动力锂电池SOC估算方法综述
2019-10-20陈元丽赵振东陈素娟张广辉
陈元丽 赵振东 陈素娟 张广辉
摘要：由于动力电池内部状态不可以直接测量，只能通过内阻、电流等参数来估计，所以状态估计是电池管理与控制中的重点和难点。准确估计电池的SOC（State ofcharge）不仅可以节约成本，还对电池的使用寿命有延长的功效，具有重要现实意义。本文对动力锂电池SOC估算方法进行综述，首先从SOC的定义人手，其次分析了影响SOC估算的因素，重点比较了常用的SOC估算方法，分析了各方法的优缺点，最后对其进行了总结。
关键词：动力电池;SOC估计;影响因素;估算方法
中图分类号：TM912 文献标识码：A 文章编号：1005-2550（2019）05-0065-05
陈元丽
毕业于南京工程学院，硕士研究生学历，主要研究领域为节能与新能源汽车。
引言
随着世界经济的快速发展，全球焦点问题已从如何飞速发展经济转移到了如何绿色、迅速地发展经济。所以在汽车动力电池领域的大环境中，“绿色”二字也是重中之重。只有大力倡导绿色，才能有效地缓解当今世界能源危机与环境污染的世界性难题。因此对汽车动力电池需要研究出一款安全性与经济性并存的产品。现大多数新能源汽车动力电池主要有三种：三元锉电池、磷酸铁锂电池和锰酸锂电池[1]。表一为这三种电池各有其优缺点[2]。
由于受目前我国的新能源汽车的补贴政策的影响，现如今市场上三元铿电池由于高能量密度的优点已逐步取代了磷酸铁锂电池。但是，磷酸铁锂电池也有着明显的优点，比如，电池耐高温、安全稳定性强、成本低、循环性能好等。而三元锂电池电压平台很高，相同的体积或者重量下，三元锂电池的比能量、比功率更大。另外，在大倍率充电和耐低温性能等方面，三元锂电池有着更大的优势。
BMS为电池管理系统，是Battery ManagementSystem的缩写[3]。BMS的基本功能是测量、评估、管理、保护和警示[4]。BMS要实现准确估测SOC，动态监测和电池间的均衡的功能。其中准确估测SOC是BMS的核心功能，也是优化系统能量管理，提高动力电池的使用效率，延长电池使用寿命的关键。而对SOC的不准确估计会导致SOC大的波动，从而减少动力电池的循环寿命。
在许多应用场合，SOC估算设备必须不受外界的干扰。假定只有电池的电压和电流可以进行测量，那么在进行SOC估算时，输人为电压、电流和温度，输出则为电池的SOC，图1为SOC估算原理图。
针对上述背景，本文对动力锂电池SOC估算方法进行综述。
1 动力理电池的工作原理
鋰离子电池的充放电原理（以石墨为负极，LiCoO2为正极为例）简示图如图2所示（其他类型锂离子电池与它类似）。
电极反应如下：
正极：LiCoO2←→Li1-xCoO2+xLi++xe-
负极：C+xLi++xe-←→CLix
总的反应：LiCoO2+C←→Li1-xCoO2+CLix
锂离子电池在原理上实际是一种锂离子浓差电池，正、负电极由两种不同的锂离子嵌人化合物组成，正极采用锂化合物，如LixCo02等，负极采用锂碳层间化合物LixC6，电解质为LiPF6等有机溶液[5]。经过Li+在正负极间的往返嵌人和脱嵌就形成了电池的充电和放电的过程[6]。正常充放电情况下，锂离子在层状结构的碳材料和层状结构氧化物的层间嵌人和脱出，一般只引起层面间距的变化，不破坏晶体结构;在放电过程中，负极材料的化学结构基本不变[7]。由于充放电具有可逆性，则锂离子电池反应是一种理想的可逆反应。
2 SOC定义
SOC一般显示一个百分比数，就用剩余电量除以电池容量[8]，公式如下所示：
SOC=Q1/Q0（1）
式中Q1-电池剩余容量，A·h
Q0-基准容量，A·h
对SOC的定义有个必要前提，必须先确认它的基准容量。soc的理论解释是剩余容量与电池实际容量的比值，但是电池的实际容量受到使用情况的影响会有所变化，所以将它定义为变量。并且随着电池使用时间变长，实际容量会不断下降。在实际应用中，由于这种变量的存在不可能知道电池的实际容量，因此为了便于计算及管理，对电池基准容量的概念转化为电池的额定容量或者标称容量。但是在实际情况中，对新电池来讲其实际容量会低于额定容量。根据SOC的理论定义（剩余容量与电池实际容量的比值），计算出来的数值明显会大1。反之，对处于寿命末尾的电池，其实际容量会低于额定容量，计算出的数值会小于1，所以需要根据实际情况去修正。
3 SOC估计方法
3.1 SOC影响因素分析
（1）充放电电流大小对电池SOC的影响[9]
在相同的实验条件下，发现充放电大小对电池SOC有以下影响：
①控制变量的前提下，只改变电流的倍率对电池进行充电，会发现电池的充电效率与充电电流的大小成反比。即充电电流的增大，带来了充电效率的降低。换句话说就是充人的电量与电池实际吸收电量之差会随着充电电流倍率的增大而增大。
②在控制变量的前提下，只改变电流的倍率对电池进行放电，会随着放电电流的增大，带来放电效率的降低。换句话说就是输出电量与电池实际放电电量之差会随着放电电流倍率的增大而增大。
（2）温度对电池SOC的影响
温度也是电池充电效率的关键要素之一。并且在实际应用中温度因素会影响到SOC的判断，因为电池的放电电压以及放电容量受温度的影响而改变[10]。例如，在对Ni/Mh实验后，发现高温度伴随而来的就是低充电效率。所以这里与充放电电流一样，需要根据实际情况对温度要素进行修正。
（3）自放电对电池SOC的影响
电池的固有特性之一就是电池的自放电，通常会由实验测得。现实环境温度以及电池老化的程度都会对自放电有影响。当电池充满电后一直搁置，电池在此期间会自行进行放电，就会造成电量损失。所以在计算SOC时候应考虑改电池的实际搁置情况对自放电系数进行修正。当然这仅限于该电池充满电后搁置时间大于一周，如果时间小于一周，则影响忽略不计。
（4）老化对电池SOC的影响
人无法避免衰老，电池也是。电池在老化后会导致电池的性能急剧下降，所有老化的影响在进行判断的时候必须结合SOH（State of Health）来进行校准。
此外还有电池内阻、电池初始SOC、电池电压等都会对电池的SOC造成影响。
3.2 SOC算法分类
（1）安时积分法
安时积分法主要是从soc的定义中得来的，通过对电流进行积分并且要知道开始时刻的SOC可计算出此刻的SOC[11]，公式如下所示：
SOC=SOC（0）-1/C∫0tI（τ）dτ（2）
这种方法受两方面的约束限制，把SOC（0）称之为开始时的SOC，这个数值在电池充满电后并放置一段时间即可测得。另外电流传感器的噪声可能会影响SOC的偏移[12]。但是这种方法由于并没有考虑当前电池的使用环境及使用情况，所以精确度并不理想，会造成累计误差。刘从臻[13]等人研究基于改进的安时计量法的卡尔曼滤波算法在估算电池soc中的应用。
（2）开路电压法
在电池放置足够长的时间后，电池内部达到了完全平衡，这个时候电池的端电压就等于其静态电动势，这与SOC有着准确的对应关系，将这种方法称之为开路电压法。但是前面提到了“放置足够长的时间”这一句。实际使用中是不可能让动力电池放置这么久的（即使是用于校准SOC）。所以这个方法也就有了其局限性：无法用于车辆SOC实时估算。那么电池的端电压就成为考虑的参数之一。鲍慧、于洋[14]提出了将安时积分法与开路电压法相结合来估算电池SOC。
（3）负载电压法
电池在放电瞬间，电压的状态迅速完成从开路电压状态到负载电压状态的转变。在电池负载电流保持不变时，负载电压随SOC变化的规律与电压随SOC的变化规律具有相似性。所以在电池放电时，根据放電电压和电流可以得到SOC估计值。
在恒流放电时具有较好的效果是负载电压法的优点。但是在现实情况下“恒流”二字谈何容易，往往伴随着的就是剧烈的电池电压波动，这就给负载电压法带来了困难。所以该方法很少运用于实际，但常用来作为电池充放电截止的依据。
（4）内阻法
内阻法与开路电压法具有相似性，都是利用函数关系来判定电池的SOC（电池电阻与电池电量的关系）。这种方法一般用于铅酸电池和Ni/MH电池，但是这个方法同样的运用的比较少。原因是电池整个系统的交流内阻数据测量的不便，所以通常只能运用单个电池的交流内阻去处理，但是个体并不能代表整体。在整个复杂的电池系统中单从单个电池去推断整体，本身这个方法就是不严谨的，会产生较大的误差，所以内阻法可用于电池放电后期的SOC估计，可以与安时积分法综合使用。
（5）神经网络法
前两年AlphaGo机器人横空出世，在围棋界“大杀四方”。人们在叹为观止的同时也领略到了一个词的风采，就是“深度学习”。同理对于动力电池的SOC状态估计方法中有一个方法与其类似，就是神经网络法。这是将测量值和计算值通过神经网络来估算的一种方法。当然跟AlphaGo-样需要大量的自学与积累来完善它，所以目前这方法并不能被熟的运用。
神经网络处理方法就是通过两个数据，一是被优化过的正常数据，二是实验过程中的输入输出数据。用这两个数据建立起神经网络模型。将神经网络模型当成一个“黑匣子”。这个“黑匣子”中记录着此次关键数据以及关键处理方法。时间久了之后就记录无数个“黑匣子”，然后通过上面谈到的“深度学习”，在学习中不断地调整之前记录的数据的偏差，不断降低模型的误差率，这就是自主学习的过程。神经网络模型的计算只要有电池电压、放电电流、电池内阻等数据就可以，这是它的优点，缺点则是需要大量的训练数据。图3为神经网络模型。徐艳明提出[15]用BP神经网络的自学习能力和逼近能力，优化和补偿EKF算法的非线性误差。
（6）卡尔曼滤波法
想要利用卡尔曼滤波法对电池SOC进行最优化估计还必须要运用到卡尔曼滤波的递推公式，当然还需要知道两个方程，即SOC信号模拟方程及测量方程。卡尔曼滤波法可以消除更多的误差，但缺点是单体的离散等问题无法解决。Plett[16]最先提出利用Kalman滤波器来建立等效的电池模型，Santhangopalan和White[17]提出用扩展Kalman和无痕物理模型滤波器对锂离子电池进行SOC估计，Smith[18]分别对利用Kalman滤波器进行SOC估计的不同模型进行了探讨，Wang[19]等提出了一种基于SOC估计的等效电路。刘欣博[20]等人基于扩展卡尔曼滤波方法对锉电池的SOC进行预估，结果与传统方法比较，减小了SOC的估算误差。李争、张丽萍浏提出基于无迹卡尔曼滤波算法的自适应锂离子电池荷电状态（SOC）估算方法。
4 结论
本文从SOC的定义出发，论述了影响SOC的因素，发现SOC估算方法有很多，但是各方法都有其优缺点，从实际应用中来看，安时积分法常与开路电压法、内阻法等结合来消除累计误差，而神经网络法还没有完善，但常与卡尔曼滤波法结合使用来优化其非线性误差;卡尔曼滤波法作为近年来常用来估算soc的方法，受到大家的广泛关注。目前，研究了基于安时积分法策略的扩展卡尔曼滤波算法，再将开路电压作为修正依据，减少累计误差的影响，提高估计模型的精度，经MATLAB/SIMULINK验证发现SOC误差在3%左右，能很好的估计SOC。本文主要是梳理了常用的估算SOC的方法，以期待更具有创新性的方法。
参考文献：
[1]王丽君.动力电池SOc佑计复杂方法综述[J].计算机产品与流通，2018（10）：75.
[2]胡晓松，唐小林.电动车辆锂离子动力电池建模方法综述[J].机械工程学报，2017，53（16）：20-31.
[3]黄凯，郭永芳，李志刚.动力锂离子电池荷电状态估计综述[J].电源技术，2018，42（09）：1398-1401.
[4]孙冬，许爽，李超，纪阿芳.锂离子电池荷电状态估计方法综述[J].电池，2018，48（04）：284-287.
[5]王光英.电动汽车锂离子电池SOC估计研究综述[A].中国自动化学会控制理论专业委员会、中国系统工程学会.第35届中国控制会议论文集（A）[c].中国自动化学会控制理论专业委员会、中国系统工程学会：中国自动化学会控制理论专业委员会，2016：8.
[6]宋凯，陈旭，成艾国.考虑温度影响和滞回效应的锂电池特性建模[J].汽车工程，2019，41（03）：334-339.
[7]史永胜，史禄培，魏浩，于森杰一种改进型锂离子电池SOc佑算方法Q/OL].电子器件，2019p）：1-4[2019-04-28].http：//kns.cnki，net/kcms/detail/32.1416.tn.20190227.0948.010.html.
[8]马泽宇，姜久春，王占国，时玮，郑林锋，张言茄.基于容量增量分析的石墨负极磷酸铁锂电池SOC估算方法研究[J].汽车工程，2014，36（12）：1439-1444.
[9]刘征宇，汤伟，王雪松，黎盼春.基于双时间尺度扩展卡尔曼粒子滤波算法的电池组单体荷电状态佑计[J].中国机械工程，2018，29（15）：1834-1839.
[10]吴铁洲，向富超，常春.基于增益调整的joint-EKF算法佑算电池SOc[J].电池，2018，48（03）：150-153.
[1]]杨阳，殷时蓉，张栋省.基于改进EKF的锂离子电池SOC估算[J].电池，2018，48（03）：182-18.
[12]刘伟龙，王丽芳，廖承林，王立业.基于模型融合与自适应无迹卡尔曼滤波算法的锂离子电池SOC估计[T].汽车工程，2017，39（09）：997-1003.
[13]刘从臻，赵淑红，刘庆新.基于改进Ah计量法的电池SOC卡尔曼滤波估计[J].山东理工大学学报（自然科学版），2015，29（03）：32-36.
[14]鲍慧，于洋.基于安时积分法的电池SOC佑算误差校正[J].计算机仿真，2013，30（11）：148-151+159.
[15]徐艳民.基于BP-EKF算法的电池SOC估计[J].汽车技术，2018（02）：19-23.
[16]Plenty，G.L.Extended Kalman filtering for batterymanagement systems of LiPB-based HEV batterypacks：Part 2.Modeling and identification[J].Journal ofPower Sources.2004，134：262-276.
[17]Santhanagopalan，S.and White，R.Onlineestimation of the state charge of a lithium ion cell[J].journal of Power Sources.2006，161：1346-1355.
[18]Smith，K.，Rahman，C.，and Wang，C.Y.Model-based electrochemical estimation and constraintsmanagement for pulse operation of lithium ionbatteries[J].IEEE Transactions on Control SystemsTechnology.2010，18（3）：654-663.
[19]Wang，S.，Verbrugge，M.，Wang，J.S.，and Liu，P.Multi-parameter battery state estimator based on theadaptive and direct solution of the governingdifferential equations[J].Journal of PowerSources.2011，196（20）：8735-8741.
[20]劉欣博，王乃鑫，李正照.基于扩展卡尔曼滤波法的锂离子电池荷电状态佑算方法研究[J].北方工业大学学报，2016，28（01）：49-56.
[21]李争，张丽平.基于无迹卡尔曼滤波的41离子电池SOC佑计[J].电池，2018，48（05）：313-317.
