國內近幾年鋰電池SOC估計方法綜述

(重慶交通大學機電與車輛工程學院 重慶 400074)

一、SOC的定義

SOC(state of change)電池的荷電狀態，根據美國先進電池聯合會對SOC的定義：電池在指定的放電倍率下，電池剩余容量與電池額定容量的比值，表達式為[1]：SOC=QC/CI

(1)

式中：QC剩余容量，CI電池額定容量。

二、鋰電池SOC估計方法

由于電池SOC無法直接測出，同時SOC估計值還會受充放電倍率、電池溫度等因素影響。整個電動汽車電池使用過程中顯現出一種高度復雜的非線性，傳統估計方法已不能滿足電池SOC估計的精度要求。以模型為基礎的濾波估計方法以及濾波改進方法和以數據驅動為基礎的方法成為研究熱點。

(一)傳統方法

1.開路電壓法

開路電壓法原理是電池長時間靜置,開路電壓與電池SOC 有較固定的關系[3]，通過OCV-SOC曲線的對應關系得到電池的SOC[4]。開路電壓法有著簡單準確的優點，但缺點明顯。一是開路電壓值需要長時間靜置以保證估計的準確。這對于時常啟停的電動汽車而言無法及時準確測得電池SOC 值。二是開路電壓法易受溫度影響。不同溫度下OCV對應的SOC曲線也不同。

2.Ah積分法

Ah積分法只考慮電池外部參數不考慮電池內部結構，簡單實用[6]，是最早廣泛應用電池SOC估計方法。Ah積分法原理為：

(2)

其中SOC0是電池初始值，η為電池庫倫率，C0為電池額定容量。

Ah積分法很依賴SOC初值和儀器精度。Ah積分法常受噪聲、溫度等因素影響，它是開環系統，無法自身調節，電流測量誤差使SOC估計產生累積誤差。對此，黎林運用開路電壓法作為初值修正的Ah積分法估計電池SOC取得了不錯的效果[7]。

(二)新型估計法

新型估計法主要分為兩類。一類是以電池模型為基礎的對模型或算法進行改進的估計方法，另二類是不依賴電池模型的數據驅動法。

第一類是模型為基礎的改進估計法主要針對模型或算法固有的不足提出改進估計方法。

針對卡爾曼濾波算法(KF)對外界噪聲過多且高度非線性系統估計精度差的問題，提出拓展卡爾曼濾波算法(EKF)和無跡卡爾曼濾波算法(UKF)。EKF原理是是EKF對非線性函數的 Taylor 展開式進行一階線性化截斷，忽略其余高階項，將非線性問題轉化為線性，可以將KF應用于非線性系統中[7]。將系統方程用泰勒一階展開如下形式:

(5)

(6)

x(k+1)≈Ax(k)+[f(x*(k))-Ax*(k|k)]+ω(k)

(7)

y(k)≈C(k)x(k)+[g(x*(k|k-1))-Cx*(k|k-1)]+ν(k)

(8)

之后將展開的系統方程運用KF即可。EKF提高了電池SOC估計精度。但EKF有兩個明顯的缺點：Jacobian矩陣推導復雜應用困難;當時間步長過大，局部線性的假設就不成立,線性化處理會造成濾波器的不穩定。

UKF解決了EKF的問題。與EKF不同，UKF放棄了對系統方程的矩陣進行線性化處理，通過選取sigma點來捕獲系統相關統計參量,將非線性函數統計線性化。精度遠高于EKF，缺點是計算量大以及sigma點的選擇難,觀測噪聲和系統噪聲會嚴重影響采樣點的精度。

粒子濾波核心是根據概率密度函數隨機抽取狀態量樣本(粒子)，通過樣本的分布情況近似表達狀態后驗概率密度，粒子越多，其分布也越接近真實后驗概率密度函數。粒子濾波法對系統的過程噪聲和觀測噪聲不做任何限制，并且能對任何可建立狀態空間模型的非線性、非高斯系統進行狀態估計，并且十分準確。粒子濾波法的問題在于隨著遞推迭代，數據就會失去代表性，一旦粒子失去代表性，精度就會喪失。

很多人針對電池模型的某個或多個不足入手提出多種改進，運用上文提到的算法對電池SOC進行估計。例如，分別建立包含溫度和放電倍率因素使用融合算法考慮電池特性的多模型SOC估計，取得很好的效果。另外江蘇大學提出了一種降階的電池化學模型，從電池內部機理提供了一條新的電池SOC估計的方法。

2.第二類估計方法

第二類是數據驅動法。它不依賴電池模型，直接從電池的各項參數諸如電流、溫度等入手探究電池狀態規律實現電池SOC估計，具有高精度和普遍性。數據驅動法包括支持向量機，高斯回歸方程等。但問題是數據驅動法需要大量的數據作支撐，并且數據驅動法目前穩定性較差。

三、結論

目前國內新老SOC估計方法對比

表1 各類電池SOC估計方法比較

通過上述各電池SOC 方法估計比較可以看出：現有精度較高的SOC估計方法，大多以電池等效模型、電池OCV-SOC函數關系和Ah積分法建立起來的系統方程為基礎的濾波算法以及數據驅動法為主。可是仍存在著一些問題，難以滿足電池SOC更高的精度和實時在線的要求。未來的電池SOC估計方法將會在下面幾個方向完善。其一,完善電池等效模型或提出更精確便于實現的化學模型，針對影響電池SOC的溫度，放電率等因素更好的融合進電池模型和融合算法，提高模型精度。其二,提高數據測量精度，提高儀器對電壓、電流精度。其三,擴大數據庫，完善數據驅動法以確保SOC 的估計精度。