鉅大LARGE | 點擊量：541次 | 2024年01月12日
有關動力鋰離子電池SOC以及常見估算的方法介紹
一、?SOC的含義
SOC，全稱是StateofCharge，荷電狀態(tài)，也叫剩余電量，用來反映電池的剩余容量，其數(shù)值上含義為剩余容量占電池容量的比值。假如以電池充滿狀態(tài)含義為SOC=1，含義式可表示為
或
式中，QC為電池剩余的電量，CI為電池以恒定電流I放電時所具有的容量，Q為已放出電量。
注：目前業(yè)內關于電池充滿一般含義為：在一定溫度(如20度)下以一定電流(如0.3C)充電，達到單體最高電壓后轉為恒壓充電，直到充電電流小于一定值(如0.03C)；關于電池放空(SOC為0%)也有類似的含義。
符合Exic IIB T4 Gc防爆標準
充電溫度：0~45℃
-放電溫度：-40~+55℃
-40℃最大放電倍率：1C
-40℃ 0.5放電容量保持率≥70%
美國先進電池聯(lián)合會（USABC）的《電動汽車電池實驗手冊》中將SOC含義如下：在指定的放電倍率下，電池剩余電量與等同條件下額定容量的比值。
式中，Q0為電池剩余的電量，QN為電池在等同條件下額按時所具有的容量。此外還有日本本田公司的電動汽車（EVPlus）含義SOC如下：
二、SOC及估算的意義
在新能源汽車的運行中要動力鋰電池供應動力源，而電池荷電狀態(tài)預測器能夠預測電池剩余電量，進而可以預測電池的續(xù)航時間和續(xù)航里程。實際應用中，受到溫度、充放電、自放電、一致性、以及電池老化現(xiàn)象發(fā)生等因素的影響，破壞了動力鋰電池自身能量的保持能力，造成容量衰減，很難精準地獲取SOC值。所以我們要根據(jù)電池的可測量值如電壓電流結合電池內外界影響因素（溫度、壽命等）來實現(xiàn)電池SOC的估算算法。但是SOC受自身內部工作環(huán)境和外界多方面因素而呈非線性特性，所以要實現(xiàn)良好的SOC估算算法必須克服這些問題。目前，國內外在電池SOC估算上已經部分實現(xiàn)并運用到工程上，如電流積分法、開路電壓法等。這些算法共同特點是易于實現(xiàn)，但是對實際工況中的內外界影響因素缺乏考慮而導致適應性差，難以滿足BMS對估算精度不斷提高的要求。因此在考慮SOC受到多種因素影響后，一些較為復雜的算法被提出,例如：卡爾曼濾波算法、神經網絡算法、模糊估計算法等新型算法，相比于之前的傳統(tǒng)算法其計算量大，但精度更高，其中卡爾曼濾波在計算精度和適應性上都有很好的表現(xiàn)。
三、常見估算的方法
（一）電流積分法
電流積分法又被稱為安時法，也是計算電池SOC的基礎。假設當前電池SOC初始值為SOC0，在經過t時間的充電或放電后SOC為：
Q0是電池的額定容量，i(t)是電池充放電電流（放電為正）。事實上，SOC含義為電池的荷電狀態(tài)，而電池荷電狀態(tài)就是電池電流的積分，所以理論上講安時法是最準確的。同時，它也易于實現(xiàn)，只需測量電池充放電電流和時間，而在實際工程應用時，采用離散化計算公式如下：
在電池實際工作中使用電流積分法計算SOC，受到測量誤差和噪聲干擾因素會對測量結果造成影響從而無法正確估算SOC（自放電及溫度等因素也沒有考慮），同時電池的初始SOC值無法通過電流積分法得到。通常使用上次電池充放電保留的SOC值作為下次計算初始值，但這樣會使SOC誤差不斷累積。所以實際工程上電流積分法一般作為其他算法的基礎或結合其他算法來進行估算。
（二）放電試驗法
放電試驗法是將目標電池進行持續(xù)的恒流放電直到電池的截止電壓，將此放電過程所用的時間乘以放電電流的大小值，即作為電池的剩余容量。該方法一般作為電池SOC估算的標定方法或者用在蓄電池的后期維護工作上，在不了解電池SOC值的情況下采用此方法，相對簡單、可靠，并且結果也比較準確，同時對不同種類的蓄電池都有效。但是放電試驗法也存在兩點不足：第一，該方法的試驗過程要花費大量的時間；第二，使用此方法時要將目標電池從電動汽車上取下，因此該方法不能用來計算處于工作狀態(tài)下的動力鋰電池。
（三）開路電壓法
是根據(jù)電池的開路電壓（OpenCircuitVoltage，OCV）與電池內部鋰離子濃度之間的變化關系，間接地擬合出它與電池SOC之間的一一對應關系，即電池的電動勢與電池的SOC之間存在一定的函數(shù)關系，由此可以通過開路電壓進行測量從而得到電池的SOC值。要通過開路電壓法得到電池電動勢的準確值，首先要電池靜置一段時間，此時的開路電壓（OCV）的值可以認為與其電動勢數(shù)值相等，這樣就可以得到電池電動勢并以此得到電池的SOC。通過實驗獲得鋰離子電池充放電的SOC-OCV曲線，然后根據(jù)SOC-OCV曲線查詢不同開路電壓的SOC值。開路電壓法要電池在一段時間靜置下以消除電池電壓、容量在外界因素影響下造成的誤差，不適用于電池SOC的實時測量。另外，電池SOC在中間段開路電壓變化很小，導致中間SOC測量及估算誤差較大。
（四）卡爾曼（Kalman）濾波法
卡爾曼濾波法是美國數(shù)學家卡爾曼（R.E.Kalman）在上世紀60年代初發(fā)表的論文《線性濾波和預測理論的新成果》中提出的一種新型最優(yōu)化自回歸數(shù)據(jù)濾波算法。是利用系統(tǒng)和測量動態(tài)的知識、假設的系統(tǒng)噪聲和測量誤差的統(tǒng)計特性，以及初始條件信息，對測量值進行處理，求得系統(tǒng)狀態(tài)的最小誤差估計。電動汽車用的電池組，可看作是由輸入和輸出組成的動態(tài)系統(tǒng)。在了解系統(tǒng)一定先驗知識的前提下，建立系統(tǒng)的狀態(tài)參數(shù)方程，再利用輸出的校驗用途，獲得對系統(tǒng)包括荷電狀態(tài)在內無法直接測量的內部參數(shù)估計。在電池等效電路模型或電化學模型的基礎上，建立系統(tǒng)的狀態(tài)方程和測量方程。根據(jù)電池組放電試驗數(shù)據(jù)，應用卡爾曼濾波算法估計電池組的開路電壓，實現(xiàn)對電池荷電狀態(tài)的估計。其優(yōu)點是能夠根據(jù)采集到的電壓電流，由遞推法法得到SOC的最小方差估計，解決SOC初值估計不準和累計誤差的問題；缺點是對電池模型依賴性很強，對系統(tǒng)處理器的速度要求較高。
（五）神經網絡法
神經網絡法是模擬人腦及其神經元用以處理非線性系統(tǒng)的新型算法，無需深入研究電池的內部結構，只需提前從目標電池中提取出大量符合其工作特性的輸入與輸出樣本，并將其輸入到使用該方法所建立系統(tǒng)中，就能獲得運行中的SOC值。該方法后期處理相對簡單，即能有效防止卡爾曼濾波法中要將電池模型作線性化處理后帶來的誤差，又能實時地獲取電池的動態(tài)參數(shù)。但是神經網絡法的前期工作量比較大，要提取大量且全面的目標樣本數(shù)據(jù)對系統(tǒng)進行訓練，所輸入的訓練數(shù)據(jù)和訓練的方式方法在很大程度上都會影響SOC的估計精度。此外，在電池溫度、自放電率和電池老化程度不統(tǒng)一等因素的復雜用途下，長期使用該方法估算同一組電池的SOC值，其準確性也會大打折扣。因此，在動力鋰電池的SOC估算工作中該方法并不多見。
