電動汽車動力電池SOC 估計算法分析＊

楊培善，白銀

（宿州職業技術學院，安徽 宿州 234000）

前言

電動汽車常使用動力電池作為動力源，因此，電池管理技術是電動汽車的其中一項較為關鍵的技術。電池管理技術就是對電池的充、放電進行系統的管理，即電池管理系統（BMS）。電池管理系統以SOC 的在線估計為核心，對電池的電流、電壓、溫度、最大充電及放電功率進行計算，并具有熱管理、均衡管理、防止電池過充電和過放電、漏電保護及故障診斷等功能。其中，電池荷電狀態是電池管理系統最重要的指標，它反映電池的剩余電量，預估續航里程，精度越高，續航里程數越高。本文簡要介紹了SOC 的定義及影響因素，重點對幾種經常使用的SOC 估算方法進行了詳細的比較分析。

1 SOC 定義及其影響因素

電池荷電狀態SOC 計算的是電池的剩余電量，它是電池當前容量與額定容量的比值，它是保證電池安全充放電的重要參數。美國先進電池協會對電池荷電狀態是這樣定義的：在特定的放電倍率條件下，動力電池剩余電量與其額定容量的百分比，其數學表達式為式（1）：

式中：為剩余電量；為額定容量。

動力電池完全充滿電時，SOC=100%；動力電池完全放電時，SOC=0%。

其中電池的充放電倍率、環境溫度、老化周期以及自放電倍率等都會影響動力電池的荷電狀態，所以，為了高精度估算電池的荷電狀態需要綜合考慮每一個影響因素。

2 SOC 估算方法分析

2.1 安時法

安時積分法是一種簡單常用的SOC 估算方法，它利用積分的方法對動力電池的電流運算，得到動力電池放電的電量，因此，對動力電池電流測量的準確性決定著安時積分法的準確性。具體計算公式如下：

其中為初始時刻的SOC 值；CN——動力電池的標稱總容量，A·h；η——動力電池充放電效率；I——充放電電流，A。

安利積分法沒有考慮內在的電化學反應及溫度等多種參數的影響。如果電流測量存在較大的誤差，短期內沒有太大的精度問題，但隨著積分的累積，誤差也將越來越大，需要定期采用其他方法進行校正。其次，SOC 的初始狀態對SOC估計的準確性也有很大影響。因此，安時積分法較多應用于對SOC 值精度要求不高的場合，如鉛酸電池作為動力電池的電動汽車的能量管理。若想用于其它高精度較的估算，則必須結合其它算法進行改進，如開路電壓法和卡爾曼濾波法。

2.2 開路電壓法

動力電池的開路電壓與電池的荷電狀態SOC 是一一相對應的，所以，我們可以用開路電壓來估計電池的SOC。開路電壓法的一個缺陷是電池在某一個工作點的開路電壓需要幾個小時恢復時間才能穩定至SOC 的對應值。但它在電池充電的初期和末期效果不錯，所以開路電壓常常與其它方法配合，較多地應用于對SOC 值精度要求較高的場合，例如采用鋰離子電池作為常規動力源的主流電動汽車的能量管理。

2.3 負載電壓法

如果電池工作的工況是恒定電流，那么相應的工作電壓與開路電壓一樣，也存在與SOC 值一一對應的關系。但汽車行駛的時候，載荷通常變化較大，電池的工作工況是不穩定的，所以這種方法很難單獨用于電動汽車的能量管理。和開路電壓法一樣，負載電壓法往往和其他方法結合使用。

2.4 內阻法

內阻一般可分為直流內阻和交流內阻，內阻法是通過測量電池的直流內阻來估算SOC 的方法，它曾廣泛應用于傳統汽車車載電源鉛酸電池充放電管理。在鉛酸電池充電后期，電池的直流阻抗會隨SOC 的變化而明顯改變，所以這時也可以利用直流阻抗估計電池的SOC 值。電池溫度會嚴重影響電阻內阻（特別是交流內阻），從而影響到內阻法SOC 估計精度交流。鎳氫電池與鋰離子電池的內阻與荷電狀態SOC 的關系與鉛酸電池相比更加復雜，內阻法沒有應用于鋰離子電池的SOC 估算。現代汽車多用鋰離子電池作為動力電池，所以，內阻法也很難在電動車上應用。內阻法雖然可以可以與安時積分法結合對動力電池的放電后期的SOC 的估算，但隨著其它智能算法的應用，此方法的應用越來越少。

2.5 放電實驗法

最準確的電池荷電狀態測量方法非放電實驗法莫屬。在電池的某一個工作點，采用恒定的電流放電至電池的工作截止電壓，放電時間與放電乘積即放出的電量，也就是電池在這個工作點的剩余電量，據此可以得到這個工作點的準確的SOC。本方法適用于所有電池，但需要電池停止工作，而且需要大量的時間，不能即時得到SOC 的值，所以只能在實驗室使用和用于SOC 的標定，不能用于行駛中的電動汽車。

2.6 卡爾曼濾波法

卡爾曼濾波法及其改進算法因為良好適應性在電池荷電狀態SOC 估算中得到了越來越廣泛的應用。這個估計方法可以應用于電動汽車的各種復雜的工況，它把動力電池作為一個動態系統來研究，荷電狀態SOC 是動力電池的一個狀態變量，而把電流、溫度等是系統的輸入變量，工作電壓是系統的輸出變量，通過在線迭代對SOC 進行最優估計。這個方法具有較強的適應性，同時可以給出估計的誤差，但對于硬件及電池模型的要求較高，計算量較大，同時卡爾曼濾波吱的前提是假設所有噪聲為白噪聲，這也是它的一個局限性。

2.7 人工神經網絡法

采用非線性映射的神經網絡估計SOC 的方法稱為神經網絡SOC 估計法。人工神經網絡估算法目前常使用3 層神經網絡結構：輸入層、中間層和輸出層。輸入層與輸出層的神經元個數由動力電池模型的實際需求來確定，中間層神經元個數由模型的復雜程度和分析精度來確定。用于SOC 估計的神經網絡的輸入變量一般為電壓、電流、累計放出電量、電池溫度、內阻環境溫度等。該方法可以應用于各種類型的汽車動力電池，若電池模型的神經網絡訓練得也較好，SOC 估算誤差可以達到小于10%。在實際的使用時，神經網絡法的估算精度在很大程度上會受到訓練樣本和訓練方法的影響，且易受干擾。

2.8 支持向量機

本方法是一種基于支持向量機的荷電狀態SOC 估算方法，支持向量機是統計學習理論發展的產物。由于支持向量機自身對狀態量的變化比較敏感，因此其在線非線性估計中的估計精度一般高于最小二乘類的估計。在SOC 估計中，支持向量機利用很多數據點進行訓練并交訓練結果退化成一組支持向量。若支持向量機能被很好的優化，則支持向量機算法就能夠產生較精確的SOC 估算精度。

3 結論與展望

電動汽車SOC 估算是電動汽車能量管理系統的一項關鍵技術。雖然動力電池SOC 估算的方法很多，但由于各種算法單獨使用時又都有其相應的局限性，一般和其它的方法結合使用。想要提高精度及準確性需要通過大量的試驗來建立相應的數據庫，通過硬件技術，增加動力電池的電壓和電流的測量精度和準確性，通過相應的動力電池模型，精確表征電池充放電過程的動態性能，通過綜合各種算法，揚長避短，最大程度上提高其估算的準確性。