常見的動力電池SOC估算方法

    電池技術發(fā)展至今，用來估算SOC的方法已經出現了很多種，既有傳統(tǒng)的電流積分法、電池內阻法、放電試驗法、開路電壓法、負載電壓法，也有較為創(chuàng)新的Kalman濾波法、模糊邏輯理論法和神經網絡法等，各種估算方法都有自己的優(yōu)缺點，下面對常用的幾種SOC方法進行簡要介紹：
    （1）電流積分法
    電流積分法也叫安時計量法，是目前在電池管理系統(tǒng)領域中應用較為普遍的SOC估算方法之一，其本質是在電池進行充電或放電時，通過累積充進或放出的電量來估算電池的SOC，同時根據放電率和電池溫度對估算出的SOC進行一定的補償 。如果將電池在充放電初始狀態(tài)時的SOC值定義為SOCt0，那么t時刻后的電池剩余容量SOC則為：
    式中，Q為電池額定容量，n為充放電效率，也叫庫侖效率，其值由電池充放電倍率和溫度影響系數決定，i為t時刻的電流。與其它SOC估算方法相比，電流積分法相對簡單可靠，并且可以動態(tài)地估算電池的SOC值，因此被廣泛使用。但該方法也存在兩方面的局限性：其一，電流積分法需要提前獲得電池的初始 SOC 值，并且要對流入或流出電池的電流進行精確采集，才能使估算誤差盡可能小；其二，該方法只是以電池的外部特征作為SOC估算依據，在一定程度上忽視了電池自放電率、老化程度和充放電倍率對電池SOC的影響，長期使用也會導致測量誤差不斷累積擴大，因此需要引入相關修正系數對累積誤差進行糾正。
    （2）放電試驗法
    放電試驗法是將目標電池進行持續(xù)的恒流放電直到電池的截止電壓，將此放電過程所用的時間乘以放電電流的大小值，即作為電池的剩余容量。該方法一般作為電池 SOC 估算的標定方法或者用在蓄電池的后期維護工作上，在不知道電池 SOC 值的情況下采用此方法，相對簡單、可靠，并且結果也比較準確，同時對不同種類的蓄電池都有效。但是放電試驗法也存在兩點不足：第一，該方法的試驗過程需要花費大量的時間；第二，使用此方法時需要將目標電池從電動汽車上取下，因此該方法不能用來計算處于工作狀態(tài)下的動力電池。
    （3）開路電壓法
    開路電壓法是根據電池的開路電壓（Open Circuit Voltage， OCV）與電池內部鋰離子濃度之間的變化關系，間接地擬合出它與電池SOC之間的一一對應關系。在進行實際操作時，需要將電池充滿電量后以固定的放電倍率（一般取1C）進行放電，直到電池的截止電壓時停止放電，根據該放電過程獲得OCV與SOC之間的關系曲線。當電池處于實際工作狀態(tài)時便能根據電池兩端的電壓值，通過查找OCV-SOC關系表得到當前的電池SOC。盡管該方法對各種蓄電池都有效，但也存在自身缺陷：首先，測量OCV前必須將目標電池靜置 1h 以上，從而使電池內部電解質均勻分布以便獲得穩(wěn)定的端電壓；其次，電池處于不同溫度或不同壽命時期時，盡管開路電壓一樣，但實際上的SOC可能差別較大，長期使用該方法其測量結果并不能保證完全準確。因此，開路電壓法與放電試驗法一樣，并不適用于運行中的電池SOC估算。
    （4）Kalman濾波法
    Kalman濾波法是美國數學家卡爾曼（R.E.Kalman）在上世紀60年代初發(fā)表的論文《線性濾波和預測理論的新成果》中提出的一種新型最優(yōu)化自回歸數據濾波算法。該算法的本質在于可以根據最小均方差原則，對復雜動態(tài)系統(tǒng)的狀態(tài)做出最優(yōu)化估計。非線性的動態(tài)系統(tǒng)在卡爾曼濾波法中會被線性化成系統(tǒng)的狀態(tài)空間模型，在實際應用時系統(tǒng)根據前一時刻的估算值與當前時刻的觀測值對需要求取的狀態(tài)變量進行更新，遵循“預測—實測—修正”的模式，消除系統(tǒng)隨機存在的偏差與干擾。使用 Kalman 濾波法估算動力電池的 SOC 時，電池以動力系統(tǒng)的形式被轉化為狀態(tài)空間模型，SOC 則變成為了該模型內部的一個狀態(tài)變量。建立的系統(tǒng)是一個線性離散系統(tǒng)。
    由于Kalman濾波法不僅能夠修正系統(tǒng)初始誤差， 還能有效地抑制系統(tǒng)噪聲，因此在運行工況非常復雜的電動汽車動力電池的SOC估算中，具有顯著的應用價值。不過該方法同樣存在兩點缺陷：其一，Kalman濾波法估算SOC的精度很大程度上取決于電池模型的準確程度，工作特性本身就呈高度非線性化的動力電池，在Kalman濾波法中經過線性化處理后難免存在誤差，如果模型建立得不夠準確，其估算的結果也并不一定可靠；其二，該方法涉及的算法非常復雜，計算量極大，所需要的計算周期較長，并且對硬件性能要求苛刻。
    （5）神經網絡法
    神經網絡法是模擬人腦及其神經元用以處理非線性系統(tǒng)的新型算法，無需深入研究電池的內部結構，只需提前從目標電池中提取出大量符合其工作特性的輸入與輸出樣本，并將其輸入到使用該方法所建立系統(tǒng)中，就能獲得運行中的SOC 值。該方法后期處理相對簡單，即能有效避免Kalman濾波法中需要將電池模型作線性化處理后帶來的誤差，又能實時地獲取電池的動態(tài)參數。但是神經網絡法的前期工作量比較大，需要提取大量且全面的目標樣本數據對系統(tǒng)進行訓練，所輸入的訓練數據和訓練的方式方法在很大程度上都會影響SOC的估計精度。此外，在電池溫度、自放電率和電池老化程度不統(tǒng)一等因素的復雜作用下，長期使用該方法估算同一組電池的SOC值，其準確性也會大打折扣。因此，在動力電池的SOC估算工作中該方法并不多見。