鋰離子動力電池SOC估算技術進展綜述

王恒德　許永紅　張紅光　楊富斌

摘 要：本文回顧了電池管理系統（Battery Management System，BMS）在電動汽車和可再生能源領域的關鍵發展階段，本文重點討論了電池剩余能量監測技術，即荷電狀態（State of Charge， SOC）估計方法。文章概述了常見的SOC測量方法，包括基于模型法、安時積分法、放電測試法和人工神經網絡法等。隨著技術和時代的發展，電池管理系統正朝著智能化方向演進，采用更為先進的控制方法以提升系統性能。結合新型互聯網+的服務模式，云計算和大數據在BMS中的潛在應用也在快速發展，為BMS和SOC估算帶來了新的可能性。從未來發展趨勢來看新型電池技術和應用場景的不斷發展，將對SOC估算技術提出更高要求。在電動汽車快速發展的大背景下，持續優化和創新電池估算方法以滿足各類電池和應用環境的特定需求已成為行業發展的必然趨勢。

關鍵詞：電池管理系統 鋰離子動力電池 荷電狀態 電池模型

1 電池SOC估計技術

SOC表示的是鋰離子動力電池所剩余電量占總電量的百分比，類似于燃油車的油表。SOC是指在特定放電倍率下，電池剩余電量與額定電量之比[7]。計算公式如下：

SOC=100? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?（1）

其中：QC表示電池剩余電量；Qi表示電池額定電量。圖1展示了電池管理系統的整體架構。而SOC估計則在電池管理系統中占據核心地位。因此，對電池組SOC的精確計算對于整車的安全性能和車輛性能具有至關重要的作用。

1.1 SOC的測量方法

1.1.1 基于模型法

基于模型法是一種將電池模型與其他技術相結合的模式，其中基于濾波器和觀測器的方法是當前研究和應用最廣泛的[9]。濾波器算法的發展主要包括卡爾曼濾波器、粒子濾波器等[10]。通過使用這些算法對電池模型進行狀態估計，我們可以在線估計電池的SOC。

1） 擴展卡爾曼濾波器

擴展卡爾曼濾波器（Extended Kalman Filter，EKF）是一種非線性濾波算法，它是卡爾曼濾波器的擴展。卡爾曼濾波器是一種線性濾波算法，適用于線性系統的狀態估計。然而，在許多實際應用中，系統往往是非線性的[10]。在這種情況下，擴展卡爾曼濾波器可以提供一種有效的非線性系統狀態估計方法。

2） Sigma 點卡爾曼濾波器

Sigma點卡爾曼濾波器（Sigma-Point Kalman Filter，SPKF）是一類用于非線性系統狀態估計的濾波器算法。它通過使用Sigma點來近似非線性系統的狀態和觀測模型，從而避免了擴展卡爾曼濾波器（EKF）中需要求解雅可比矩陣的線性化過程。具有更好的精度和魯棒性[10]。

SPKF的主要類型包括無跡卡爾曼濾波器（Unscented Kalman Filter，UKF）和中心差分卡爾曼濾波器。這些濾波器的核心思想是通過選取一組合適的Sigma點，將非線性系統模型和觀測模型的近似問題轉化為線性問題。

3） 容積卡爾曼濾波器

容積卡爾曼濾波器（Cubature Kalman Filter，簡稱CKF）是一種基于高斯－赫爾米特求積法的非線性濾波算法，用于非線性系統的狀態估計[11]。CKF通過使用容積點來近似非線性系統的狀態和觀測模型，從而避免了EKF中需要求解雅可比矩陣的線性化過程。

4） 無跡卡爾曼濾波器

UKF是一種用于非線性系統狀態估計的濾波算法[12]。它通過使用一組稱為Sigma點的采樣點來近似非線性系統的狀態和觀測模型，從而避免了EKF中需要求解雅可比矩陣的線性化過程。

5） 粒子濾波器

粒子濾波器（Particle Filter，PF）是一種基于蒙特卡洛采樣方法的非線性、非高斯狀態空間模型的狀態估計算法。粒子濾波器通過使用大量的樣本來近似系統的概率分布，從而可以處理具有較強非線性和非高斯特性的系統[13]。粒子濾波器在處理非線性和非高斯問題方面具有更好的性能[14]。

1.1.2 安時積分法

該種方法是獲取電池SOC估算最普遍的方法，其中電池的SOC通過電流積分計算。因為它屬于開環計算，所以傳感器誤差可能會累計，從而使得SOC的誤差增大。

1.1.3 放電測試法

通過在特定條件下進行放電測試來準確地確定電池的剩余電量。放電測試法主要在實驗室環境下用于電池性能的測試和評估，它無法用于電動汽車實際運行過程中的BMS在線估算。

1.1.4 人工神經網絡法

神經網絡具有形成非線性映射的能力，以展示復雜的非線性模型。目前，應用于SOC估計的常見神經網絡類型包括前饋神經網絡和循環神經網絡，以及它們的改進算法。

1） 前饋神經網絡

前饋神經網絡（Feedforward Neural Network，FNN）是一種廣泛應用于回歸和分類問題的人工神經網絡。在SOC估計中，可以使用前饋神經網絡來建立電池模型并進行預測[18]。并且神經網絡的內部結構由于有多層隱藏層存在以及每一層的權重難以解釋，可能導致模型不透明和難以理解，神經網絡原理如圖1。

2）卷積神經網絡（Convolutional Neural Network，CNN）廣泛應用于圖像識別、自然語言處理等領域[21]。該方法具有一定的平移不變性，對于輸入數據的噪聲和變化具有較好的魯棒性。

3） 循環神經網絡

循環神經網絡（Recurrent Neural Network，RNN）是一種具有自反饋連接的神經網絡，能夠處理時序數據和序列數據[22]。循環神經網絡可以處理多個輸入參數，可以考慮電流、電壓、溫度等多種影響因素[5]。循環神經網絡容易出現梯度消失和梯度爆炸問題，訓練較為困難[23]。為解決這一問題，可以采用長短時記憶網絡LSTM等改進型循環神經網絡[23]。

4） 長短時記憶網絡

LSTM通過引入GRU解決了傳統RNN在處理長序列時的梯度消失和梯度爆炸問題[24]。因此，LSTM非常適合應用于SOC估計這類時序數據處理問題。并且也解決了梯度消失和梯度爆炸問題[25]，通過門控機制，有效解決了傳統RNN在處理長序列時的梯度消失和梯度爆炸問題，使得訓練過程更加穩定[23]。長短時記憶網絡可以通過訓練不斷調整權重和偏置，具有較好的自適應性，可以適應電池性能隨時間的變化[26]。

2 結論和展望

2.1 本文的結論

本文深入討論了電池SOC估算技術的幾大類別，以及它們的基本原理和方法。

在所有估算方法中，開路電壓法和安時積分法實施簡單，但由于原理限制，誤差較大。而基于模型的估算方法和基于數據驅動的算法雖具有高準確性和魯棒性的特點，但卻受模型誤差、參數識別誤差和計算量的制約。

2.2 對未來研究與應用的展望

隨著電動汽車和儲能系統等領域的蓬勃發展，鋰離子電池已變成關鍵的能源組成部分。為了提升電池性能和安全性，實時并精確地估算電池的SOC是至關重要的。另外，隨著傳感器技術和計算能力的提升，大數據和機器學習將在SOC估算中起到更大的作用。而且，通過與云計算和車聯網的結合，SOC估算能夠實現遠程監控和診斷，為用戶和系統提供更優質的服務。新型電池技術（如固態電池、鋰硫電池等）的發展，為SOC估算帶來新的挑戰。為滿足未來能源系統的需求，研究人員需深入理解新型電池的特性，開發適應新型電池的估算方法。

總的來說，未來SOC估算技術將在準確性、實時性和智能性等方面取得更大的突破，為電動汽車、儲能系統等領域提供更高效、更安全的能源管理方案。

基金項目：北京市自然科學基金面上項目（3222024）。

參考文獻：

[1]段洋. 電動汽車用鋰離子電池SOC估算方法研究[D].長沙：湖南大學，2018.

[2]黃凱，郭永芳，李志剛.基于信息反饋粒子群的高精度鋰離子電池模型參數辨識[J].電工技術學報，2019，34（S1）：378-387.

[3]方揚帆. 電動汽車動力電池管理系統檢測平臺研究[D].杭州：中國計量大學，2019.

[4]楊晨，周冬婉.電動汽車電源管理系統綜述[J].科教導刊（中旬刊），2017，No.317（29）：48-49+52.

[5]何劍平. 電動汽車電池管理系統抗干擾性研究[D].南昌大學，2016.

[6]聶偉民，向永坤，蔡之洲.車用鋰電池新型雙向主動均衡控制方案設計[J].電源技術，2017，41（08）：1171-1173+1197.

[7]鄧凱鋒. 增程式電動汽車電池電量估算策略及管理系統設計[D].湖南大學，2015.

[8]譚澤富，孫榮利，楊芮等.電池管理系統發展綜述[J].重慶理工大學學報（自然科學），2019，33（09）：40-45.

[9]熊能. 基于H無窮觀測器的鋰電池剩余電量估計[D].西南交通大學，2018.

[10]張晉恒. 卡爾曼濾波框架下的多徑估計研究[D].太原理工大學，2020.

[11]溫杰茂. 基于深度學習的粒子濾波定位算法研究[D].華東交通大學，2021.

[12]沈振. 粒子濾波算法研究及其在機動目標跟蹤中的應用[D].電子科技大學，2012.

[13]朱政. 磷酸鐵鋰電池荷電狀態估計方法的研究[D].哈爾濱工業大學，2013.

[14]李堯太. 基于AICKF的鋰離子動力電池全壽命周期SOC估算研究[D].江蘇大學，2021.

[15]陳建民，楊富文.基于通信的數據驅動分布式預測控制[J].華東理工大學學報（自然科學版），2014，40（01）：113-119.

[16]程明，婁柯.基于模型誤差EKF-HIF算法的鋰動力電池SOC聯合估計[J].四川理工學院學報（自然科學版），2018， 31（01）：57-63.

[17]米林，趙孟娜，秦甲磊等.基于徑向基函數神經網絡的電動汽車動力電池SOC模型[J].重慶理工大學學報（自然科學），2011，25（10）：1-5.

[18]王光英. 電動汽車鋰離子電池建模與SOC估計研究[D].濟南大學，2017.

[19]Qiao Wang， Min Ye， Meng Wei， Gaoqi Lian， Yan Li，Deep convolutional neural network based closed-loop SOCestimation for lithium-ion batteries in hierarchical scena rios，Energy， Volume 263， Part B，2023，125718，ISSN 0360 -5442.

[20]王若恒. 基于LSTM的風電功率區間預測研究[D].華中科技大學，2018.

[21]宋新月. 基于深度學習的車用動力電池健康狀態估算研j[D].昆明理工大學，2019.

[22]張秋霞，陳文皓.電動汽車鋰離子動力電池健康狀態的研究現狀[J].科技與創新，2021，No.176（08）：44-46.

[23]肖佳鵬. 純電動車用鋰離子電池SOC和電池容量估算研究[D].昆明理工大學，2020.

[24]郭峰. 新能源汽車電池管理系統荷電狀態估計研究[D].西南交通大學，2020.

[25]吳寬. 鋰離子動力電池建模與狀態估計研究[D].華中科技大學，2020.

[26]沈倩. 基于Raspberry Pi的房車電池管理系統研制[D].哈爾濱工業大學，2019.