新型的鋰電池荷電狀態估算方法

程江洲，李君豪，唐 陽，謝詩雨，王勁峰

（三峽大學 電氣與新能源學院，宜昌 443002）

電池的荷電狀態SOC對于鋰電池的能量管理，防止鋰電池過充電和過放電，改善電池壽命和制定控制策略有一定的影響。估計鋰電池SOC的方法主要有：放電法[1-2]、負載電壓法、安時積分法、開路電壓法、內阻法[3]、神經網絡法[4]和卡爾曼濾波法等[5-6]。其中，放電法、開路電壓法、安時積分法及內阻法的估算結果誤差較大；開路電壓法及神經網絡法實現的條件較為苛刻。

針對估算誤差較大這一重大缺陷，學者們提出結合安時法與EKF算法[7]估算鋰電池的SOC。EKF采用泰勒級數展開方法求解系統線性方程，將系統變為線性系統并在線性系統中估算當前系統狀態。在對方程線性化處理時，通常只保留非線性函數的一階項，并除去其二階項及后續項。在鋰電池系統采用EKF算法估算SOC時，由于鋰電池系統為強非線性系統，被忽略的二階項及后續項會影響估算結果，導致估算SOC值發散，使得估算SOC遠偏離于真實SOC。

為提高EKF算法的穩定性和精度，在此改進了EKF算法，并在MatLab/Simulink上進行模型仿真，結果證明改進是有效的。

1 鋰電池SOC估算原理

放電法采用恒流放電，工作電流和時間的乘積即為鋰電池荷電狀態。它是一種精度較高的SOC估算方法，但需要大量時間來獲取樣本，以及需要切斷正在工作的電池來試驗，無法一邊試驗一邊工作。

開路電壓法[8]精確測量開路電壓OCV（open circuit voltage），并根據OCV與SOC之間存在的函數聯系來估算SOC。該方法較放電實驗法更準確，但只能在鋰電池停止工作時進行測量。

內阻法[9-10]是用于測量鋰電池內阻并基于測量內阻與SOC間的函數關系估算SOC的方法，由于內部電阻隨電池狀態的變化而變化，因此無法精準測出內阻的具體值。若測量結果存在較大的誤差，則會導致估算不準甚至錯誤。

神經網絡法[11-12]是一種非線性特征的訓練方法，它需要大量的數據來訓練網絡和適當的輸入，輸入條件更加嚴格。

安時積分法[13-14]是一種廣泛使用的鋰電池SOC測量方法，因未考慮鋰電池內部產生的化學反應，且儀器采集電流也存在誤差，時間越久則誤差累積越多，會極大地影響SOC估計結果。

2 鋰電池建模

建立系統方程首先需建立鋰電池等效模型，目前運用廣泛的經典等效電路模型主要有內阻（Rint）模型、戴維南（Thevenin）模型及PNGV模型。

在此使用二階Thevenin電路模型來模擬電池正常工作狀態。相較一階Thevenin電路，二階電路精確度更高，能更實際還原鋰電池特性；相較于三階及更高階數模型，雖精確度相差不大，但計算量遠低于更高階的模型。

二階Thevenin等效電路模型如圖1所示。圖中，R0為直流內阻；R1，R2為鋰電池電化學和濃差極化內阻；C1，C2為鋰電池極化電容；I為放電電流；U1，U2分別為R1，R2兩端電壓；Ub為端電壓；Uoc為開路電壓。

圖1 二階戴維南等效電池模型Fig.1 Thenenin second-order equivalent circuit cell model

在二階Thevenin等效電路電池模型中，根據基本電路定律，可列出以下基本方程：

根據安時積分法，鋰電池SOC為

式中：k0為開始時間；k為截止時間；CN為額定容量；I為放電電流。

對方程（1）（2）（3）進行離散化處理，可得

其中 τq=RqCq，q＝1，2

式中：Ts為采樣時刻；τq為RqCq網絡時間常數。

通過以上推導，并將電池SOC作為系統狀態量，得到的系統狀態方程和觀測方程為

式中：ωp，k為過程噪聲，p=1，2，3；φk+1為觀測噪聲。

3 改進的EKF估計SOC算法

傳統EKF算法的計算步驟如圖2所示，其主要有預測過程和校正過程。

圖2 EKF算法流程Fig.2 Flow chart of EKF algorithm

預測過程步驟 確定系統在k-1時的初始值，預測出系統在k時的值；根據初始協方差矩陣，預測出k時刻的協方差預測矩陣pk。

校正過程步驟 利用協方差預測矩陣得到系統濾波增益Kk；對系統進行狀態方程更新及誤差協方差方程更新，完成校正。

因為EKF算法對線性動態系統的建模效果很好，而鋰電池系統為非線性系統，SOC與實際容量、內阻、溫度等很多元素都不是線性關系，從而導致誤差積累。因此，需對EKF算法擴展，使其改變為含有非線性狀態函數的狀態空間方程，使計算結果更為精確。

改進的EKF算法，在協方差預測步驟中引入了溫度補償系數T0：

式中：CN（25℃，1C）為鋰電池在 25℃下，以 1C 電量放電測得的額定容量；CN（T，C）為在溫度T時電量以恒定值放電，直至達到終止電壓，整個放電過程放電容量當作電池的相對容量。

如以鋰電池CN（25℃，1C）的容量作為參考值1，那么根據獲得的不同溫度及放電倍率下相對可用容量大小，可計算出具體條件下的容量補償因子結果，見表1。

表1 容量補償因子結果Tab.1 Results of capacity compensation factor

初始化初值x0和協方差矩陣p0；按照運行步驟，測得輸入值完成SOC估算。改進EKF計算步驟具體如下：

步驟1 根據系統在k-1時的值xk-1，計算出在k-1時預測k時的估算值xk為

根據協方差p0，求出協方差矩陣預測pk為

式中：Q為過程噪聲協方差矩陣。

步驟2 利用式（10）求得的溫度補償系數T0，對協方差預測矩陣進行優化，得到p′k，即

用優化后的矩陣p′k，求出濾波增益Kk為

式中：Hk為觀測矩陣；R為測量協方差。

步驟3 進行狀態更新和協方差更新，即

4 仿真驗證試驗

為驗證改進EKF算法的有效性，采用BTS-2002型電池測量儀（如圖3所示），對容量為2800 mA·h，電壓3.7 V的18650型磷酸鐵鋰電池做采集試驗。采用改進的EKF算法估計SOC時，需要用到OCV與鋰電池SOC之間對應的的函數表達式，并辨別二階Thevenin電路模型模型參數。

圖3 BTS-2002型電池測量儀Fig.3 BTS-2002 battery measuring instrument

首先確定OCV與SOC之間的函數表達式，在常溫25℃下進行放電試驗，電量為1C，測試電壓為2.75～3.70 V，獲取試驗數據。根據文獻[11]所提出的方法，準確得到SOC與OCV一一對應的函數關系，并利用MatLab的數據擬合功能，求出函數表達式。SOC與OCV的關系如圖4所示。

OCV與SOC的函數關系（Voc-Sc）為

試驗用最小二乘法辨別二階Thevenin等效電池的參數 R0，R1和 C1，C2，并隨時間不斷變化、更新，在MatLab/Simulink中建立等效電池仿真模型。仿真的初始條件為

圖4 OCV與SOC的關系Fig.4 Relationship between OCV and SOC

以試驗獲得的電流和電壓數據為基礎，導入至MatLab/Simulink鋰電池仿真模型內。鋰電池SOC MatLab/Simulink仿真模塊如圖5所示。

圖5中，xk為狀態更新值，pk為估計誤差協方差矩陣，誤差協方差矩陣為系統計算的偏差程度，當計算t時刻的系統預測值時，通過系統協方差矩陣計算卡爾曼濾波增益Kk。協方差矩陣與預測精度呈線性關系，協方差矩陣越小，精度越高；反之，則精度越低。

圖5 鋰電池SOC MatLab/Simulink仿真模塊Fig.5 Lithium battery SOC MatLab/Simulink simulation module

改進EKF算法用于估算鋰電池SOC的仿真驗證如圖6所示。該試驗通過設置遠離真實值的隨機值，測試本文改進算法的靈敏度。設置其隨機初始值為72%Sc，經過短時間的迭代估算，得到SOC的測量值。自0時刻至3750 s時刻，鋰電池SOC仿真真實值從1減小到0，測量值經算法測量和迭代后逐漸與真實值靠近，并與真實值曲線重合，在真實值范圍內以極小的誤差波動。仿真模型驗證了改進算法靈敏度與精度都具有很高的可靠性。

圖6 改進EKF估算的鋰電池SOCFig.6 Improved EKF estimation of lithium battery SOC

模型的誤差及誤差率曲線如圖7所示。由圖7a可見，在初始時，經快速迭代，誤差值迅速減小，并且隨著改進EKF的不斷計算，誤差逐漸減小。由圖7b可見，由于初始值設置的誤差較大，初始的誤差率也大；經過短時間迭代后，SOC逐漸接近真實值，誤差率也逐漸變小，在2%誤差率范圍內波動。通過估算系統可以得到很高的精準度。

圖7 仿真誤差及誤差率的曲線Fig.7 Curve of simulation error value and error rate

5 結語

通過建立二階Thevenin等效電路模型，通過測得鋰電池不同容量所對應開路電壓OCV值，得到OCV與SOC對應函數，使得模型估算更精確；使用MatLab/Simulink軟件，建立二階Thevenin等效電池模型，導入試驗數據進行仿真試驗，精確估計SOC。通過放電情況下實際值與測量值的對比，本文模型誤差較小，保持在2.10%誤差范圍內。因此，本文模型具有較高精確度，可適用于實際鋰電池管理系統。