鋰電池SOC預測方法綜述

張持健，陳 航

(安徽師范大學物電學院，安徽蕪湖241000)

鋰電池SOC預測方法綜述

張持健，陳 航

(安徽師范大學物電學院，安徽蕪湖241000)

鋰電池荷電狀態(SOC)是鋰電池管理系統的重要參數，鋰電池SOC實時預測關系到電池充放電控制和電動汽車的優化管理，直接影響鋰電池的使用壽命。鋰電池的SOC受放電電流、內部溫度、自放電、老化等因素的影響，使得鋰電池的實際容量難以確定。綜述了目前鋰電池SOC的各種預測方法，并進行比較，指出了各類方法存在的問題，給出了未來鋰電池SOC預測方法的發展趨勢。

SOC；預測方法；剩余容量

鋰電池荷電狀態(state of charge，SOC)實時預測關系到電池充放電控制和電動汽車的優化管理，直接影響鋰電池的使用壽命。目前國內外普遍使用鋰電池SOC來表明鋰電池的性能狀態，本文介紹、比較了目前鋰電池SOC的各種預測方法，指出了各類方法存在的問題，給出了未來鋰電池SOC預測方法的發展趨勢。

1 SOC定義

美國先進電池聯合會(USABC)在其《電動汽車電池試驗手冊》中定義SOC為：電池在一定放電倍率下，剩余電量與相同條件下額定容量的比值。定義式如下：

2 鋰電池SOC預測方法

SOC不能直接測出，只能根據一些可測量的參數來預測，而且環境溫度是影響電池SOC準確預測的一個關鍵因素[1]。常用的鋰電池SOC預測方法一般是通過檢測電池端的電壓、電流、阻抗、溫度等參數來預估。

2.1 傳統的預測方法

傳統的鋰電池SOC預測方法包括開路電壓法、放電法、安時積分法和電導法。

2.1.1 開路電壓法

開路電壓是指外電路沒有電流流過時，電池達到平衡時正負極之間的電位差。電池經過長時間的靜置后，電池端的電壓與SOC存在著相對固定的函數關系，經過多次測量得到開路電壓-電池剩余容量曲線，即OCV-SOC曲線，可以根據開路電壓來預測SOC。文獻[2]指出起動型蓄電池的開路電壓與放電容量之間存在著某種線性關系，故而可以由開路電壓來估測荷電狀態，但是只能用在較短時間內測定的電池開路電壓來評估電池的放電容量。文獻[3]中提到開路電壓還受到溫度的影響，在低SOC水平下，開路電壓開始隨溫度變化呈現出分叉現象，溫度越低，開路電壓的值也越低。

開路電壓法的一個明顯缺點是電池要經過很長時間的靜置才可以測量，這樣會在測量上耗費很多時間。文獻[4]通過建立二階RC電路模擬電池極化效應的電池模型，對電池放電后靜置的曲線進行多次實驗，找出規律公式，用電池停止放電后的某個時刻的電壓來估算電池的開路電壓，從而解決了估算SOC時開路電壓法用時長的缺陷。目前大多數研究者都是研究室溫環境下的OCV-SOC曲線，這將導致在其他環境溫度下的SOC預測產生很大的誤差[5]，而且鋰電池的OCV-SOC曲線相對比較平坦，這意味著一點點差異就會使SOC預測產生較大的誤差[6]。

2.1.2 放電法

放電法是公認的比較可靠的電池SOC估計方法，許多電池廠商都采用這種方法來做電池測試。放電法是采用恒定的電流來對電池進行連續的放電，直到放電截止，然后用時間與放電電流相乘就是放電電量。放電法的缺點是測量需要耗費大量的時間，另外電池不能在線測量，即電池要切斷平時工作時的電路后，再用放電法來測量。

2.1.3 安時積分法

安時積分法不研究電池內部的電化學反應及各參數之間的關系，只是著眼于該系統的外部特征，通過實時監測充入電池和放出電池的電量，來給出電池在任意時刻的剩余電量，相比于其他幾種方法，實現起來更加簡單，易于實現實時監測，所以安時積分法是SOC預測方法中用得最多的方法。安時積分法的原理公式[7]如下：

從式(2)中可以看到，初始電量的確定對預測結果的準確性是至關重要的，如果電流采集值不精確，就會造成SOC計算誤差，長期積累，誤差將會越來越大，許多研究者為了提高電流測量的精度，通常采用高性能的電流傳感器來測量電流，比如霍爾傳感器、光纖傳感器等，但是這些傳感器的價格比較高，無形當中就提高了測量的成本。為此，許多學者對安時積分法提出了改進，文獻[8]提出了一種改進的方法，并利用開路電壓法來計算出電池的初始電量，改進的工作原理如下：

安時積分法的預測精度高度依賴于電流傳感器和初始SOC的精確估計[9]。然而，庫侖計數是一個開環估計，不能消除測量誤差的累積和不確定的干擾。此外，它不能確定初始SOC，將導致SOC估計誤差積累。

2.1.4 電導法

電導法是指通過對鋰電池電導或者內阻進行長期的跟蹤和測試，從大量測試數據中分析找出鋰電池電導與SOC之間的關系，從而進行鋰電池SOC預測。與開路電壓法類似，這里電池內阻測量的精確性對SOC預測的精確性是很重要的，測量時要保證接觸良好，盡量使接觸電阻為零。常用的電池內阻方法有直流內阻測試法和交流內阻測試法。直流內阻法的測量結果不會受到充電器波紋及其他噪聲的影響，這使得測量數據較為準確，但是如果放電電流較大，電池內部就會出現極化內阻，這就需要把放電時間控制在很短的時間內[10]。交流內阻法是在電池兩端加上一個較小的低頻交流信號，然后測出電池端的電流和電壓，計算出電池的內阻[11]，與直流內阻法相反，交流內阻法很容易受到充電波紋及其他噪聲的影響，尤其是在采用50 Hz的交流信號時，測試結果受充電波紋影響更大[12]。基于此，文獻[13]提出了測量蓄電池內阻的新思路，即直接利用充電機對蓄電池進行浮充電，系統中存在的交流紋波信號來獲取蓄電池的內阻信息。

2.2 新型的預測方法

新型的鋰電池SOC預測方法包括卡爾曼濾波法、模糊邏輯法和神經網絡法。

2.2.1 卡爾曼濾波法

1960年卡爾曼利用時域狀態空間理論創立了卡爾曼濾波方法，后來提出了便于在計算機上遞推實現的卡爾曼濾波算法，該算法的基本原理是：采用信號與噪聲的狀態空間模型，利用前一時刻的估計值和當前時刻的觀測值來更新對狀態變量的估計[14]。卡爾曼濾波算法分為標準卡爾曼濾波法(KF)、擴展卡爾曼濾波法(EKF)和無損卡爾曼濾波法(UKF)。卡爾曼濾波算法估算鋰電池SOC的實質是用安時積分法來計算SOC，同時用測量的電壓值來修正安時積分法得到的SOC值。

在利用卡爾曼濾波法預測電池SOC時，需要建立合適的等效電池模型，并且EKF算法的精度依賴于電池模型的準確性。常用的鋰電池電路模型有Rint模型、Thevenin模型、Massimo Ceraolo模型[15]，三種模型的電路如圖1、圖2、圖3所示。文獻[16]采用Thevenin等效電路模型，利用DEFK(雙卡爾曼濾波)算法在線估計電池SOC，通過實驗表明，在不同的SOC初值情況下，DEFK算法有很好的收斂性，精確度更高。

圖1 Rint模型

圖2 Thevenin模型

圖3 Massimo Ceraolo模型

2.2.2 神經網絡法

神經網絡能夠通過學習和訓練獲得用數據表達的知識，除了可以記憶已知的信息之外，還具有較強的概括能力和聯想記憶能力[17]。利用神經網絡預測鋰電池SOC的原理是：應用神經網絡對鋰電池進行建模，以電壓、電流等電池外部特性參數作為輸入，通過大量的樣本數據對系統進行樣本訓練，當SOC達到符號要求的誤差范圍內以后，再利用該系統對新的輸入進行SOC預測[18]。圖4是BP神經網絡結構，圖5是利用BP神經網絡構建的電池SOC預測模型。

圖4 BP神經網絡結構

圖5 基于BP神經網絡的電池SOC預測模型

利用神經網絡來預測電池SOC的優點是不需要建立確定的數學模型，另外從眾多的文獻可以看出電池SOC與通過電池的電流、電池端的電壓等參數之間是一種非線性關系，而神經網絡能很好地通過樣本學習來確定這種非線性關系，樣本學習數據越多，預測精度就越高。

2.3 其他的新方法

近年來研究者又提出了一些新的預測方法，比如最小二乘支持向量機回歸算法[19]、基于自適應理論方法[20]、基于DE優化SVR算法[21]、改進的Elman神經網絡法[22]和無損卡爾曼濾波相結合的方法[23]等等。這些新方法實質上都是對上述傳統預測方法和新型預測方法預測SOC過程中所出現的誤差進行修正，盡可能地減小估算誤差，從而提高估算精度。在實際的電池管理系統中，預測電池SOC的方法都是傳統方法，諸如此類的新方法大多數只是在理論中進行研究，并利用軟件進行仿真。

3 結論

目前關于鋰電池的SOC預測技術還不夠成熟，預測方法層出不窮，各種方法的優點和缺點如表1所示。

表1 SOC預測方法的優缺點

由上面所提到的各種SOC預測方法的優缺點，可以總結出未來SOC預測方法的發展趨勢：

(1)進一步提高單片機等測量數據系統的測量精度，以獲取更加精準的樣本數據；

(2)建立更加精確并接近實際情況的電池等效電路模型；

(3)預測SOC應加入更多的相關參數，不僅僅是電流、電壓、電導等，還應考慮電池充放電次數、溫度等參數；

(4)采用多種方法相結合的方法來做預測，例如利用安時積分法和神經網絡法相結合的方法，并加入修正因子來提高預測精度。

[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，桂長清.電動自行車開路電壓與放電容量的關系[J].電池工業，2007，12(6)：366-369.

[3]謝旺.基于Thevenin等效電路模型的鋰離子電池組SOC估算研究[D].上海：上海交通大學，2013.

[4]徐欣哥，楊松.一種基于預測開路電壓的SOC估算方法[J].電子設計工程，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，盧蘭光.提高安時積分法估算電池SOC精度的方法比較[J].清華大學學報，2010，50(8)：1293-1296.

[8]鮑慧，于洋.基于安時積分法的電池SOC估算誤差校正[J].計算機仿真，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]陳穎平.直流內阻法在蓄電池監測系統中的應用[J].云南電業，2013(9)：39-40.

[11]劉險峰，倪洪權.蓄電池容量在線檢測研究[J].通信電源技術，2009，26(3)：51-54.

[12]朱永祥.蓄電池剩余容量在線檢測方法研究[J].長沙大學學報，2006，20(5)：39-41.

[13]向小民，周百鳴.蓄電池剩余容量在線監測的探討[J].電源技術，2009，33(3)：213-216.

[14]杜政平.混合動力汽車車載電池SOC算法的研究[D].南京：南京林業大學，2013.

[15]呂超，劉珊珊.鋰離子電池等效電路模型的比較研究[J].電源技術應用，2013，11:158-159.

[16]王笑天，楊志家.雙卡爾曼濾波算法在鋰電池SOC估算中的應用[J].儀器儀表學報，2013，34(8)：1732-1737.

[17]吳微，周春光，梁艷春.智能計算[M].北京：高等教育出版社，2009.

[18]石璞.基于徑向基神經網絡的AMR鋰電池SOC估計[J].儀器儀表學報，2008，29(4)：305-308.

[19]劉勇智，詹群.最小二乘支持向量機在航空蓄電池剩余容量預測中的應用[J].蓄電池，2013(3)：118-121.

[20]朱小平，張濤.基于自適應理論的鋰離子電池SOC估計[J].電氣技術，2013(7):47-50.

[21]唐超，曹龍漢.基于DE優化SVR的鋰離子電池剩余容量預測[J].重慶理工大學學報，2011，25(3)：92-96.

[22]吳珍毅，曹龍漢.改進Elman網絡在鋰離子電池容量預測中的應用[J].西南科技大學學報，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

張持健(1964—)，男，上海市人，教授，主要研究方向為人工智能、測控技術、模式識別。