EV科普！常见动力电池SOC估算方法

电池技术发展以来，估算SOC的方法有很多种，包括传统的电流积分法、电池内阻法、放电测试法、开路电压法、负载电压法等。

比较创新的还有卡尔曼滤波方法、模糊逻辑理论方法和神经网络方法。

各种估计方法都有各自的优点和缺点。

这里简单介绍几种常用的SOC方法： （1）电流积分法 电流积分法又称安时测量法，是电池管理系统领域较常用的SOC估算方法之一。

其本质是通过累加电池充电或放电时充放电的电量来估算电池的电量。

SOC，同时根据放电倍率和电池温度对估算的SOC进行一定程度的补偿。

如果将电池在初始充放电状态下的SOC值定义为SOCt0，则经过时间t后电池剩余容量SOC为： 式中，Q为电池的额定容量，n为充放电次数效率，也称库仑效率，其值由电池充放电倍率和温度影响系数决定，i为t时刻的电流。

与其他SOC估计方法相比，电流积分法相对简单、可靠，并且可以动态估计电池的SOC值，因此得到广泛应用。

但该方法也存在两个局限性：首先，电流积分法需要提前获得电池的初始SOC值，并且必须准确采集流入或流出电池的电流，使估计误差小至可能的;其次，该方法仅使用电池的外部特性作为SOC估计的基础。

在一定程度上忽略了电池自放电率、老化程度和充放电倍率对电池SOC的影响。

长期使用也会导致测量误差的积累和扩大，因此有必要引入相关的修正系数来修正累积的误差。

(2)放电测试方法放电测试方法是将目标电池以恒定电流连续放电直至电池的截止电压。

这个放电过程所花费的时间乘以放电电流值，就被视为电池的剩余容量。

该方法一般用作电池SOC估算或电池后期维护工作的校准方法。

当电池SOC值未知时使用该方法。

它比较简单、可靠，结果也比较准确。

同时适用于不同类型的电池。

全部有效。

然而，放电测试方法也有两个缺点：一是该方法的测试过程需要花费大量时间；二是放电测试方法需要花费大量时间。

其次，使用该方法时，需要将目标电池从电动汽车上拆下，因此该方法不能用于计算工作状态下的动力电池。

（3）开路电压法开路电压法是根据电池的开路电压（OCV）与电池内部锂离子浓度的变化关系，间接拟合其一一对应关系。

和电池 SOC。

。

在实际操作中，电池需要以固定的放电倍率（通常为1C）进行完全充电和放电，直至电池在截止电压处停止放电。

根据该放电过程，得到OCV与SOC的关系曲线。

当电池处于实际工作状态时，根据电池两端的电压值查找OCV-SOC关系表即可得到当前电池的SOC。

虽然这种方法对各种电池都有效，但它也有其自身的缺点：首先，在测量OCV之前，必须将目标电池静置1小时以上，以便使电池内部的电解液均匀分布，以获得端电压稳定；第二，电池在不同的温度或不同的寿命周期，虽然开路电压相同，但实际的SOC可能有较大差异。

长期使用该方法测量结果并不能保证完全准确。

因此，开路电压法与放电测试法一样，不适合估算电池在运行过程中的SOC。

(4)卡尔曼滤波方法 卡尔曼滤波方法是美国数学家R.E.提出的一种新型最优自回归数据滤波算法。

卡尔曼在 20 世纪 60 年代初发表的论文《线性滤波和预测理论的新成果》 中。

该算法的本质是能够基于最小均方误差原理对复杂动态系统的状态做出最优估计。

卡尔曼滤波方法将非线性动态系统线性化为系统的状态空间模型。

在实际应用中，系统根据前一时刻的估计值和当前时刻的观测值来更新需要获得的状态变量，遵循“预测-测量-修正”的模式，消除了随机偏差和干扰。

系统。

当使用卡尔曼滤波方法估计动力电池的SOC时，电池被转化为电力系统形式的状态空间模型，SOC成为模型内的状态变量。

所建立的系统是一个线性离散系统。

由于卡尔曼滤波方法不仅可以修正系统初始误差，还可以有效抑制系统噪声，因此在工况非常复杂的电动汽车动力电池的SOC估计中具有重要的应用价值。

但该方法也存在两个缺陷：首先，卡尔曼滤波方法估算SOC的准确性很大程度上取决于电池模型的准确性。

动力电池本身具有高度非线性工作特性，并没有经过卡尔曼滤波方法处理。

线性化处理后不可避免地会出现误差。

如果模型建立得不够准确，估计的结果可能不可靠。

其次，该方法涉及的算法非常复杂，需要计算量巨大，需要计算周期长，并且对硬件性能要求严格。

(5)神经网络方法神经网络方法是模拟人脑及其神经元来处理非线性系统的新算法。

不需要深入研究电池的内部结构。

只需要预先从目标电池中提取大量符合其工作特性的信息即可。

通过将输入和输出样本输入到使用该方法构建的系统中，可以获得运行SOC值。

该方法的后处理比较简单。

不仅可以有效避免卡尔曼滤波方法中对电池模型进行线性化带来的误差，而且可以实时获取电池的动态参数。

但神经网络方法初始工作量较大，需要提取大量综合目标样本数据来训练系统。

输入的训练数据和训练方法会在很大程度上影响SOC的估计精度。

另外，在电池温度、自放电率和电池老化等因素的复杂影响下，如果长期使用这种方法，估算同一组电池SOC值的准确性会大大降低。

因此，该方法在动力电池的SOC估算工作中并不多见。