帶校準參數的SOC 估算方法研究

趙 宇，王棟梁，王冠軍，李若帆，呂超凡

（中航鋰電科技有限公司，河南 洛陽 471000）

0 引 言

近年來，隨著傳統燃油汽車的快速增加，帶來了一系列的能源和環境問題，迫使各國再次審視汽車產業未來的發展趨勢。目前，一些歐美國家已經明確宣布將全面禁售燃油車。例如，英國2040年起禁售汽油和柴油汽車；德國2030年后禁售傳統內燃機汽車，只允許零排放汽車上路。禁售燃油車的禁令，使得純電動汽車將提前邁入市場化的新臺階。動力電池作為純電動汽車能源供給裝置，其性能的優劣直接決定著新能源汽車的發展前景。為了防止電池過充和過放，保障電源系統使用安全性，延長電池使用壽命，優化駕駛和提高電動汽車的使用性能，電池管理系統（Battery Management System，BMS）需要對電池荷電狀態（State-Of-Charge，SOC）進行準確估算。

1 SOC估算方法

目前，SOC估算方法較多，有安時積分法、開路電壓法、卡爾曼濾波算法以及Thevenin等效模型法等[1]。其中，安時積分法和開路電壓法是目前應用最廣泛、最簡單易行的估算方法。利用安時積分法估算SOC，從t0到t時刻，SOC的計算公式為：

式中，SOC0為電池充放電初始荷電狀態，i為電流，Qn表示電池額定容量。通過對電池的充放電電流和時間進行積分運算，得到動態實時的SOC值。但時，安時積分法對電流傳感器的采集精度、采集周期等要求較高，電動汽車長時間運行可能產生較大的累積誤差。在放電過程中，電動汽車運行工況比較復雜，電流波動很大，導致SOC估算值產生了較大誤差。

開路電壓法根據電池靜置狀態下的開路電壓（Open Circuit Voltage，OCV）與SOC的對應關系來估算。當電池經過靜置再次上電工作時，通過查詢OCV-SOC對照表得到初始SOC值。該方法需要電池靜置足夠長的時間，一般情況下，電池從工作恢復到穩定，至少需要4個小時，所以不適用于動態估算SOC值。此外，由于磷酸鐵鋰電池平臺期OCV值變化很小，該方法僅在充電初期和末期估計效果好。

卡爾曼濾波算法[2-3]是用于解決線性問題的最優設計，通過構建電池組的離散模型，結合一階泰勒公式，對系統內部狀態SOC進行估算。Thevenin等效模型法[4-5]主要用于構建二階或多階RC等效電路模型，通過系統的電流、電壓和溫度等外參數，實現對SOC的估算。以上兩種方法對電池模型的準確度要求很高，但是電池內部本為化學反應，不可控因素很多，會對SOC估算有較大的誤差。此外，電池模型越精確，對運算器的處理速度要求越高[6]，越不適用于數據量大的電源系統。

目前，SOC估算方法多采用安時積分算法和其他算法相結合的優化算法。本文采用帶校準參數的SOC估算方法，結合校準參數對安時積分算法進行優化，實現對放電過程中SOC的修正。

2 帶校準參數的估算方法

車輛實際運行過程中，電池額定容量隨著電池循環次數逐漸衰減。采用安時積分法計算SOC時，若仍以Qn額定容量進行計算，SOC估算值與實際值之間會有很大偏差，影響對車輛剩余電量的判斷。相比于電池放電階段工作情況的復雜多變，電池的充電過程一般為分階段恒流充電，充電過程較穩定，電池的電流保持不變。因此，可以通過充電末端滿充過程來修正放電過程中的SOC值。

2.1 優化算法

充電過程中，根據車輛存儲的數據，分析充電末端SOC保持在某一值SOC1直到100%時的時間t。此時，末端的充電電流為i，電池的額定容量為Qn。通過本次滿充充電過程，計算出SOC誤差為：

計算得到的SOC誤差作為上次放電過程中SOC的誤差，進而得到校準參數為：

在下次放電過程中乘以該校準參數，實現對放電過程中SOC值的修正，校準參數的限幅為[0.9，1.1]。優化后的SOC計算公式如下：

該優化算法是通過觸發滿充校準過程不斷更新校準參數，實現對下次放電過程中SOC的修正。

3 實驗驗證

3.1 測試方法

針對該優化算法，選擇2輛出現SOC誤差偏大的純電動車輛刷新程序進行實車驗證。根據車輛運行歷史數據，分析在每次充電末端SOC從97%直到100%時充入的容量，即末端充電電流i和時間t的乘積，再根據車輛電源系統額定容量176 Ah計算上次放電過程中SOC的誤差：

進而得到校準參數φ。在下次放電過程中，乘以該校準參數，即可實現對放電過程中SOC值的動態修正。

3.2 實驗結果

車輛重新刷寫程序后，持續運行一周。通過分析車輛存儲數據得到充電末端數據，如表1所示。

下面僅對車輛1第1和第2次充電過程進行詳細分析，其他充電過程依次類推。第1次充電過程中，SOC誤差為-32%，嚴重虛低，因此校準參數選擇下限值0.9。于是，第1次放電過程SOC的安時積分算法中乘以該參數，對放電過程中的SOC估算值進行修正。第2次充電過程中，SOC從97%到100%，充電末端充入電量為9.63 Ah，實際SOC的變化量為5.47%（9.63/176=5.47%），得到第1次放電過程中修正后的SOC誤差為2.47%（97%+5.47%-100%=2.47%）。經過第2次充電過程，還可以得到第2次放電的校準參數為1.025。同樣，在第2次放電過程中乘以該校準參數，即可實現對本次放電過程中SOC的修正。

從表2的SOC誤差統計表可以明顯看出，校準算法優化前，車輛1的SOC誤差為-32%，嚴重虛低；車輛2的SOC誤差為10.9%，虛高；兩車初始的SOC誤差均大于行業的要求的標準10%。經過校準算法優化后，SOC誤差可穩定保持在±5%以內，滿足目前行業標準要求。此外，該優化算法屬于動態校準過程，算法的校準效果不會隨時間推移而衰減。

表1 實驗數據

表2 SOC誤差統計表

4 結 論

本文提出了一種帶校準參數的SOC估算方法，通過滿充過程得到的校準參數，實現對放電過程中的SOC估算值的修正。具體地，詳細闡述了該優化算法的實現方法，并通過了實車驗證和分析。結果表明，該方法可以有效解決車輛在放電狀態下SOC估算值虛高、虛低的問題，且SOC誤差可穩定保持在±5%以內。