所示的前向网络模型为云端计算模型，选择50个隐含层神经元，并分别在网络连通率100%、50%、0%的情况下，对sOC的估计值进行校正。假设网络连通率为x%时，每一个计算周期内，进行云端计算校正的概率为1-x%，即随机生成0～1的随机数，如该数小于1-x%，则表示网络故障，不进行校正；否则表示网络畅通，可以进行云端计算校正。同时，假设云端计算速度远远快于车载系统，计算时间相对车载运算可忽略。对于车载端sOC估计，笔者利用扩展卡尔曼滤波方法（EKF）进行模拟。仿真结果如图3所示。

图3 不同连通率情况下的SOC估计结果

如图3所示，在100%连通的情况下，车载sOC估计精度逼近云端神经网络模型的估计精度，而在0%连通的情况下，车载sOC估计精度完全由车载的sOC估计算法的精度所决定，而在50%连通的情况下，车载sOC估计精度介于两者之间。由此可见，即使在网络连通率不是100%的情况下，基于云端计算的sOC估计策略其精度依然比车载的sOC估计算法要高。

3 结论

由于锂电池本身是一种类生命的系统，其结构及电化学参数会随着时间的增加而逐渐变化，电化学性能也会逐渐衰退。现有的sOC估计方法并不能很好地反映锂电池健康的真实状态特征，因此估算精度会受到一定的影响。本文结合云计算技术及无线通信技术，针对车载sOC估计中计算量和存储量不足的问题，提出了一种基于云端计算的sOC估计架构。当车载系统和云端计算中心之间的连接畅通时，可用利用云端计算得到的最新关键参数对车载sOC估计结果进行修正或标定，提高了估计的精度；当网络不通时，车载BMs系统也可以利用车载存储的最近的一个更新数据进行sOC估计，满足基本的运行要求，待到云端连接可用时再进行修正。仿真试验验证了这一方法的有效性。