鋰電池荷電狀態估算M atlab仿真研究

涂 濤，鐘其水，李 波

（電子科技大學 航空航天學院，四川 成都611731）

鋰電池荷電狀態估算M atlab仿真研究

涂 濤，鐘其水，李 波

（電子科技大學 航空航天學院，四川 成都611731）

鋰電池的剩余電量（SOC）估算不僅可以作為電動汽車續航里程的參考值，而且可以為電動汽車的能量管理策略提供依據，具有重要意義。本文以法國SAFT公司生產的額定容量為6 AH，額定電壓為10.68 V的鋰離子電池包為研究對象，通過使用Matlab和Advisor等仿真軟件，研究了福克斯電動汽車行駛在UDDS工況下，采用安時法和擴展卡爾曼濾波算法結合估算鋰電池的剩余電量。仿真結果證明，該方法有效提高了鋰電池的SOC估算精度，電池SOC估算誤差在5%以內。

鋰離子電池；SOC估算；安時法；擴展卡爾曼濾波算法；Matlab仿真

當前，汽車行業快速發展。初步判斷2020年前，我國乘用車市場仍將處于快速發展時期，增長率相當于GDP增長率的1.5倍左右［1］。然而傳統汽車的發展面臨著化石能源枯竭以及環境污染等問題，因此，發展使用清潔能源的電動汽車成了當下的熱點。電池管理系統是電動汽車最關鍵的部件之一，對于優化電池組性能，延長電池組壽命，提高電池組能量使用效率，增加續航里程，確保電動車的行駛安全等都具有十分重要的意義［2］，而電池的荷電狀態（SOC）估算是電池管理系統的關鍵技術之一，精確的SOC估算可有效防止電池過充過放，提高電池使用壽命，提高能量利用率，具有重要意義。目前，國內外在鋰離子電池SOC估算方面已取得大量研究成果，主要包括安時積分法、開路電壓法、擴展卡爾曼濾波法、機器學習等。

安時積分法是根據電池充入和放出的電量來計算電池的SOC值，該方法沒有考慮電池內阻、電池溫度、電池老化等因素的影響。文獻［3］研究了采用安時法估算電池的SOC值，實驗結果表明采用安時法估算電池SOC值在短時間內精度較高，但是其估算誤差會逐漸積累，以至到無法接受的地步。開路電壓法是依據電池SOC值和開路電壓間的一一對應關系來估算電池SOC值。文獻［4］通過Z域變換，采用最小二乘多元線性回歸算法實時在線辨識電池等效電路模型的參數值，然后根據測得的電池端電壓和充放電電流來計算得到電池的開路電壓值，從而獲得電池的SOC值。該方法SOC估算精度主要取決于電池等效模型的階數和參數的辨識精度。卡爾曼濾波算法的核心思想是用觀測值來進一步修正預測值，其精度主要取決于電池等效電路模型的精度。文獻［5］研究了采用擴展卡爾曼濾波算法估算電池SOC值，取得了較高的SOC估算精度。機器學習的方法主要是人工神經網絡算法，BP網絡模型是目前應用比較成熟的一種神經網絡模型，它能夠很好的對復雜系統建模，并且具有多個輸入和非線性特點［6］。因此，BP神經網絡法很適合用來估算電池的SOC值，該方法可以應用于各種鋰電池，但是估計精度受采集數據精度和訓練方法影響較大［7-8］。

綜合考慮安時積分法和擴展卡爾曼濾波算法的優缺點，文中采用安時法和擴展卡爾曼濾波法結合估算電池的剩余電量。通過在電池放電前期和后期采用安時法估算電池的SOC值，在電池中間放電階段采用擴展卡爾曼濾波算法估算電池SOC值，并采用擴展卡爾曼濾波算法修正安時法SOC估算的誤差，有效提高了電池SOC估算精度，仿真結果表明，UDDS工況下，該算法SOC估算誤差在5%以內。

1 安時法和擴展卡爾曼濾波法SOC估算原理

1.1 SOC的定義

電池的SOC是電池的一個非常重要的參數，目前SOC的定義還沒有統一，不同機構有不同的定義，如美國先進電池聯合會將SOC定義為［9］：電池在一定放電倍率下，剩余容量與相同條件下額定容量的比值，即：

式（1）中，剩余容量是電池在一定條件下從當前狀態放電至終止所放出的總電量，額定容量是指電池在一定條件下充滿電能夠放出的總電量。

日本本田汽車公司將SOC修正定義為：

式（2）中的容量衰減因子是考慮到溫度、充放電倍率、自放電、電池老化等對電池總容量的影響。

起亞汽車公司將SOC定義如下式所示。

文中采用新電池進行相應的實驗研究，可以忽略容量衰減因子的影響，因此采用式（1）作為SOC的定義方式。

1.2 安時法SOC估算原理

安時法又稱作庫倫計數法，是當前比較常用的估計算法［10-11］，安時法的基本原理是將電池看作一個黑箱子，然后計算電池充入和放出的電量來獲得電池的SOC值。在對溫度、電池老化、充放電效率、自放電有較好補償時，短時間內，安時法有很好的估計效果，安時法估算SOC的計算如式（4）所示。

式（4）中，S（t0）是電池在t0時刻的剩余電量，I（t）是電池充放電電流，充電電流為正，放電電流為負，Q0是電池的額定容量，t時刻的電量等于t0時刻的電量加上電池從t0到t充放電電量，ρ是充放電效率。安時法原理簡單，易于實踐，在保證電流測量精度和初始電池容量已知的情況下，安時積分法具有非常高的精度和計算簡單的優點［12］。

1.3 擴展卡爾曼濾波法SOC估算原理

卡爾曼濾波算法是一種數學方法，主要思想是用當前時刻的觀測值修正當前時刻狀態估計值，使得狀態估計值更接近真實值。卡爾曼濾波的兩個關鍵是狀態一步預測值和新息，狀態一步預測可以對下一個狀態的SOC進行估算，新息可以對一步預測值進行校正［13-14］。但是卡爾曼濾波只適用于線性模型，而電池本身是一個非常復雜的非線性系統，因此需要將非線性系統線性化，將非線性系統線性化進行估算的方法即擴展卡爾曼濾波算法［15-16］。通過建立擴展卡爾曼濾波算法的狀態方程和觀測方程，實現電池的SOC估算。由于實際處理器處理的都是離散時間信號，因此文中研究離散型的卡爾曼濾波，離散系統的狀態方程和觀測方程如下所示。

式（5）狀態方程中，X（k+1）是k+1時刻的狀態向量，U（k）是k時刻的輸入向量。A（k）是k時刻的系統矩陣，B（k）是k時刻的輸入矩陣，w（k）是k時刻的系統噪聲向量。式（6）觀測方程中，Y（k+1）是k+1時刻的觀測向量，C（k+1）是k+1時刻的輸出矩陣，D（k+1）是k+1時刻的直接傳輸矩陣，v（k+1）是k+1時刻的測量噪聲向量。這里w（k）和v（k）都是零均值的白噪聲，彼此之間相互獨立，并與狀態向量X（k）不相關。w（k）、X（k）、v（k）的統計特性如下式所示。

文中選擇SOC值作為狀態量，電池端電壓U作為觀測值，電流I作為輸入值，建立電池的狀態方程和觀測方程如下所示:

根據卡爾曼濾波原理推導可得：

狀態一步預測:

觀測值一步預測：

狀態一步預測誤差自相關矩陣：

卡爾曼增益：

狀態最優估計值：

狀態最優估計誤差自相關矩陣：

擴展卡爾曼濾波算法估算電池SOC的具體步驟為:根據電池初始剩余電量估算值S?（0）和充放電電流I（0），可以得到狀態一步預測值S?（1/0），端電壓一步預測值U?（1）；根據初始狀態估算誤差自相關值P（0）計算得到一步預測誤差自相關值P（1/0），然后計算卡爾曼增益值K（1）；在下一時刻測得電池端電壓U（1）和電流I（1）觀測值，最終計算最優估計值S?（1）以及最優估計值的誤差自相關值P（1）。以此類推可實時估算電池SOC值。電池SOC值估算流程如圖1所示。

圖1 擴展卡爾曼濾波SOC估算流程

2 M atlab仿真及結果分析

在Advisor工具中，設定研究對象為Focus_in純電動汽車。Focus_in純電動汽車的動力電池組是由25個額定容量為6 AH、額定電壓為10.68 V的電池包串連而成，該電池包由法國SAFT公司生產，該電池包的開路電壓和SOC之間的關系曲線擬合結果如圖2所示。

圖2 開路電壓-SOC擬合結果

由圖2可知，開路電壓和SOC值的五次擬合精度最高。因此，文中采用五次擬合的方法來獲取電池充放電過程中SOC對應的開路電壓值。

在UDDS工況下，對安時法估算電池SOC進行Matlab仿真實驗，得到SOC估算結果如圖3所示。

圖3 安時法SOC估算

由圖3可知，前期安時法SOC估算精度較高，但是該算法SOC估算誤差會逐漸積累變大，最終達到不可接受的程度。

在同樣的工況下，采用擴展卡爾曼濾波算法估算電池的SOC，得到的Matlab仿真結果如圖4所示。

圖4 擴展卡爾曼濾波SOC估算

由圖4可知，采用擴展卡爾曼濾波法進行電池SOC估算在放電前期和后期精度較低，在放電中間階段精度較高。這主要是由于擴展卡爾曼濾波算法的SOC估算精度主要由電池模型的精度決定，而電池模型參數在放電前期和后期變化較大，在放電中間階段，電池模型參數基本恒定。因此，擴展卡爾曼濾波算法估算電池SOC值在放電中間階段精度較高，在放電前期和后期精度較差。

根據安時法和擴展卡爾曼濾波法SOC估算的以上特性，文中結合使用兩種方法進行電池的SOC估算。具體方法為：在電池放電前期，采用安時法估算電池的SOC值，經過200秒后，采用擴展卡爾曼濾波算法估算電池的SOC值，當電池的SOC值低于25%時，重新使用安時法進行SOC估算。在UDDS工況下，兩種方法結合使用的SOC估算Matlab仿真結果如圖5所示。

圖5 安時法-擴展卡爾曼濾波法結合SOC估算結果

估算誤差如圖6所示。

由圖5和圖6可知，前期采用安時法估算電池SOC，SOC估算精度較高，但誤差逐漸變大，中間階段采用擴展卡爾曼濾波算法進行SOC估算，可以修正安時法SOC估算的累積誤差，且擴展卡爾曼濾波算法進行SOC估算不存在累積誤差，后期采用安時法進行SOC估算，同樣具有較高精度，但誤差也會逐漸變大，最后再次用擴展卡爾曼濾波算法修正安時法SOC估算的累積誤差。整個放電過程中，電池SOC估算誤差始終保持在5%以內。

圖6 安時法-擴展卡爾曼濾波法結合SOC估算誤差

3 結 論

安時法估算電池SOC在放電初始時刻精度較高，但是安時法估算誤差會隨著時間逐漸累積，最終達到不可接受的程度。擴展卡爾曼濾波算法SOC估算精度主要取決于所建立的電池模型的精度，在電池高電量和低電量階段，電池模型參數變化較大，擴展卡爾曼濾波算法SOC估算精度較差，在電池放電的中間階段，電池模型參數值變化小，擴展卡爾曼濾波算法SOC估算精度較高。文K中采用安時法和擴展卡爾曼濾波法結合估算電池SOC，在電池放電初期和后期采用安時法，在電池放電中間階段采用擴展卡爾曼濾波法，并采用擴展卡爾曼濾波法的SOC估算值修正安時法的初值。Matlab仿真結果表明，文中提出的方法有效提高了電池SOC估算精度。然而，本文只研究了該算法在UDDS工況下的SOC估算效果，若要將該算法運用于實踐，將來仍需在電池充電過程中以及其它工況下對該算法進行實驗驗證。

［1］曹云平.電動車動力電源的發展現狀 ［J］.化工時刊，2001（10）:13-16.

［2］Fengchun Sun，RuiXiong，Hongwen He.Estimation of Stateof-Charge and State-of-Power Capability of Lithium-ion Battery Considering Varying Health Conditions［J］.Journal of Power Sources，2014，259（2014）:166-176

［3］王飛.動力電池運行狀況測控技術的研究［D］.武漢:武漢理工大學自動化學院，2008.

［4］張東華，馬燕，陳思琪等.鋰電池模型參數估計與荷電狀態估算研究［J］，武漢理工大學學報，2015，37（2）:179-182.

［5］Perez G，Garmendia M，Reynaud JF，et al.Enhanced closed loop StateofChargeestimator for lithium-ion batteriesbased on Extended Kalman Filter［J］.Applied Energy，2015，155: 834-845.

［6］廖恩華.基于神經網絡的電動汽車磷酸鐵鋰電池SOC估算方法研究［D］.成都：電子科技大學，2011.

［7］Christian Fleischer，WladislawWaag，Hans-Martin Heyn et al.On-line adaptive battery impedance parameterand state estimation considering physical principles in reduced order equivalent circuit battery models Part 1.Requirements，critical review ofmethods and modeling［J］.Journal of Power Sources，2014，260（2014）:276-291.

［8］周美蘭，趙強，周永勤.改進的PSO-BP神經網絡估算磷酸鐵鋰電池SOC［J］.哈爾濱理工大學學報，2015，20（4）:88-92.

［9］Simon Schwunk，Nils Armbruster，Sebastian Straub.Particlefilter forstateofchargeand stateofhealth estimation for lithiumeiron phosphate batteries［J］.Journal of Power Sources，2013，239:705-710.

［10］齊國光，李建民，郟航等.電動汽車電量計量技術的研究［J］.清華大學學報：自然科學版，1997（3）.

［11］SUN Feng-chun，RUI Xiong，HE Hong-wen.Estimation of state-of-charge and state-of-power capability of lithium-ion battery considering varying health conditions［J］.Journal of Power Sources，2014，259（2014）:166-176.

［12］Piller S，Pernn M，Jossen A.Methods for state-of-charge determination and their Applications［J］.Journal of Power Source，2001（96）:113-120.

［13］Christian Fleischer，Christian Fleischeret，et al.On-line adaptive battery impedance parameter and state estimation considering physical principles in reduced order equivalent Circuit［J］.Journal of Power Sources，2014，260:276-291.

［14］KatalinGy rgy，AndrásKelemen，LászlóDávid.Unscented kalman filtersand ParticleFiltermethodsfornonlinearstateestimation［J］.Procedia Technology，2014，12:65-74.

［15］RuiXiong，GONGXian-zhi，Chunting ChrisMi.A robuststateof-charge estimator formultiple types of lithium-ion batteriesusing adaptive extended kalmanfilter［J］.Journal of Power Sources，2013，243:805-482.

［16］CHAO Hu，Byeng D.Youn，Jaesik Chung.A multiscale framework with extended Kalman filter for lithium-ion battery SOC and capacity estimation［J］.Applied Energy，2012，92:694-704.

The Matlab simulation research for the SOC estimation of lithium-ion battery

TU Tao，ZHONG Qi-shui，LIBo
（School of Aeronautics and Astronautics，University of Electronic Science and Technology of China，Chengdu 611731，China）

The state of charge（SOC）of lithium-ion battery is the key parameterforendurancemileage and energymanagement strategy of electric vehicles.In this paper，both AH algorithm and Extended Kalman Filtering algorithm have been used to estimate the SOC of the SAFT lithium batterywith capacity of6AHand nominal voltage of10.68V under theworking condition of UDDS.Based on Matlab and Advisor，simulation results show that the proposed methods can effectively increase the SOC estimation accuracy and the errorof SOC estimation is less than 5%.

lithium battery；SOC estimation；AH algorithm；EKF algorithm；Matlab simulation

TN98

A

1674－6236（2016）20-0129-04

2016-03-10 稿件編號：201603129

四川省科技支撐計劃（2014GZ0079，2015GZ0129，2016GZ0020）；成都市科技惠民項目（2014HM0100101SF）

涂 濤（1991—），男，江西上饒人，碩士研究生。研究方向:電池管理系統。