电动汽车动力电池SOC 估计算法分析＊

杨培善，白银

（宿州职业技术学院，安徽 宿州 234000）

前言

电动汽车常使用动力电池作为动力源，因此，电池管理技术是电动汽车的其中一项较为关键的技术。电池管理技术就是对电池的充、放电进行系统的管理，即电池管理系统（BMS）。电池管理系统以SOC 的在线估计为核心，对电池的电流、电压、温度、最大充电及放电功率进行计算，并具有热管理、均衡管理、防止电池过充电和过放电、漏电保护及故障诊断等功能。其中，电池荷电状态是电池管理系统最重要的指标，它反映电池的剩余电量，预估续航里程，精度越高，续航里程数越高。本文简要介绍了SOC 的定义及影响因素，重点对几种经常使用的SOC 估算方法进行了详细的比较分析。

1 SOC 定义及其影响因素

电池荷电状态SOC 计算的是电池的剩余电量，它是电池当前容量与额定容量的比值，它是保证电池安全充放电的重要参数。美国先进电池协会对电池荷电状态是这样定义的：在特定的放电倍率条件下，动力电池剩余电量与其额定容量的百分比，其数学表达式为式（1）：

式中：为剩余电量；为额定容量。

动力电池完全充满电时，SOC=100%；动力电池完全放电时，SOC=0%。

其中电池的充放电倍率、环境温度、老化周期以及自放电倍率等都会影响动力电池的荷电状态，所以，为了高精度估算电池的荷电状态需要综合考虑每一个影响因素。

2 SOC 估算方法分析

2.1 安时法

安时积分法是一种简单常用的SOC 估算方法，它利用积分的方法对动力电池的电流运算，得到动力电池放电的电量，因此，对动力电池电流测量的准确性决定着安时积分法的准确性。具体计算公式如下：

其中为初始时刻的SOC 值；CN——动力电池的标称总容量，A·h；η——动力电池充放电效率；I——充放电电流，A。

安利积分法没有考虑内在的电化学反应及温度等多种参数的影响。如果电流测量存在较大的误差，短期内没有太大的精度问题，但随着积分的累积，误差也将越来越大，需要定期采用其他方法进行校正。其次，SOC 的初始状态对SOC估计的准确性也有很大影响。因此，安时积分法较多应用于对SOC 值精度要求不高的场合，如铅酸电池作为动力电池的电动汽车的能量管理。若想用于其它高精度较的估算，则必须结合其它算法进行改进，如开路电压法和卡尔曼滤波法。

2.2 开路电压法

动力电池的开路电压与电池的荷电状态SOC 是一一相对应的，所以，我们可以用开路电压来估计电池的SOC。开路电压法的一个缺陷是电池在某一个工作点的开路电压需要几个小时恢复时间才能稳定至SOC 的对应值。但它在电池充电的初期和末期效果不错，所以开路电压常常与其它方法配合，较多地应用于对SOC 值精度要求较高的场合，例如采用锂离子电池作为常规动力源的主流电动汽车的能量管理。

2.3 负载电压法

如果电池工作的工况是恒定电流，那么相应的工作电压与开路电压一样，也存在与SOC 值一一对应的关系。但汽车行驶的时候，载荷通常变化较大，电池的工作工况是不稳定的，所以这种方法很难单独用于电动汽车的能量管理。和开路电压法一样，负载电压法往往和其他方法结合使用。

2.4 内阻法

内阻一般可分为直流内阻和交流内阻，内阻法是通过测量电池的直流内阻来估算SOC 的方法，它曾广泛应用于传统汽车车载电源铅酸电池充放电管理。在铅酸电池充电后期，电池的直流阻抗会随SOC 的变化而明显改变，所以这时也可以利用直流阻抗估计电池的SOC 值。电池温度会严重影响电阻内阻（特别是交流内阻），从而影响到内阻法SOC 估计精度交流。镍氢电池与锂离子电池的内阻与荷电状态SOC 的关系与铅酸电池相比更加复杂，内阻法没有应用于锂离子电池的SOC 估算。现代汽车多用锂离子电池作为动力电池，所以，内阻法也很难在电动车上应用。内阻法虽然可以可以与安时积分法结合对动力电池的放电后期的SOC 的估算，但随着其它智能算法的应用，此方法的应用越来越少。

2.5 放电实验法

最准确的电池荷电状态测量方法非放电实验法莫属。在电池的某一个工作点，采用恒定的电流放电至电池的工作截止电压，放电时间与放电乘积即放出的电量，也就是电池在这个工作点的剩余电量，据此可以得到这个工作点的准确的SOC。本方法适用于所有电池，但需要电池停止工作，而且需要大量的时间，不能即时得到SOC 的值，所以只能在实验室使用和用于SOC 的标定，不能用于行驶中的电动汽车。

2.6 卡尔曼滤波法

卡尔曼滤波法及其改进算法因为良好适应性在电池荷电状态SOC 估算中得到了越来越广泛的应用。这个估计方法可以应用于电动汽车的各种复杂的工况，它把动力电池作为一个动态系统来研究，荷电状态SOC 是动力电池的一个状态变量，而把电流、温度等是系统的输入变量，工作电压是系统的输出变量，通过在线迭代对SOC 进行最优估计。这个方法具有较强的适应性，同时可以给出估计的误差，但对于硬件及电池模型的要求较高，计算量较大，同时卡尔曼滤波吱的前提是假设所有噪声为白噪声，这也是它的一个局限性。

2.7 人工神经网络法

采用非线性映射的神经网络估计SOC 的方法称为神经网络SOC 估计法。人工神经网络估算法目前常使用3 层神经网络结构：输入层、中间层和输出层。输入层与输出层的神经元个数由动力电池模型的实际需求来确定，中间层神经元个数由模型的复杂程度和分析精度来确定。用于SOC 估计的神经网络的输入变量一般为电压、电流、累计放出电量、电池温度、内阻环境温度等。该方法可以应用于各种类型的汽车动力电池，若电池模型的神经网络训练得也较好，SOC 估算误差可以达到小于10%。在实际的使用时，神经网络法的估算精度在很大程度上会受到训练样本和训练方法的影响，且易受干扰。

2.8 支持向量机

本方法是一种基于支持向量机的荷电状态SOC 估算方法，支持向量机是统计学习理论发展的产物。由于支持向量机自身对状态量的变化比较敏感，因此其在线非线性估计中的估计精度一般高于最小二乘类的估计。在SOC 估计中，支持向量机利用很多数据点进行训练并交训练结果退化成一组支持向量。若支持向量机能被很好的优化，则支持向量机算法就能够产生较精确的SOC 估算精度。

3 结论与展望

电动汽车SOC 估算是电动汽车能量管理系统的一项关键技术。虽然动力电池SOC 估算的方法很多，但由于各种算法单独使用时又都有其相应的局限性，一般和其它的方法结合使用。想要提高精度及准确性需要通过大量的试验来建立相应的数据库，通过硬件技术，增加动力电池的电压和电流的测量精度和准确性，通过相应的动力电池模型，精确表征电池充放电过程的动态性能，通过综合各种算法，扬长避短，最大程度上提高其估算的准确性。