基于云端計算的sOC估計策略

曾祥兵

（奇瑞新能源汽車技術有限公司，蕪湖 241002）

電池管理系統（BMs）通常被業內稱為新能源汽車動力電池系統的“大腦”，與動力電池、整車控制系統共同構成了電動汽車的三大核心技術。電池管理系統的核心功能是依據環境條件對電池的充放電過程進行檢測和控制，提高電池的能量利用率，延長電池的使用壽命。對于電動汽車電池管理系統來說，電池的荷電狀態（state-of-Charge，sOC）能夠間接反映電動汽車的續航能力，是衡量電池性能的重要參數。

目前，電池sOC的估計方法主要包括安時積分法、神經網絡法和基于模型的估計方法。安時積分法通過電流的累積對sOC進行估計，實現方便但易受到傳感器誤差的影響，估計精度不高。神經網絡法能夠描述具有高度非線性的鋰電池充放電行為，但是建模過程復雜，且網絡訓練計算量大。基于模型的估計方法首先要建立電池的等效電路模型或電化學模型，再應用粒子濾波、卡爾曼濾波等算法實現sOC的估計，往往具有較高的估計精度。本文結合云計算技術及無線通信技術，針對車載sOC估計中計算量和存儲量不足的問題，提出了一種基于云端計算的sOC估計架構，并通過仿真試驗驗證了這一方法的有效性。

1 SOC估計

1.1 SOC的定義

sOC表示鋰離子電池中剩余容量的百分比，電池充滿時sOC為100%，放空時為0%。但是，sOC的表達公式并不唯一，因在不同的放電條件下，放電至截止電壓時可放出的最大容量并不相同，因此計算sOC時在分母的選擇上出現了差異。

目前，主要有兩種常見的sOC定義公式：

式中，sOC（t）為t時刻的sOC；Cd為已經放出的電量；cN為鋰離子電池的額定容量；CM為最大放電容量，一般取C/20放電電流下電池可放出的最大容量。

上述兩種定義中，式（1）的CN為定值，因此該方法簡單。而式（2）需要考慮不同溫度、電池壽命等因素對最大可放電容量的影響，定義更符合實際情況。

由于最大可放電容量受多種因素影響，在實時應用中以現有的估計方法很難實現。為此，本文提出了一種基于云端計算的車載嵌入式標定sOC估計方法。

1.2 基于云端計算的SOC估計架構

現有的電動汽車電池管理系統的sOC估計策略由于受到硬件計算能力、數據存儲能力及成本的限制，往往只能利用有限時間的歷史數據進行sOC估計。由于鋰電池本身是一種類生命的系統，其結構及電化學參數會隨著時間的增加而逐漸變化，電化學性能也會逐漸衰退。現有的sOC估計方法并不能很好地反映鋰電池健康狀態隨著時間的變化而變化的特征，因此在估計精度上會受到一定的影響。

圖1 基于云端計算的SOC估計架構

目前，云計算技術及無線通信技術發展迅速，本文針對車載sOC估計中計算量和存儲量不足的問題，提出了一種利用車載計算和云端計算相結合的方式，基于云端計算的sOC估計架構，如圖1所示。其基本工作模式如下：車載BMs采集電池系統的基本信息，以無線方式上傳到云端計算中心，云端計算中心將數據進行存儲，并按一定的模型，對更新至當前時刻的歷史數據進行分析和計算，然后將關鍵數據，如最大放電容量、內阻、健康狀態（sOH）等無法在車載BMs上進行分析和計算的數據，通過無線方式定時下傳到對應的車載BMs，車載BMs根據這些數據重新對sOC進行計算或標定。

電池的老化相對來說是個長時間的過程，往往經過幾個月才會在電池的參數上得以體現。所以，經過長時間使用后電池的健康惡化，對應的各項參數就會發生相應的變化，這些變化需要通過長時間的數據監控分析才能得出，而車載BMs無法做到這一點。為此，基于云端計算的sOC估計架構就更加合理，也更能滿足實際情況的需要。

1.3 云端計算模型

現在sOC估計所采用的大多數模型和估計方法，特別是計算量和復雜度大的方法，如粒子濾波法、神經網絡法等都可以放在云端進行實現，而車載BMs只需保留計算量小、可靠性好的方法，如安時積分法、Kalman濾波法等。當前，新興的數據分析方法和技術也可以在云端進行，如深度學習、大數據技術等。為了驗證本方法的有效性，本文以sOC為標定目標，采用神經網絡對其進行云端建模和分析。云端計算的神經網絡模型如圖2所示，這里采用1個隱含層的模型，輸入數為m，輸出數為1，隱含層的神經元數量為n。

圖2 云端計算神經網絡模型

2 仿真試驗

2.1 隱含層神經元個數的選擇

為了選擇合適的隱含層神經元個數，筆者針對不同的隱含層個數（10，20，30，50）進行了仿真試驗，其結果如表1所示。

表1 不同隱含層神經元數的均方差

由表1可以看出，隱含層所含的神經元數越多，均分差越小，同時相應的計算量越大。

2.2 云端校正與不帶校正的對比

為了說明基于云端計算的sOC估計策略的有效性，筆者以圖2所示的前向網絡模型為云端計算模型，選擇50個隱含層神經元，并分別在網絡連通率100%、50%、0%的情況下，對sOC的估計值進行校正。假設網絡連通率為x%時，每一個計算周期內，進行云端計算校正的概率為1-x%，即隨機生成0～1的隨機數，如該數小于1-x%，則表示網絡故障，不進行校正；否則表示網絡暢通，可以進行云端計算校正。同時，假設云端計算速度遠遠快于車載系統，計算時間相對車載運算可忽略。對于車載端sOC估計，筆者利用擴展卡爾曼濾波方法（EKF）進行模擬。仿真結果如圖3所示。

圖3 不同連通率情況下的SOC估計結果

如圖3所示，在100%連通的情況下，車載sOC估計精度逼近云端神經網絡模型的估計精度，而在0%連通的情況下，車載sOC估計精度完全由車載的sOC估計算法的精度所決定，而在50%連通的情況下，車載sOC估計精度介于兩者之間。由此可見，即使在網絡連通率不是100%的情況下，基于云端計算的sOC估計策略其精度依然比車載的sOC估計算法要高。

3 結論

由于鋰電池本身是一種類生命的系統，其結構及電化學參數會隨著時間的增加而逐漸變化，電化學性能也會逐漸衰退。現有的sOC估計方法并不能很好地反映鋰電池健康的真實狀態特征，因此估算精度會受到一定的影響。本文結合云計算技術及無線通信技術，針對車載sOC估計中計算量和存儲量不足的問題，提出了一種基于云端計算的sOC估計架構。當車載系統和云端計算中心之間的連接暢通時，可用利用云端計算得到的最新關鍵參數對車載sOC估計結果進行修正或標定，提高了估計的精度；當網絡不通時，車載BMs系統也可以利用車載存儲的最近的一個更新數據進行sOC估計，滿足基本的運行要求，待到云端連接可用時再進行修正。仿真試驗驗證了這一方法的有效性。