動力電池的SOC估計方法分析

閔晶妍+陳紅兵

摘要：動力電池的荷電狀態（State of Charge，SOC）代表了電池內部存儲電量的多少，是電池最重要的狀態量之一。SOC估計算法是所有電池管理算法的基礎，電池SOC的估計也是一直以來電池研究的重點、熱點和難點。本文分析了5種估計動力電池SOC的原理，并且比較了5種估計方法的優點和缺點，最后分析了SOC估計算法的研究方向。

關鍵詞：荷電狀態；安時法；開路法；卡爾曼濾波法；狀態觀測器法；神經網絡法

1 引言

純電動汽車性能的優劣在一定程度上取決于動力電池的性能，動力電池的工作性能取決于電池管理系統（Battery management system，BMS），因此，每臺電動汽車都配置了BMS，BMS是電動汽車的核心技術，其主要功能是在復雜的行駛環境下檢測電池的工作狀態，有效管理和控制電池。電池的狀態包括電池的荷電狀態（SOC）和健康狀態（State of health，SOH）。BMS是以準確估計電池SOC為核心的技術，并且電池的SOC值是BMS采取相應控制策略的主要依據之一。對于電動汽車，實時準確地獲得電池組的SOC是保證電動汽車正常行駛的重要前提。精確估計電池的SOC，可以防止電池過充或過放電，對電池具有保護作用，使電池處于良好的工作狀態，延長電池的使用使用壽命，降低維護成本。

美國先進電池聯合會在《電動汽車電池實驗手冊》中定義了電池荷電狀態（SOC），它是在一定的放電倍率條件下，電池的剩余電量與相同條件下額定容量的比值，即

（1）

式中 為剩余電量； 為電池以恒定電流 放電時具有的容量。

近年來，研究人員對電池SOC估計算法做了大量的研究工作，提出了許多估計算法，如發電實驗法、Ah法、開路電壓法、卡爾曼濾波法、神經網絡法、模糊控制法和狀態觀測器法等，這些估計算法各有特點。根據SOC估計算法的研究和應用現狀，下文將重點分析安時法（Ah）、開路電壓法、卡爾曼濾波法、神經網絡法和狀態觀測器法等方法的基本原理、優點和缺點。

2常用的SOC估計算法分析

2.1安時法（Ah）

在SOC估計方法中，基于SOC定義的安時法是最常用的方法。若電池初始狀態為 ，則Ah法的計算公式：

（2）

其中，C為電池額定容量，i為負載電流， 為充放電效率。

Ah法簡單易用，算法穩定，是目前使用最多的一種估計方法，常作為其它SOC估計方法的對比驗證方法。但是，該方法需要考慮SOC初值精度和積累誤差等問題[1，2]，為了提高安時法的估計精度，文獻[3，4]探討了容量、溫度和放電電流等因素對估計精度的影響。

2.2開路電壓法

開路電壓法是利用電池的SOC與開路電壓（OCV）的單調性關系來估計電池的SOC，測得電壓OCV，再通過簡單的查表即可得到電池SOC。OCV隨SOC的變化率越大，估計結果越準確，電池的SOC接近1或0時，OCV隨SOC急劇變化，文獻[5]利用這一特點，用OCV修正了SOC估計值，其它區域OCV隨SOC變化比較緩慢，稱為“平臺區”，但是在實際應用中，該方法需要長時間空載靜置后才能測量電池端電壓OCV。雖然V.Pop等人利用EMF-SOC模型改進了該估計算法[6]，仍然只能在電動汽車長時間駐車后才能使用。因此，電壓開路法估計SOC不能做到實時在線估計。

2.3卡爾曼濾波法

卡爾曼濾波是一種先進的估計算法，也是目前應用最廣泛的SOC估計算法[7]。卡爾曼濾波法是基于系統狀態空間模型估計SOC，在該方法中，SOC必須作為系統的一個狀態變量，這是卡爾曼濾波算法估計SOC的前提。

卡爾曼濾波算法采用預測和校正的思想來估計系統狀態。首先，根據建立的模型，計算出狀態的預測值，然后計算預測值與實際輸出的差值，再用差值修正預測值，進而得到較為準確的狀態估計值[8，9]。相比較安時法，卡爾曼濾波法引入了反饋的思想來估計SOC，因此，在實際使用中更適合于電流變化劇烈且電池常處于充電或放電的環境，卡爾曼濾波對噪聲有很強的抑制作用，并且對初值不敏感，因此，估計結果的精度高，尤其適用于動力電池的SOC估計。卡爾曼濾波算法的主要缺點是估計精度取決于其模型參數的準確性，所以電池模型參數的精度會影響估計精度。此外，卡爾曼濾波算法的運算量大，需要用運算速度較快的處理器。

2.4狀態觀測器法

狀態觀測器法包括 觀測器、自適應觀測器、滑模觀測器等。沈陽自動化所的機器人學國家重點實驗室將開路電壓OVC與SOC的關系看作一種動態關系，建立了電池的非線性模型，并且設計 觀測器使干擾和模型不確定因素造成的估計誤差小于某一設定的干擾調節水平，使得SOC的估計誤差滿足漸進穩定[10]；北京理工大學的學者通過實驗測試，建立了參數隨SOC變化的參數模型，由于電池模型參數的變化，建立了增益可變的自適應觀測器。用它自適應調整電池的輸出電壓值和電池測量電壓值之間的誤差，從而提高SOC的估計精度。為了克服電池模型的不確定性、測量噪聲等因素的影響，可以采用滑模觀測器（Sliding Mode Observer，SMO）方法估計SOC，這種方法需要對電池動力學特性有詳盡了解，并恰當地選擇SMO的參數（如模型不確定性等），在SOC估計中，需要權衡SOC估計值的振蕩幅度和收斂速度。文獻[9]提出了一種自適應變增益滑模觀測器（Adaptive Switching Gain Sliding Mode Observer，ASGSMO）估計SOC的方法，與傳統的滑模觀測器比較，在估計過程中ASGSMO能自整定觀測器增益，從而降低估計值的震動幅值，提高SOC估計精度，同時補償等效電路模型的參數變化引起的誤差。

2.5神經網絡法

神經網絡法的突出優點是不需要研究對象的精

確數學模型，而是通過學習和訓練來解決非線性問題，神經網絡估計電池的SOC是一種先進的估計方法。通過對不同放電陪率，不同放電深度，不同電池溫度等各種環境進行多次重復充放電實驗，獲取足夠的實驗數據，但是僅有這些實驗數據是不夠的，還需要訓練這些實驗數據，使其有機的組合在一起，最后得到所需的神經網絡層。從理論上分析，神經網絡的層數越多，建立的模型越精確，但是在實際工程中隨著網絡層數的增加，計算量也相應增大，原則上神經網絡不超過5層[11]。神經網絡估計精度受訓練數據和訓練方法的影響也比較大，如果訓練方法不當，SOC的估計精度不高；若訓練數據不夠全面，神經網絡法得到的SOC估計值也存在偏差。因此，基于神經網絡的估計算法需事先測試在各種環境下的電池參數，獲取訓練數據，原則上應該窮極所有條件下的測試，所以工作量非常大。

除上述主要方法之外，還有一些其它方法估計電池的SOC也頗有成效。如文獻[12]中所應用的模糊邏輯法，此種方法接近人的形象思維方式，有利于定性的分析和推理，從系統的輸入、輸出樣本中獲取系統的輸入-輸出關系。模糊邏輯方法估計SOC一般以電池端電壓和電流作為輸入量，通過分析電壓、電流的分布特性，確定隸屬函數；通過分析電壓、電流在每一個工作區域內與SOC之間的關系，確定估計時輸入量與輸出量之間遵循的準則。但是，由于電池的容量、型號不同，通過實驗得到的專家經驗并非都通用，這使得需要做大量實驗來獲取足夠多的專家經驗。因此，該方法的不足是工作量巨大且通用性差。

3結論

綜上所述，有些估計方法雖然原理簡單、易于實現、適用性強，但是存在精度低、耗時較長以及無法在線應用等缺點。近年來，國內外一直專注于基于模型的估計方法，模型的精度很大程度上影響了電池SOC估計精度。所以，今后不僅要致力于研究精度高、魯棒性強的SOC估計算法，還需全面了解電池特性，研究高精度、普適性的電池模型，兩者結合以滿足SOC的在線估計精度。

參考文獻：

[1]Zhu C，Coleman M，Hurley W.State of charge determination in a lead-acid battery：combined EMF estimation and ah-balance approach[C]//Power Electronics specialists conference，2004.PESC04.2004 IEEE 35th Annual.2004，3：1908-1914.

[2]CaumontO，LeMoigneP，RombautC，etal.Energy gauge for Lead-acid batteries in electric vechicles[J].Energy conversion，IEEE Transactions on，2000，15：354-360.

[2]李哲，仝猛，盧蘭光.動力型鉛酸及LiFePo4鋰電池電池的容量特性[J].電池，2009，39：26-28.

[3]田碩，李哲，盧蘭光.HEV用動力蓄電池的最大充電性能[J].電池，2008，38：27-30.

[4]Lee S，KimJ，LeeJ，etal.The state and parameter estimation of an Li-ion battery using a new OCV-SOC concept[C].//Power electronics specialists conference 2007.PESC2007.IEEE.2007：2799-2803.

[5]張金靈.電動汽車智能電池系統的研究[D].北京：北京交通大學，2010.

[6]Pop V，Bergveld H，Notten P，et al.Accuracy analysis of the State-of-Charge and remaining run-time determination for lithium-ion batteries[J].Measurement，2009，42：1311-1138.

[7]Han J.Kim D，Sunwoo M.State-of-charge estimation of lead-acid batteries using and adaptive extended kalman filter[J].Journal of power source，2009，188：606-612.

[8]Xiaosong Hu，Fengchun Sun，et al.Estimation of state of charge of a lithium-ion battery pack for electric vehicles using an adaptive luenberger observer[J].Energies，2010，3：1586-103.

[9]Xiaopeng Chen，Weixiang Shen，Zhenwei Cao et al.A novel approach for state of charge estimation based on adaptive switching gain sliding mode observer in electric vehicles[J].Journal of power sources，2014，246：667-678.

[10]張飛，劉光軍，旁立金等。一種基于 觀測器的電荷狀態估計剛發[J].自動化與儀表，2010，4：1-5.

[11]Xu L，Wang J.Chen Q.Kalman filter state of charge estimation for battery management system based on a stochastic fuzzy neural network battery model[J].Energy conversion and management，2012，53（1）：33-39.

[12]A.Salkind，C.Fennie，P.singh，T et al.Determination of state-of-charge and state-of-health of batteries by fuzzy logic methodology[J].Journal of Power Sources，1999，80（1）：293-300.