閔晶妍+陳紅兵

摘要：動力電池的荷電狀態(tài)（State of Charge，SOC）代表了電池內(nèi)部存儲電量的多少，是電池最重要的狀態(tài)量之一。SOC估計算法是所有電池管理算法的基礎(chǔ)，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(yōu)點和缺點，最后分析了SOC估計算法的研究方向。

關(guān)鍵詞：荷電狀態(tài)；安時法；開路法；卡爾曼濾波法；狀態(tài)觀測器法；神經(jīng)網(wǎng)絡法

1 引言

純電動汽車性能的優(yōu)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(tǒng)（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(shù)，其主要功能是在復雜的行駛環(huán)境下檢測電池的工作狀態(tài)，有效管理和控制電池。電池的狀態(tài)包括電池的荷電狀態(tài)（SOC）和健康狀態(tài)（State of health，SOH）。BMS是以準確估計電池SOC為核心的技術(shù)，并且電池的SOC值是BMS采取相應控制策略的主要依據(jù)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(tài)，延長電池的使用使用壽命，降低維護成本。

美國先進電池聯(lián)合會在《電動汽車電池實驗手冊》中定義了電池荷電狀態(tài)（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(fā)電實驗法、Ah法、開路電壓法、卡爾曼濾波法、神經(jīng)網(wǎng)絡法、模糊控制法和狀態(tài)觀測器法等，這些估計算法各有特點。根據(jù)SOC估計算法的研究和應用現(xiàn)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(jīng)網(wǎng)絡法和狀態(tài)觀測器法等方法的基本原理、優(yōu)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(tài)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(wěn)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(diào)性關(guān)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(jié)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(qū)域OCV隨SOC變化比較緩慢，稱為“平臺區(qū)”，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]?？柭鼮V波法是基于系統(tǒng)狀態(tài)空間模型估計SOC，在該方法中，SOC必須作為系統(tǒng)的一個狀態(tài)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(tǒng)狀態(tài)。首先，根據(jù)建立的模型，計算出狀態(tài)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(tài)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(huán)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(jié)果的精度高，尤其適用于動力電池的SOC估計?？柭鼮V波算法的主要缺點是估計精度取決于其模型參數(shù)的準確性，所以電池模型參數(shù)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(tài)觀測器法

狀態(tài)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(guān)系看作一種動態(tài)關(guān)系，建立了電池的非線性模型，并且設(shè)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(shè)定的干擾調(diào)節(jié)水平，使得SOC的估計誤差滿足漸進穩(wěn)定[10]；北京理工大學的學者通過實驗測試，建立了參數(shù)隨SOC變化的參數(shù)模型，由于電池模型參數(shù)的變化，建立了增益可變的自適應觀測器。用它自適應調(diào)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?shù)剡x擇SMO的參數(shù)（如模型不確定性等），在SOC估計中，需要權(quán)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(tǒng)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?shù)刃щ娐纺Ｐ偷膮?shù)變化引起的誤差。

2.5神經(jīng)網(wǎng)絡法

神經(jīng)網(wǎng)絡法的突出優(yōu)點是不需要研究對象的精

確數(shù)學模型，而是通過學習和訓練來解決非線性問題，神經(jīng)網(wǎng)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(huán)境進行多次重復充放電實驗，獲取足夠的實驗數(shù)據(jù)，但是僅有這些實驗數(shù)據(jù)是不夠的，還需要訓練這些實驗數(shù)據(jù)，使其有機的組合在一起，最后得到所需的神經(jīng)網(wǎng)絡層。從理論上分析，神經(jīng)網(wǎng)絡的層數(shù)越多，建立的模型越精確，但是在實際工程中隨著網(wǎng)絡層數(shù)的增加，計算量也相應增大，原則上神經(jīng)網(wǎng)絡不超過5層[11]。神經(jīng)網(wǎng)絡估計精度受訓練數(shù)據(jù)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(shù)據(jù)不夠全面，神經(jīng)網(wǎng)絡法得到的SOC估計值也存在偏差。因此，基于神經(jīng)網(wǎng)絡的估計算法需事先測試在各種環(huán)境下的電池參數(shù)，獲取訓練數(shù)據(jù)，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(tǒng)的輸入、輸出樣本中獲取系統(tǒng)的輸入-輸出關(guān)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(shù)；通過分析電壓、電流在每一個工作區(qū)域內(nèi)與SOC之間的關(guān)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(jīng)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(jīng)驗。因此，該方法的不足是工作量巨大且通用性差。

3結(jié)論

綜上所述，有些估計方法雖然原理簡單、易于實現(xiàn)、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(nèi)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(jié)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(tǒng)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，F(xiàn)engchun 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(tài)估計剛發(fā)[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.