动力电池预估方法研究进展

杜 涛，李爱魁，马 军，刘 飞

(国网电力科学研究院武汉南瑞有限责任公司，湖北武汉430074)

杜 涛，李爱魁*，马 军，刘 飞

(国网电力科学研究院武汉南瑞有限责任公司，湖北武汉430074)

估计是电动汽车电池管理系统的重要功能。动力电池在使用过程中，对荷电状态准确地进行估算可以有效提高电池的使用效率，提高电池的使用寿命。电池不能直接测量，需要通过其它参数和方法间接获得。研究人员为了提高电动汽车电池估计的准确性做了大量研究工作，采用的主要方法有：安时积分法、开路电压法、神经网络法和卡尔曼滤波法及其改进的方法等。主要介绍了各种估计方法的原理及应用中存在的优缺点，评价了各种估计方法。

锂离子电池；；预估

电动汽车由于具有能源利用率高、可有效减少二氧化碳的排放、噪声小以及能量来源多样化等特点，已成为汽车产业研究的热点之一，但是目前动力电池的性能和价格限制了电动汽车推广和产业化。在现有的动力电池中，铅酸电池、氢镍电池、锂离子电池均为电动汽车的常用动力源。

1.1 安时积分法与改进的安时积分法

安时积分法是原理最简单、应用最广泛的算法。它是通过对电流的不停检测并进行积分来推断出电池释放出或吸收到的电量，从而得出电池的值。公式如下：

安时积分法的主要缺点包括三个方面：要求电流的检测频率和精度非常高，否则会导致积分误差增加，并且产生累积误差；电池充放电效率和电池的值、电流、温度、老化、内阻变化率、寿命等都有关系，效率难以准确测量，造成的估算误差越来越大。在高温或电流波动剧烈情况下，受到电流测量精度的影响，安时法精度很差，通常与其它方法配合使用。有文献报道通过判断0并利用0对进行定期或不定期的矫正的方法，可提高安时积分法的预测精度[5]。

林成涛等[6]针对安时计量法不能估计初始荷电状态(0)、难于准确测量库仑效率和电池可用容量变化的问题，提出折算库仑效率的定义，建立开路电压法、卡尔曼滤波法和安时计量法的组合方法估计电池。具体算法中，根据温度和老化对电池可用容量的影响实验建立电池容量的影响因素模型，基于

张利等[7]通过构建模型，考虑各因素对η的影响，利用模糊聚类预测法，对η进行计算。经过实验验证并结合对传统安时计量法的仿真，将二者对比放电实验结果，使用该方法将计算精度提高到了3.4%。

1.2 开路电压法与改进的开路电压法

开路电压法能够避开累积误差和效率难以确定的问题，其认为电池开路电压()和存在固定而准确的关系，通过不断地获取电池的值得到电池的值，但是准确的值要求电池断开一个小时以上以使其内部处于稳定状态，而电池实际使用过程无法满足上述要求。因此开路电压法常与安时积分法结合使用，在电池启用前，用开路电压法估算此时的0以保证准确度，启动后用安时积分法进行计算以保证实用性，但该方法预测精度依然不能完全满足要求。

曾洁等[8]采用了开路电压法与安时计量法相结合的方法。首先通过实验获得电池静态开路电压与对应的静态初始，然后基于多项式回归分析法拟合出电池静态开路电压与电池静态初始的曲线方程；而电池充放电时的变化量则用安时计量法计算。经过实验验证，此方法能够较为准确地估测出电池的。

徐欣歌等[9]通过对电池放电曲线及恢复曲线分析，拟合出电池开路电压的计算公式，用电池停止放电后的某时刻电压估计电池的开路电压的方法，解决了动态情况下预测电池开路电压的问题，在电动车上使用开路电压估算。采用建立电池模型的方法，通过实验所得数据对模型进行曲线拟合，得到最优参数，并通过另外几组数据进行验证，实验结果表明该方法预测精度为0.02%。

1.3 卡尔曼滤波法与改进的卡尔曼滤波法

卡尔曼滤波法的思想是把动态系统表示成状态空间形式，对动态系统的状态做出最小方差意义上的最优估计。当它应用于估计时，电池被看成一个动态系统，而则是系统的一个内部状态。卡尔曼滤波法估计算法的核心，是一套包括估计值和反映估计误差的协方差矩阵的递归方程，协方差矩阵用来给出估计误差范围。卡尔曼滤波法精度高，对的初始值有很强的修正作用，但是其对计算能力要求非常高。卡尔曼滤波法主要分为无色卡尔曼滤波(UKF)、扩展卡尔曼滤波(EKF)以及双卡尔曼滤波(DKF)。卡尔曼滤波只能对线性系统进行建模，而电池系统往往比较复杂，采用线性系统对电池进行建模得到的估计精度必定受到限制。EKF通过非线性函数的传播，需将非线性函数用Taylor级数展开并线性化，虽然可以求取估计误差方差，但一方面增加了计算复杂度，另一方面，在该过程中忽略了高阶项，必定会引起误差。因此，近年来通过改进卡尔曼滤波法以得到更加精确的SOC估计的方法国内外均有研究[10-11]。

采样点卡尔曼滤波通过设计少量的采样点，根据采样点经由非线性函数的传播，计算出随机向量一、二阶统计特性的传播，比扩展卡尔曼滤波能更好地逼近方程的非线性特性，从而比扩展卡尔曼滤波具有更高的估计精度。高明煜等[12]利用采样点卡尔曼滤波算法进行动力电池估计的方法和过程，对电池过程模型进行修改，使其适应不同的温度条件及不同的放电速率。利用一系列拥有状态变量均值和方差信息的采样点经由非线性系统传播，直接得到电池荷电状态的估计及其估计方差，在避免复杂的求导运算的同时进一步提高了的估计精度。最后，分析了采样点卡尔曼滤波在估计精度、收敛速度、算法复杂度及鲁棒性等方面的性能。实验表明：采样点卡尔曼滤波算法可以用来进行动力电池的快速精确估计，最大误差在5%左右。

1.4 神经网络法

神经网络与模糊控制是人工智能的两个分支。神经网络是计算机为工具，通过模拟人脑的推理、设计、思考、学习等智能行为，解决和处理复杂问题的一种方法。这种方法对于各种电池都适用，在建立较好网络模型的前提下，依靠大量的样本数据进行训练以得到好的精度，但是训练精度受训练方法和训练数据的影响很大，同时这种方法对单片机性能要求较高；模糊控制接近人的形象思维方式，擅长定性分析和推理，具有较强的自然语言处理能力。

神经网络法主要分为RBF神经网络和PB神经网络两大类。他们在结构上相似，且输出层均为线性关系。神经网络必须被训练数据所训练，在训练中通过学习确定自由参数。常用的输入量为电压、电流、温度、电阻等。输入变量和输入变量的选择将直接影响模型的准确性和计算量。该方法不需要描述输入和输出关系的的精确公式，可以在网络训练中确定，具有自适应的特征。但是它需要大量的参考数据来训练，估计误差受数据和训练方法的影响很大。

李国康[13]等分析了影响电池充放电性能的主要因素，提出了基于BP神经网络的电池SOC预测模型，并以电压和电流作为主要输入，对该模型进行了仿真实验和现场测试。从现场测试结果看，该模型最大相对误差值为5.7%，达到了较高的精度。但由于训练样本相对简单，神经网络较为简单，未引入电池内部温度和充放电次数对电池充放电容量的影响。

尹安东[14]等在分析磷酸铁锂电池充放电机理的基础上，采用levenberg-marquardt算法建立了磷酸铁锂电池的BP神经网络模型，并进行了电池值的预测。LiFePO4电池的网络预测结果与实际测试结果较吻合，其最大绝对误差在2%左右。任意选取的放电倍率为1.375情况下LiFePO4电池放电电压与变化曲线，其实际测试值与预测值误差在6%范围内。

2 结论与展望

[1] 李翔晟，杨三英，周永军.混合动力汽车电池SOC的仿真与修正[J].电源技术，2011，35(12)：1589-1591.

[2] 汤桃峰.电动车锂离子电池组SOC预估及一致性研究[D].重庆：重庆大学，2011.

[3] 蒋炜，陈立剑，陈方亮.动力锂电池组管理系统的SOC估算研究[J].船电技术，2011,31(6)：38-39.

[4]CHENG K W E，DIVAKAR B P，WU H J，et al.Battery-management system(BMS)and SOC development for electrical vehicles[J]. IEEE Transactions on Vehicular Technology,2011,60(1)：76-88.

[5]LEE S J,KIM J H,LEE J M,et al.The state and parameter estimation of a Li-ion battery using a new OCV-SOC concept[C]//Proceedings of 2007 IEEE Power Electronics Specialists Conference.Orlando：2007 IEEE PESC，2007.

[6]林成涛，陈全世，王军平，等.用改进的安时计量法估计电动汽车动力电池SOC[J].清华大学学报,2006,46(2)：247-251.

[7] 张利，王为，陈泽坚，等.新能源汽车SOC估算的模糊预测算法研究[J].电子测量与仪器学报，2011，25(4)：315-319.

[8] 曾洁，卜凡涛.基于多项式回归算法的锂电池SOC估测[J].大连交通大学学报，2011,32(4)：70-74.

[9] 徐欣歌，杨松，李艳芳，等.一种基于预测开路电压的SOC估算方法[J].电子设计工程，2011,19(14)：127-129.

[10]WANG L Y，WANG L F，LIAO C L,et al.Sigma-point kalman filter application on estimating battery SOC[J].Transactions of China Electrotechnical Society，2011，26(11)：161-167.

[11]NOVIE A W,JAEHO C.LiPB battery SOC estimation using extended kalman filter improved with variation of single dominant[J]. Parameter Journal of Power Electronics，2012，12(1)：40-48.

[12]高明煜,何志伟，徐杰.基于采样点卡尔曼滤波的动力电池SOC估计[J].电工技术学报，2011，26(11)：161-167.

[13]李国康，段玲玲，王幼兰.电动汽车锂电池SOC预测方法研究[J].沈阳理工大学学报，2011，30(2)：5-7.

[14] 尹安东，张万兴，赵韩，等.基于神经网络的磷酸铁锂电池SOC预测研究[J].电子测量与仪器学报，2011，25(5)：433-437.

Research progress ofestimation of power battery

DU Tao,LI Ai-kui*,MA Jun,LIU Fei

(State of Charge)estimation is an important function of electric vehicle battery management system. Accurate estimation ofcan improve the service efficiency and life of battery.of battery can only be measured indirectly through other parameters and methods. Researchers has done much work to improve the accuracy ofestimation.Ampere hour measurement,open circuit voltage,neural network,Kalman filter and the improved methods are taken out. The principles of these methods were introduced, and the advantages and disadvantages of these methods during applications were given,then these methods were valued.

Li-ion battery;;estimation

TM 912.9

A

1002-087 X(2015)04-0844-02

2014-09-06

国家电网公司《电动汽车动力电池梯次利用技术研究与示范》(HNDLKJ[2012]001-3)

杜涛(1984—)，男，湖北省人，工程师，硕士生，主要研究方向为储能电站。单变量电池模型实现卡尔曼滤波。使用1 1085 s的氢镍电池组FUDS实验数据验证方法精度，经与放电实验真实值比较得到的误差为2.3%，优于安时计量法的19.7%，满足电动汽车对估计误差8%的使用要求。