電池SOC估算方法的研究現狀

黃煜　朱立宗

摘 要：如今，鋰離子電池已成為新能源產業和SOC的研究重點。在鋰離子電池研究中，電池容量估算和計算是其中的重點研究之一。SOC直接關系到鋰離子電池使用的效率和安全性，正確的SOC估算和計算方法不僅可以增加鋰離子電池工作的安全性，并延長鋰離子電池的使用壽命[1]。相反而言，不合適的SOC估算和計算方法不僅會加速電池的老化，而且會帶來電池爆炸和燃燒的危險，危害使用者的生命和財產安全。因此，本文對各種SOC估計和計算方法進行研究，以獲得更成熟和廣泛使用的電池SOC估計和計算方法。

關鍵詞：電池SOC 估計和計算 BP神經網絡

1 SOC介紹

SOC定義為電池的當前容量，以其額定容量表示。SOC可表征當前電池的狀態，并以適合電池壽命的水平進行電池管理，對電池進行安全的充放電[2]。因此，SOC有助于電池的管理。但是，SOC不能通過直接測量得到，因為它涉及到電池電壓，電流，溫度等的測量，以及與電池有關的其他信息，直接獲得非常困難。SOC的準確估算是為了防止電池損壞，同時避免電池過度充電、放電加速電池老化。常規SOC估算使用庫侖計數法，此方法存在誤差累積故障導致估算不準確。除此之外，電池有限的電池效率、需要的化學反應、不同的充放電條件以及放置地方溫度的變化都會影響SOC估算。

2 SOC估計方法

鋰離子電池的SOC通過檢測和重新處理鋰離子電池來估算和計算參數，例如電池的電壓，電流和溫度。以下是常用的SOC估計和計算方法：

2.1 安培小時積分法

安培小時積分法是最簡單的原理，也是應用最廣泛的算法。它基于對當前狀態的不間斷測試和集成來推斷電池釋放或吸收多少電量，從而獲得電池的SOC值。

安培小時積分法的主要缺點包括三個方面[3]：

1.電流需求的檢測頻率和精度要求很高，否則會導致積分誤差和累積誤差的增加;

2.電池的充放電效率與電池的SOC值，電流，溫度，老化，電阻率的變化，壽命有關，難以精確測量，導致SOC估計誤差越來越大。

3.在高溫或電流不穩定的情況下，受電流測量精度的影響，安培小時積分法的精度很差，需要與其他估算方法同時使用。

2.2 卡爾曼濾波法

近年來，人們開始使用卡爾曼濾波器來估計電池的充電狀態，卡爾曼濾波器在得到SOC估計值的同時，還可以得到SOC的計算誤差。此方法具有較高的精度，并對初始誤差值較強的校正能力。但是由于卡爾曼濾波法精度高低取決于電池模型的精度，而建立精確的電池模型是十分困難的，因此此方法在現階段還沒有得到廣泛的應用。

卡爾曼濾波是一種最優的自回歸數據處理算法，狀態變量的實時最優估計可以有效提高SOC估計的準確性[4]。國內對于卡爾曼濾波法在電池SOC估算研究中的應用尚不多見，同時主要以HEV Ni MH電池作為重點研究對象。盡管一些研究人員已經將擴展卡爾曼濾波器（EKF）和阻抗卡爾曼濾波器（UKF）結合起來應用于電池SOC的估算，并取得一定突破，但是研究仍處于起步階段，同時標準UKF方法忽略了測量誤差對于SOC估算的影響。

2.3 開路電壓法

鋰離子電池的OCV（開路電壓）與SOC具有近似的線性關系，通過測量放電率的OCV和SOC值，可擬合得到相應的電池曲線，從而得出SOC值。但是測試前需要將電池切斷一小時以上，以使其處于穩定狀態，才可獲得OCV的準確值，而在電池的實際使用中并不能實現上述工況。因此，開路電壓方法經常與安培小時積分法結合使用，在使用電池時，兩者相結合的方法可保證一定的實用性，可先用開路電壓法估計初始SOC，確保結果準確性，但是估計精度仍不能完全符合要求。

2.4 最小二乘法

采用最小二乘法需要滿足在一定的充放電速率下，可獲得電池的電壓曲線，通過純數學方法對曲線進行高精度擬合，建立電池充放電過程中盡量精確的數學模型[4]。通過控制數學模型中不同SOC階段的電池端電壓變化規律，實現對電池充放電過程的一定控制，有效避免電池過度充電，過度放電情況的出現。但是由于將電池電壓作為因變量，并且在不同的充放電電流下電壓是不同的，因此在實際應用過程中建立精確的最小二乘法數學模型十分困難。同時研究發現，某些類型的鋰離子電池（例如聚合物電池）在使用最小二乘法建立數學模型時，無法獲得明顯可直接作為輸入的數學特征點。因此，最小二乘法對于某些類型的電池并不適用。

2.5 神經網絡方法

當面對復雜和非線性的問題時，可以通過建立一個精確的神經網絡數學模型來模擬電池的動態特性，以估算電池的SOC。神經網絡分為輸入層，中間層和輸出層，不同的實際問題確定不同的SOC輸入層和輸出層。輸入層通常包括電壓，電流、溫度和電池相關信息等因素[5]。

該方法需要對大量實驗數據進行訓練才能獲得具有較高精度的神經網絡方法，神經網絡主要分為兩類：RBF神經網絡和BP神經網絡。兩類神經網絡方法的結構相似，輸出層均為線性輸出，均需要通過訓練數據對神經網絡進行不斷訓練，以確定訓練過程中的自由參數。輸入通常使用的電壓，電流，溫度，電阻。輸入變量和輸入變量的選擇將直接影響模型的準確性和計算。該方法不需要描述輸入和輸出之間關系的精確公式，可以在網絡訓練中確定，并且具有自適應的特點。但是訓練需要大量參考數據，訓練周期長，初始參考數據和訓練方法對估計誤差均有特別大的影響[6]。

以BP神經網絡估算SOC為例，神經網絡結構如圖1所示，在建立神經網絡時，將電池的電壓、放電電流以及環境溫度作為輸入矢量添加到輸入層，將電池的剩余電量SOC作為輸出層的輸出矢量。可建立3層的神經網絡，通過一些訓練實驗可獲得隱含層的節點個數，其中輸入層具有3個節點，隱含層具有11個節點，輸出層具有1個節點。由仿真經驗可得，當節點數小于9個時，電池SOC的預測精度較差;當節點數大于9個時，隨著節點數從9個到13個，神經網絡訓練的精度越來越高。

3 結論

由上文可知，估計和計算電池SOC的方法有很多，但是每種特定方法都存在優缺點，安培小時積分法誤差累積無法控制，精度較差;卡爾曼濾波法精度高低取決于電池模型的精度，而建立精確的電池模型是十分困難的;開路電壓法需要滿足測試前將電池切斷一小時以上，以處于穩定狀態，而在電池的實際使用中并不能實現上述工況;最小二乘法在實際應用過程中建立精確的最小二乘法數學模型十分困難，同時對于某些類型的電池適用性較低;神經網絡法訓練需要大量參考數據，訓練周期長，初始參考數據和訓練方法對估計誤差均有特別大的影響。

由全文可得，SOC估計方法正在迅速發展，很多種方法已經得到實際應用。但是不存在特定的方法可以滿足所有電池SOC的估算，并且可以獨立解決實際問題。因此，針對特定的工況，將各種方法進行結合，發揮各方法的優勢，提高SOC估計的準確性。例如神經網絡與拓展卡爾曼濾波結合，不僅可擴大拓展卡爾曼濾波法的適用范圍，而且有利于消除非線性電池系統轉換為線性系統引起的誤差。

本文系2019年廣西高校中青年教師基礎能力提升項目“電動汽車鋰離子電池SOC估算研究（項目編號：2019KY1426 ）”成果

參考文獻：

[1]華周發，李靜.電動汽車動力電池SOC估算方法綜述[J].電源技術，2013，37（009）：1686-1689.

[2]劉浩. 基于EKF的電動汽車用鋰離子電池SOC估算方法研究[D].北京交通大學，2010.

[3]范興明，曾求勇，張鑫. 基于改進安時積分法的電動汽車電池SOC估計與仿真研究[J].電氣應用，2015（08）：111-115.

[4]仝猛，龐瀛洲，田建濤.基于最小二乘法更新卡爾曼濾波算法模型參數的電池SOC估算方法[J]. 2014.

[5]Cheng K W E，Divakar B P，Wu H，et al. Battery-Management System （BMS） and SOC Development for Electrical Vehicles[J]. IEEE Transactions on Vehicular Technology，2011，60（1）：76-88.

[6]史麗萍，龔海霞，李震，等.基于BP神經網絡的電池SOC估算[J].電源技術，2013，037（009）：1539-1541.