「干货」一文看懂电动汽车电池SOC估算方法
汽车人参考2018-09-23 13:02
简单，高效，准确，便宜。
SOC（State of Charge），即电池的剩余电量，也称为荷电状态。表示电池使用或长期搁置一段时间后，其剩余容量与总的可用容量的比值，常用百分数表示。
对电池SOC的准确估算，既是电动汽车估算续航里程最基本的要求，又是提升电池利用效率和安全性能的基本保证。
安时积分
经典的SOC估算一般采用安时积分法（也叫电流积分法或者库仑计数法）。即电池充放电时，通过累积充进和放出的电量来估算SOC。
简化公式如下：
从以上公式不难看出，但该估算方法存在着误差，主要来源于三个方面：
1. 电流采样造成误差
采样精度采样间隔
2. 电池容量变化造成误差
温度变化电池老化充放电倍率不同电池自放电
3. SOC
初始SOC估算困难最终SOC过程取舍误差
安时积分法只单纯从外部记录进出电池的电量，但忽略了电池内部状态的变化。同时电流测量不准，造成SOC计算误差会不断累积，需要定期不断校准。
开路电压法
一般校准方法采用开路电压法。其原理是利用电池在长时间静置的条件下，开路电压与SOC存在相对固定的函数关系，从而根据开路电压来估算SOC。
开路电压法简单便捷，但也存在很多缺点：
1. 电池须经过长期静置，但电动汽车启动频繁，开路电压短时间内很难稳定；
2. 电池存在电压平台，特别是磷酸铁锂电池，在SOC30%-80%期间，端电压和SOC曲线近似为直线；
3. 电池处于不同温度或不同寿命时期，尽管开路电压一样，但实际上的SOC差别可能较大；
下图为磷酸铁锂电池（LiFePO4）开路电压与SOC关系图：
除了开路电压法外，还有内阻测量法，放电实验法等。但由于电池内阻不易测量，放电时间过长，放电过程中电池无法工作，上述方法均只能在实验室条件下操作。
卡曼滤波法
卡尔曼滤波已广泛应用于航天、通信、导航、控制、图像处理等领域。对于动力电池采用卡尔曼滤波进行SOC估算，是当前非常主流的一个方向。
卡曼滤波的核心思想是：根据当前仪器的“测量值”，上一刻的“预测量”，以及“误差”，来计算得到当前的“最优值”。
其亮点是把误差（预测误差和测量误差，通称为噪声）纳入了计算，误差独立存在，不受测量数据的影响。
卡曼滤波法适用于各种类型不同老化阶段的电池，其精确性很大程度依赖于电池等效模型的建立，计算量比较大。
神经网络
近年来，人工智能方法也被应用于电池SOC估算中，目前主流采用的是BP（back propagation）神经网络法。
神经网络法是模拟人脑及神经元来处理非线性系统的新型算法。无需深入研究电池的内部结构，只需提前从电池中提取出符合工作特性的输入与输出样本，并将其输入到建立系统中，就能获得运行中的SOC 值。
该方法后期处理相对简单，即能有效避免卡曼滤波法中需要将电池模型作线性化处理后带来的误差，又能实时地获取电池的动态参数。
但神经网络法需要大样本数据，样本对训练结果有重大影响，需要筛选合适样本，取样工作量大。
小结
虽然电动汽车已量产多年，但实际上对于电池SOC估算的技术还远不成熟。
估算方法虽然很多，但都存在一定的缺陷，卡曼滤波或者神经网络大部分都是处于paper work阶段。在实际应用中，一般是在安时积分基础上再加入一些影响因子进行校正。
对于未来，随着电池数据库不断积累，电流电压测量精度进一步提高，电池模型更加精确的引入，SOC的算法将进一步与整车控制器进行结合，朝着简单，高效，准确，便宜的方向上发展。
参考文献
“详解卡尔曼滤波原理”，engineerlixl 的CSDN 博客；
“卡尔曼滤波，最最容易理解的讲解，找遍网上就这篇看懂了”，走错路的程序员的CSDN 博客；
“电动汽车动力电池SOC估算方法综述”，华周发，李静《电源技术》；
“对SOC/SOH算法的一些思考“，乔昕；
版权声明：本文为“汽车人参考”原创，如需转载，请务必提前联系我们，获得授权。转载时请注明“本文出处于+媒体平台名称+汽车人参考”以及原文链接，侵权必究。
举报/反馈
0
0
收藏
分享
