车用锂离子电池的SOC估算方法研究现状

陆张浩　潘正军　许祥进

摘 要：SOC（State of charge），即電池的荷电状态，它描述的是电池的剩余容量，其数值上表示为电池剩余的荷电量占电池总电量的比值，常用百分数表示。它是电池状态的一个关键指标，SOC的准确估算可以有效的提高电池使用效率，延长电池的使用寿命。荷电状态不能通过直接测量获得，而是需要其它方式来估算。本文对车用锂离子电池SOC估算方法进行了简单的描述，分析了不同方法的优缺点，最后进行了总结。

关键词：荷电状态 电池 估算

Current Status of Research on SOC Estimation Methods of Li-ion Battery for Vehicle

Lu Zhanghao Pan Zhengjun Xu Xiangjin

Abstract：SOC （State of charge）， that is， the state of charge of the battery， describes the remaining capacity of the battery， and its value is expressed as the ratio of the remaining charge of the battery to the total capacity of the battery， usually expressed as a percentage. It is a key indicator of battery status， and accurate estimation of SOC can effectively improve battery efficiency and extend battery life. The state of charge cannot be obtained by direct measurement， but needs to be estimated in other ways. This article briefly describes the SOC estimation methods for automotive lithium-ion batteries， analyzes the advantages and disadvantages of different methods， and finally summarizes them.

Key words：state of charge， battery， estimation

目前世界上各汽车生产厂家纷纷开发并推广使用电动汽车，电动汽车有着广阔的发展前景。电动汽车的蓬勃发展，促进了动力电池技术的发展，世界各大汽车公司纷纷投巨资并采取结盟的方式研究各种类型的电动车用动力电池。

电池的荷电状态（SOC）在使用过程中是一个非常重要的参数，它直接影响电池的电压、电流以及内阻等物理量，并且和电池的使用寿命、效率息息相关。所以，SOC估计是锂电池管理系统的一个核心技术。为了保证电池具有良好的性能并且拥有较长的使用寿命，必须要对电池进行一定的管理和控制，从而对电池组进行均衡充电延长电池使用寿命，因此准确有效地预测估计电池荷电状态（state of charge，SOC）是BMS中最基本和最核心的目标[1-4]。本文对目前经常使用的SOC估算方法进行了研究综述。

1 SOC的定义

电池的荷电状态SOC反映电池的剩余电量的情况，也就是在一定的放电电流下，当前电池的剩余电量与总的可用电量的比值。它的数学表达式如公式1所示[5]：

（1）

式中：Qt为电池在计算时间的剩余电量;Q0为蓄电池的总容量。

2 SOC的估算方法

2.1 安时积分法

安时积分法是最常用的SOC估算方法。安时积分法的核心思想是，通过对一段时间范围内的电流和充放电时间进行积分，计算电池电量的变化，从而求出初始状态下SOC0和变化后SOC之间的差值，就是剩余容量SOC。那么此时的SOC的计算公式为：

（2）

式中：CN为额定容量;I为电池电流;η为充放电效率。

安时积分法应用中如果电流测量不准确，会造成SOC计算误差，长期如此，误差会越变越大;要综合考虑电池的充放电效率;在高温状态以及电流波动巨大的情况下，会有明显误差;安时积分法可以应用于所有电动汽车得动力电池，如果有测量准确的电流数据，有足够的估算起始状态的数据，它是一种很简单、可靠的SOC估计方法。SOC的估算应该综合考虑环境状态、充放电倍率等参数变化的影响，对电池的SOC值进行一定的修正，从而提高估算的精度。鲍慧等[6]对传统的安时积分法进行了一定的改进，用开路电压法与改进之后的安时积分法分别进行估算，其结果误差仅仅为1.1%，从而说明，这种改进的安时积分法能够提高对电池SOC的估算精度。徐尖峰等[7]结合传统开路电压法和负载电压法，对安时积分法的不足进行补偿，综合考虑充放电效率和环境状态对电池SOC的影响，发现了一种新型的方法，与传统的安时积分法相比其SOC误差值在5%以内。

2.2 开路电压法

开路电压法的理论依据是：电池在长时间的搁置条件以后，电池的端电压和SOC有相对固定的函数关系，从而可以根据开路电压来估计SOC值，特别是在充放电的初始阶段和末尾阶段，电池的端电压有明显的变化，这种方法可以取得较为明显的效果。此方法很明显的缺点就是电池需要长时静置，从而使电压趋向稳定，电池的状态从工作逐渐趋于稳定，需要几个小时甚至可能达到十几个小时，使测量的难度加大;如何确定静置时间又是一个新的问题，所以开路电压法如果在单独使用的情况下只能用于电动汽车处于驻车的时刻。为了解决以上问题，许多研究者提出了各自的看法并验证成功。李争等[8]通过对电池充放电曲线以及自恢复曲线分析，结合等效电路模型，并运用Matlab进行模拟，最后推导出开路电压的计算公式，完成开路电压的预测，解决了开路电压法测量时间长的问题，能够更准确地计算SOC。付浪等[9]利用开路电压和卡尔曼滤波相结合得方法，以戴维宁模型为基础，通过电池测试平台对电池模型的参数进行辨识，并验证辨识参数的可靠性，采用拓展卡尔曼滤波算法了对电池的荷电状态进行估算，有效的提高了精度。

2.3 测量内阻法

内阻法与开路电壓法具有相似性，都是利用函数关系来判定电池的SOC（电池电阻与电池电量的关系）[10]。内阻法是用不同频率的交流电对电池进行激励，从而对电池内部的交流电阻进行测量，并通过建立的模型得到SOC的估算值。根据这种方法测到的电池的荷电状态能够反映电池在某种恒定电流的放电条件下的SOC值。因为电池的SOC和内阻不会存在一一对应的关系，也不可能用一个数学来准确建模。所以这种方法使用的很少。

2.4 卡尔曼滤波法

卡尔曼滤波（Kalman filtering）是利用线性系统状态方程，从系统输入输出的观测数据中，对系统状态进行最优化估计的一种算法。因为观测数据中包含了系统中的噪声以及干扰的影响，所以最优估计也可以被认为是一种滤波过程。卡尔曼滤波理论的核心思想是用状态空间形式来表示动态系统，对动态系统的状态做出最小方差意义上的最优估算。用卡尔曼滤波法对SOC进行估算的好处就是能够克服电流积分法对初始值严重依赖的缺点而且对初始的SOC精度要求不高，缺点就是结果很依赖等效模型的建立。越来越多的人对卡尔曼滤波法进行更深层次的研究。帅孟超等[11]提出一种将容积卡尔曼滤波和强跟踪滤波器相结合的强跟踪容积卡尔曼滤波算法。实验发现这种方法具有更好的精度和鲁棒性。谢中灿[12]通过建立Thevenin电池的等效电路模型并且利用拓展卡尔曼滤波迭代的算法进行锂电池SOC的在线估算。经过测试得出，在恒流充放电的情况下，这种算法在线估计SOC具有比较好的精度，在电池充电到满电量时所达到的最大误差小于5%。

2.5 神经网络法

神经网络算法的核心思想是在学习的过程中不断的调整模型的权重和偏差从而减小误差，进而提高模型的精度。神经网络SOC估计法是通过非线性映射的神经网络估计SOC[13]。参考文献[14-15]对人工神经网络法进行了解释，将电动汽车动力电池的一些参数作为输入的参数（例如电压、充放电电流和温度等参数），利用获得的样本数据进行对系统进行训练，一直训练到结果达到预期后，再利用训练好的系统，根据电池当前输入的一些参数估算动力电池的SOC。周美兰等[16]分别利用遗传算法GA和粒子群算法PSO对BP神经网络进行优化，采用优化完之后的神经网络算法对电池SOC进行预测，其SOC值的误差范围在1.0%～4.4%，对比基于遗传算法的误差范围1.6%～10%明显偏高。

人工神经网络方法具有以下的优点：能在非线性的条件下运行并且得到高精度的估算值。但是这种算法需要进行大量的数据训练，既要有超大的运算能力还需要整个系统有比较大的存储容量。

2.6 支持向量机

支持向量机（Support Vector Machine，SVM）最早是由Corinna Cortes和Vapnik提出的，这种方法是由于统计学习理论的发展而产生的。它能够将一非线性、高维模式识别的问题解决，对特定训练样本的学习精度和无错误地识别任意样本的学习能力两者之间寻找最佳折中，从而获得最好的预测能力是这种方法的核心思想。在对电池进行SOC时，SVM不需要建立精确的数学模型。因为支持向量机本身对状态量的变化就比较敏感，所以其和最小二乘类的估计对比，非线性估计中的估算精度一般较高。在电池SOC的估算中，SVM会利用大量数据点进行训练并且将训练的结果退化成一组支持向量。如果能够对支持向量机能够有比较好的优化，则SVM算法便能够对电池的SOC有一个较好的估算精度。

3 结论与展望

电动汽车电池电量管理是电池管理的核心内容之一。尽管用于动力电池 SOC估算的方法非常多，但各种算法都存在一定的不足，不能对电池SOC有一个实时高精度的估算。想要提高SOC估算的精度和准确性，应该将不同的算法进行结合，同时考虑各种影响因素以及车辆的运行工况。未来进行电池SOC的研究，可以将各种算法进行修正并且适当结合，在电池不同的充放电状况运用不同的算法，从而提高电池SOC的估算精度。

参考文献：

[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-manage-ment system （BMS） and SOC development for electrical vehicles[J].IEEE Transactions on Vehicular Technology，2011，60（1）：76-88.

[5]彭金春，陈全世，韩曾晋.电动汽车铅酸电池充放电过程建模[J].汽车技术，1997，6：5-8.

[6]鲍慧，于洋.基于安时积分法的电池 SOC 估算误差校正[J].计算机仿真，2013，30（11）：148-151，159.

[7]徐尖峰，张颖，甄玉，等.基于安时积分法的电池SOC估算[J].新能源汽车，2018，18：9-11.

[8]李争，智若东，孙宏旺，等.基于开路电压预测的SOC估算方法[J].电源技术，2017，1（7）：36-40.

[9]付浪，杜明星，刘斌，等.基于开路电压法与卡尔曼滤波法相结合的锂离子电池SOC估算[J].天津理工大学学报，2015，6：9-13.

[10]陈元丽，赵振东，陈素娟，等.动力锂电池SOC估算方法综述[J].汽车科技，2019，5：65-69.

[11]帅孟超，宋春宁，邓志刚.基于强跟踪容积卡尔曼滤波的电池SOC估计[J]. 计算机仿真，2019，1.

[12]谢中灿.扩展卡尔曼滤波在锂电池SOC估算中的应用[J]. 化工设计通讯，2018，11：141-143.

[13]杨培善，白银.电动汽车动力电池 SOC 估计算法分析[J]. 新能源汽车，2019，15：15-17.

[14]HE W，WILLIARD N， CHEN C C， et al. State of charge estima-tion for Li-ion batteries using neural network modeling and un-scented Kalman filter-based error cancellation [J]. International Journal of Electrical Power & Energy Systems， 2014， 62： 783-791.

[15]DAI H F，GUO P J， WEI X Z， et al. ANFIS （adaptive neuro-fuzzy inference system） based online SOC （State of Charge） correction considering cell divergence for the EV （electric vehicle） traction batteries[J]. Energy， 2015， 80： 350-360.

[16]周美兰，王吉昌，李艳萍. 优化的 BP 神经网络在预测电动汽车SOC 上的应用[J]. 黑龙江大学自然科学学报，2015，32（1）：129-134.