動力電池荷電狀態（SOC）估算方法綜述

胡耘

?

動力電池荷電狀態（SOC）估算方法綜述

胡耘

（長安大學，陜西 西安 710064）

在動力電池管理系統(BMS)中動力電池SOC評估是最為重要的作用之一。系統中的大多數功能都依賴于動力電池SOC評估的結果。所以準確估算動力電池SOC，有利于保護電池，防止電池過充或過放，提高電池的壽命，達到節約能源的目的。文章通過對SOC評估的當前各種方法的分類綜述，并介紹了最新的研究成果，提出了SOC未來的發展方向。

動力電池；電池管理系統；SOC估算

1 SOC的定義與分類

我們將電池的荷電狀態，稱為SOC，指電池中剩余電荷的可用狀態，用百分數表示。經典SOC的定義式如下：

其中，Q為電池額定的電荷容量，Q為電池中剩余的電荷余量。

2 SOC估算方法綜述

2.1 直接測量法

對電池的物理特性直接進行測量，例如測量電池的電壓或阻抗。包括開路電壓法、阻抗譜法。

2.1.1開路電壓法

日本EV project Department，DENSO Corporation提出開路電壓法，因為SOC與電池的電動勢(EMF)一一對應，所以當工作電流等于零時，即既不充電也不放電，則開路電壓（OCV）等于電池電動勢（EMF），用測量的開路電壓（OCV）估算電池的SOC。磷酸鐵鋰電池的EMF-SOC曲線[1,2,3]如圖1。

圖1 磷酸鐵鋰電池的EMF-SOC曲線

開路電壓法具有操作簡便，精度高的優點。但其缺點也非常顯著，第一，工作電流為零的問題：實際中，電動汽車行駛或充電時，工作電流不為零，但也要知道SOC的值。第二，EMF-SOC曲線的獲取與利用：因為電池電壓具有滯回特性。

2.1.2阻抗譜法

阻抗譜法是測出電池在不同的充電和放電電流范圍內的交流阻抗值。再測得頻率范圍很寬的阻抗譜，用最小二乘法測得阻抗值。測量當前電池阻抗值，并將其與已知SOC下的阻抗值相比較，則可以間接得到SOC值[4,5,6]。

2.2 記賬式評估法

這種方法是將蓄電池放電時電流數據作為輸入，并結合放電時電流隨時間的變化情況來計算SOC。這種方法允許包括一些內部電池效應，如自放電、容量損失和放電效率。

包括電荷累積法和修正電荷累積法。

2.2.1電荷累積法

電荷累積法也被稱CC法，是由日本的CHUGOKU Electric Power Co.Inc的Technical Research Center提出的一種混合動力電動汽車蓄電池荷電狀態SOC的研究方法，主要思想是先知道上一時刻電池剩余電量，然后統計一段時間內電池充入和放出的電荷量，從而計算出當前電荷量[1,7]。

若t1時刻電荷量為Qt1，t2時刻電池電荷量為Qt2，則從t1到t2期間電池充入、放出的累積電荷為：

則

通過上式求得Qt2后，可以通過比例運算求得此時的SOC值。

在實際應用中，為了提高SOC的估算精度，電荷累積法一般作為估算SOC的基礎，常與其它方法結合使用，適用于所有電動汽車。

2.2.2修正電荷累積法

該方法是對電荷累積法進行修正的，改進的電荷累積法利用修正電流來提高估計精度[8,9]。通過對實驗數據的處理，可以按以下形式計算出校正電流。

那么得到新的式子

2.3 自適應系統法

這種方法能夠自動調節不同放點條件下的SOC，目前已經開發出多種用于SOC的自適應系統。包括BP神經網絡法、支持向量機法、模糊邏輯方法、模糊神經網絡法。

2.3.1 BP神經網絡法

BP神經網絡的體系結構由三層組成（即輸入層、輸出層和隱層）。輸入層包含終端電壓、放電電流和溫度3個神經元，隱層神經元有g個神經元，輸出層只有一個SOC神經元。

隱層神經元的總輸入量按如下形式計算：

式netij是隱層神經元的總輸入，xi是輸入到隱層的神經元，vij是輸入層神經元和隱層神經元之間的權值,bj是隱層神經元的偏置。

隱層神經元的激活函數為雙曲正切函數，用下面的方程計算：

輸出層神經元的總輸入量由下式計算：

式中neto是輸出層神經元o的總輸入量，hj是隱層神經元輸入到輸出層神經元，wi是隱層神經元到輸出層神經元之間的權值，k是輸出層神經元o的偏置。g是隱層神經元的個數。

輸出層神經元o的激活函數表達式如下：

神經網絡法適合于各種電池，能夠快速、方便地估算SOC，但缺點是需要對大量的參考數據進行訓練，必須建立在大量的試驗數據基礎上，而且受訓練方法和訓練數據的影響很大[10]。

2.3.2支持向量機

它是利用核函數，將輸入空間的非線性問題映射到高維特征空間中，并在高維空間中來構造線性判別和回歸函數。黨選舉等人[11]提出了一種改進的最小二乘支持向量機，即結構參數在訓練過程中根據樣本數據自動確定，不存在過擬合現象。

2.3.4模糊邏輯方法

這個方法根據人們的經驗?知識來建立模型（如專業人員根據經驗來估算SOC），但缺點是精度低，還需要制定大量的模糊規則來估算SOC，不斷的完善控制規則。

2.3.5模糊神經網絡

模糊神經網絡（FNN）是將模糊推理系統和神經網絡進行結合，通過對人腦的結構和工作方式的近似與簡化和近似得到神經網絡，這種結構和工作方式的并行在許多方面產生了類似于人腦行為的某些功能特點。模糊推理系統是對人腦思維的模糊性方面進行工程化的模擬。兩者結合充分發揮了模糊推理系統在建模過程中包容人類對目標系統的專門知識的優點和神經網絡具有表示任意非線性關系和學習能力的優點。模糊神經網絡可以通過計算學習機制的優化系數有效地擬合非線性系統來估算SOC[12]。

2.4 混合方法

該方法是將兩種SOC各自的優點結合而成。相對于單一的SOC估計，混合方法能產生更為準確的SOC估計。

2.4.1電荷累積數和Kalman濾波的組合

因為初始SOC和庫倫效率難以測量，所以電荷累計法不是電池荷電狀態估計的滿意的方法。為了解決這個問題，西安交通大學王軍平等人[13]將電荷累積法與Kalman濾波想結合，提出一種新的SOC估算方法，表示為“'KalmanAh”。該方法是利用卡爾曼濾波方法對電荷累積法中的初值進行校正，然后用電荷累積法估計長工作時間的SOC。和采用電荷累積法時的估計誤差11.4%相比，這種方法的SOC估計誤差為2.5%。

2.4.2模糊神經網絡與Kalman濾波的組合

傳統基于擴展卡爾曼濾波的SOC估計方法的不足是過度依賴于精確的電池模型和要求系統噪聲必須服從高斯白噪聲分布。為解決上述問題，山東大學商云龍等人[14]基于模糊神經網絡建立模型誤差預測模型，并基此修正擴展卡爾曼濾波測量噪聲協方差，從而實現當模型誤差較小時對狀態估計進行測量更新，而當模型誤差較大時只進行過程更新。

3 發展趨勢

目前大多數文獻的研究對象是單個電池，但用于電動汽車的儲能設備一般都是電池組，因此下一步需要研究電池組的整體性能。電池模型的建立在各種算法的研究中尤為重要。大多數文獻給出的參數都是通過離線計算或者是查表得到的，在電池使用一段時間后，只通過這種離線方式必然會影響估算的精度，因為模型中的參數是隨著SOC、溫度及使用情況隨時變化的，所以在線辨識參數及在線調整模型可以作為一個新的研究方向。電池剩余容量的影響因素有電池充放電電流、端電壓、溫度、自放電、老化程度等。大多數文獻目前都是處于計算機仿真階段，并沒有全面的考慮到現實環境中溫度、自放電、電池壽命等因素對于SOC估算的影響。所以在未來的研究實踐中，贏充分考慮這些因素的影響。

[1] 譚曉軍.電動汽車動力電池管理系統設計[M].廣州:中山出版社, 2011.

[2] 鮑世靜.鉛酸蓄電池剩余容量預測研究和工程應用[D].西安電子科技大學, 2012.

[3] 劉姍姍.動力鋰電池組管理系統的研究與設計[D].中南大學, 2012.

[4] K. Bundy, M. Karlsson, G. Lindbergh, and A. Lundqvist.An electro -chemical impedance spectroscopy method for prediction of the state of charge of a nickel-metal hydride battery at open circuit and during discharge.Power Sources,1998,72(2): 118-125.

[5] Charkhgard, M. and M. Farrokhi, State-of-Charge Estimation for Lithium-Ion Batteries Using Neural Networks and EKF.IEEE Trans -actions on Industrial Electronics,2010. 57(12): 4178-4187.

[6] Plett G L. Extended Kalman filtering for battery management syste -ms of LiPB-based HEV battery packs[J].Journal of Power Sources. 2004,134(2): 262-276.

[7] 林成濤,王軍平,陳全世.電動汽車SOC估計方法原理與應用[J].電池,2004,34(5):376-379.

[8] LIN C T, WANG J P, CHEN Q S.Methods for state of charge estima -tion of EV batteries and their application[J].Battery Bitmonthly, 2004,34(2):376-378.

[9] Wen-Yeau Chang.The State of Charge Estimating Methods for Battery: A Review[J].Hindawi,2013,25(4):56-64.

[10] 尹安東,張萬興,趙韓.基于神經網絡的磷酸鐵鋰電池soc預測研究[J].電子測量與儀器學報,2011,25(5):433-437.

[11] 黨選舉,言理.基于在線 LS-SVM 的動力電池 SOC 估算方法研究[J].電池技術,2017,41(5):752-756.

[12] 李革臣,江海,王海英.基于模糊神經網絡的電池剩余電量計算模型[J].測試技術學報,2007,21(5):405-409.

[13] 王軍平,陳全世,林成濤.鎳氫電池組的荷電狀態估計方法研究[J].機械工程學報,2005,41（12）:62-65.

[14] 商云龍,張承慧,崔納新.基于模糊神經網絡優化擴展卡爾曼濾波的鋰離子電池電荷狀態估計[J].控制理論與應用,2016,33(2): 212- 220.

Summary of methods for state of charge estimation of power batteries

Hu Yun

( Chang'an University, Shaanxi Xi’an 710064 )

Power battery SOC evaluation is one of the most important roles in the Power Battery Management System (BMS). Most of the functions in the system depend on the results of the power battery SOC evaluation. Therefore, accurate estimation of the power battery SOC is conducive to protecting the battery, preventing overcharging or overdischarging of the battery, improving the life of the battery, and achieving energy conservation. This paper summarizes the current classification of various methods of SOC assessment, and introduces the latest researc results, and proposes the future development direction of SOC.

power battery;battery management system;SOC estimation

U469.72

A

1671-7988(2019)08-36-03

U469.72

A

1671-7988(2019)08-36-03

胡耘，男，就讀于長安大學汽車學院，研究方向：動力工程及工程熱物理、電動汽車電控。

10.16638/j.cnki.1671-7988.2019.08.011