动力电池SOC估算方法综述

2021-05-16时浩婷范丽雪宋淑慧吴文燕

科学与信息化 2021年12期

时浩婷范丽雪宋淑慧吴文燕

山东交通学院山东泰安 271000

动力电池荷电状态（State of Charge，SOC）可以直接反应电池的剩余使用电量，表征动力电池当前剩余的能量，是反映电池状态的重要参数，也是电池管理系统（Battery Management System，BMS）的关键参数，对其精确地估计对于电池管理系统预测剩余续航里程至关重要[1]，同时有助于确定一个有效的管理策略，以避免电池过度充电和过度放电。

1 荷电状态定义

荷电状态SOC数值上定义为剩余容量与电池初始额定容量的比值，经常以百分比的形式表示，SOC的取值范围为[0,1]，0值代表当前时刻电池处于完全充满状态，1值代表当前时刻电池处于完全放电状态，但SOC值经常以百分比的形式表示，具体定义式如下：

2 荷电状态估算研究现状

锂电池内部复杂的动态特性导致SOC无法直接测量，通常可以从测量的电池电压、电流和温度等参数来推断。锂电池SOC估算的常用方法主要包括安时积分法，开路电压法，卡尔曼滤波法和神经网络法等。

2.1 安时积分法

安时积分法将锂离子动力电池内部发生的非线性变化进行线性化，通过测量统计一段时间内充放电的电量数据，根据电池SOC上一时刻的状态估算当前时刻的SOC状态，具体公式如下所示：

安时积分法原理简单，可以实时在线估算SOC，是目前应用最为普遍的方法之一，已经被广泛应用于BMS中[1]。从公式中可以看出，此方法非常依赖初始SOC值和实际测量的电流值，初始值不准确会导致估算结果有较大的偏差，测量电流的不准确会导致SOC估算精度随时间的增加而变得越来越差。为了解决上述问题，孟积渐[2]等人设计了一种含温度修正和寿命修正的SOC估算方法，该方法利用安时积分法，将温度因素和电池老化因素考虑其中，解决SOC估算累计误差较大的问题。最后在特定实验条件下进行了论证，结果表明，该方法能有效解决SOC估算累计误差问题。欧阳明高[3]等人对比了磷酸铁锂电池初始容量、初始SOC等参数对其SOC估算精度的影响，确定了初始SOC值的精确与否严重影响着安时积分法的估算精度。

2.2 开路电压法

开路电压法是通过电池SOC和其开路电压（Open Circuit Voltage，OCV）的对应关系获得电池SOC的方法，电池SOC与开路电压映射关系，又称为开路电压表，该表的获取方法一般有两种，第一种是对满充电池进行恒流放电，并在每个SOC节点上（可自己设置）对该电池进行长时间的静置，此时得到一组SOC-OCV对应值，以此类推，直至SOC降为0，这样我们就能得到完全的开路电压表。该方法需要电池经过长时间的静置才能得到准确的一一对应关系，并且每一个SOC状态都需要电池进行静置几小时，耗费的时间周期长[4]；第二种方法，也是目前广大学者常用的方法，在1/25C电流下进行恒流充放电实验，电池经历恒流充满、恒流放电完全，我们得到的电压曲线就是开路电压曲线[5]。由于开路电压表获取程序相对烦琐，受温度等外界因素影响严重，因此开路电压法经常作为辅助方法使用，即通过开路电压法得到初始SOC值，同时对充放电效率、温度进行补偿，再采用安时积分法对SOC估算，以大大提高估算的精确度[6-7]。文献[8]将安时积分法、开路电压法及负载电压法相结合，通过开路电压法确定SOC的初始值，并将充放电效率、温度因素考虑在内，最终得到改进算法的估算误差基本在3%以内。

2.3 卡尔曼滤波法

卡尔曼滤波法的实质是根据测量值和观测值估计真实值的过程，该方法主要分为预测和校正两大部分，同时不断更新协方差估计，是一种闭环估算方法。它克服了安时法中误差累积效应，不要求初始SOC值的准确性，但较为依赖于电池等效电路模型，常见的等效电路模型有Rint模型、RC 模型、Thevenin模型、PNGV 模型[9]。

传统的卡尔曼滤波法只能描述线性系统，但是由于电池内部是一个非常复杂的非线性系统，因此在估算SOC时常采用扩展卡尔曼滤波（Extended Kalman Filter，EKF）和无迹卡尔曼滤波（Unscented Kalman Filter，UKF）以及各种变形算法自适应扩展卡尔曼滤波（Adaptive Extended Kalman Filter，AEKF）、自适应无迹卡尔曼滤波（Adaptive Unscented Kalman Filter，AUKF），将非线性电池系统转化为线性系统再进行SOC估算。Perez[10]等人采用扩展卡尔曼滤波器来估算锂离子动力电池的SOC，通过二阶等电路模型建立状态方程，从而求解出电池的SOC。文献[11]提出基于自适应无迹卡尔曼滤波AUKF的 SOC估算方法，通过UT变换避免了泰勒级数展开计算，因此不存在非线性误差，结合对电池系统过程噪声和测量噪声的协方差的实时校正，最后将EKF、UKF、AEKF和AUKF四种算法进行了比较。实验结果表明，AEKF和AUKF具有较快的收敛速度，AUKF具有最佳的估算精度。文献[12]提出了一种新型AUKF算法，选取二阶RC电路模型建立状态方程，利用传统卡尔曼滤波法在线辨识模型参数，将得到的模型参数作为无迹卡尔曼滤波输入来估算锂电池SOC,即构成双重自适应无迹卡尔曼滤波算法DAUKF，结果表明该算法相比传统的DUKF算法具有更强的估计精度和自适应跟踪能力。

2.4 神经网络法

随着人工智能和深度技术的发展，神经网络的训练时间大大缩短，基于深度学习的神经网络引起了国内外学者的广泛关注。神经网络法是通过对已有训练样本的学习，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，得到准确的输入输出映射函数关系，即通过输入电压、电流、温度、电池容量等参数，建立起与电池SOC的映射关系。这种方法对电路模型依赖性不强，打破了卡尔曼滤波法的局限性。然而，其准确性在很大程度上取决于训练数据的数量和质量，并且在大量数据的情况下训练时间仍是较长。常用来估算SOC的神经网络法有BP神经网络，循环神经网络（RNN），深度神经网络（DNN）。Guo[13]等人建立了基于 Levenberg-Marquardt 的BP神经网络模型，将锂离子动力电池的电流、电压、温度和欧姆内阻作为神经网络的输入，SOC作为神经网络的输出，对电池荷电状态进行预测的最大误差小于 0.1%。He[14]等人开发了一种基于神经网络和UKF的SOC估计方法，将多个电流、电压和温度测量值用作神经网络的输入，SOC用作神经网络的输出，为了减少神经网络的估计误差，利用UKF来滤除神经网络估计中的异常值，经过UKF滤波后，SOC估计值的RMS误差在2.5%以内，不同温度下的最大误差在3.5%以内。Chaoui[15]使用循环神经网络RNN估算锂离子电池的SOC和健康状态，并评估了两种不同电池的估算性能。与传统的前馈神经网络相比，RNN将电池的过去充放电信息关联起来，并将当前SOC状态与以前的状态和测量值相关联，从而显示出出色的估计性能。虽然RNN能将过去的充放电信息关联起来，但是有距离的限制，距离太远时会引起梯度爆炸，为避免这个问题，Chemali[16]等人利用具有LSTM单元的递归神经网络准确估计电池SOC，并探索了时间深度与估算精度之间的关系，以及为获得估算准确性所需要的训练数据量。