電動(dòng)汽車(chē)需要安全、高效的電池作為動(dòng)力來(lái)源。鋰電池因為其工作電壓平穩、能量密度和充電效率高、自放電率低、沒(méi)有記憶性、使用壽命長(cháng)等優(yōu)點(diǎn)被用作新一代電動(dòng)汽車(chē)理想的動(dòng)力源。如何實(shí)現電池剩余電量的準確估算對提高鋰電池的最大利用率、不斷優(yōu)化電池技術(shù)意義重大。在電動(dòng)汽車(chē)的研究與開(kāi)發(fā)中，準確地預測電池的ＳＯＣ對發(fā)揮電動(dòng)汽車(chē)的最佳性能、預測電動(dòng)車(chē)的續駛里程有著(zhù)至關(guān)重要的作用。但是鋰電池的荷電狀態(tài)不能直接測出，而且受充放電的速率、電池的老化程度、電池的內阻等諸多因素的影響，使其精確快速的測量具有一定難度。在閱讀了大量相關(guān)文獻的基礎上，文中綜合闡述了目前鋰電池荷電狀態(tài)的一些主要預測方法，并對各類(lèi)方法的優(yōu)缺點(diǎn)進(jìn)行了比較。

一、荷電狀態(tài)（SOC）定義

SOC即State of Charge，指電池的荷電狀態(tài)。從電量、能量等不同的角度，SOC有多種不同的定義方式。美國先進(jìn)電池聯(lián)合會(huì )（USABC）定義的SOC被廣泛采用，即電池在一定的放電倍率下，剩余電量與相同條件下額定容量的比值。相應的計算公式為：

式中，Q_m為電池按照恒定的電流I進(jìn)行放電時(shí)的最大放電容量；Ｑ(I_n)為在t時(shí)間里，標準的放電電流I下電池所釋放的電量。

二、鋰電池荷電狀態(tài)預測方法

鋰電池的荷電狀態(tài)是電池管理系統的重要參數之一，也是整個(gè)汽車(chē)的充放電控制策略和電池均衡工作的依據。但是由于鋰電池本身結構的復雜性，其荷電狀態(tài)不能通過(guò)直接測量得到，僅能根據電池的某些外特性，如電池的內阻、開(kāi)路電壓、溫度、電流等相關(guān)參數，利用相關(guān)的特性曲線(xiàn)或計算公式完成對荷電狀態(tài)的預測工作。

鋰電池的荷電狀態(tài)估算是非線(xiàn)性的，目前常用的方法主要有放電實(shí)驗法、開(kāi)路電壓法、安時(shí)積分法、卡爾曼濾波法、神經(jīng)網(wǎng)絡(luò )法等。

1 放電實(shí)驗法

放電實(shí)驗法的原理是：以恒定的電流使電池處于不間斷的放電狀態(tài)，當放電到達截止電壓時(shí)對所放電量進(jìn)行計算。放電電量值為放電時(shí)所采用的恒定電流值與放電時(shí)間的乘積值。放電實(shí)驗法經(jīng)常在實(shí)驗室條件下估算電池的荷電狀態(tài)，并且目前許多電池廠(chǎng)商也采用放電法進(jìn)行電池的測試。

它的顯著(zhù)優(yōu)點(diǎn)是方法簡(jiǎn)單，估算精度也相對較高。其缺點(diǎn)也很突出：不可以帶負載測量，需要占用大量的測量時(shí)間，并且放電測量時(shí)，必須中斷電池之前進(jìn)行的工作，使電池置于脫機狀態(tài)，因此不能在線(xiàn)測量。行駛中的電動(dòng)汽車(chē)電池一直處于工作狀態(tài)，其放電電流并不恒定，此法不適用。但放電實(shí)驗法可在電池檢修和參數模型的確定中使用。

2 開(kāi)路電壓法

電池長(cháng)時(shí)間充分靜置后的各項參數相對穩定，此時(shí)的開(kāi)路電壓與電池荷電狀態(tài)間的函數關(guān)系也是相對比較穩定的。若想獲得電池的荷電狀態(tài)值，只需測得電池兩端的開(kāi)路電壓，并對照OCV-SOC曲線(xiàn)來(lái)獲取相應信息。

開(kāi)路電壓法的優(yōu)點(diǎn)是操作簡(jiǎn)單，只需測量開(kāi)路電壓值對照特性曲線(xiàn)圖即可獲得荷電狀態(tài)值。但是其缺點(diǎn)有很多：首先此方法要想獲得準確值，必須使電池電壓處于相對穩定狀態(tài)，但電池往往需要長(cháng)時(shí)間的靜置，方可處于此狀態(tài)，從而無(wú)法滿(mǎn)足實(shí)時(shí)監測要求，往往應用于電動(dòng)汽車(chē)長(cháng)時(shí)間的駐車(chē)時(shí)。

當電池充放電比率不同的情況下，由于電流的波動(dòng)會(huì )使電池開(kāi)路電壓發(fā)生變化，從而導致電池組的開(kāi)路電壓不一致，使得預測的剩余電量與電池實(shí)際剩余電量產(chǎn)生較大偏差。

3 安時(shí)積分法

安時(shí)積分法不考慮電池內部的作用機理，根據系統的某些外部特征，如電流、時(shí)間、溫度補償等，通過(guò)對時(shí)間和電流進(jìn)行積分，有時(shí)還會(huì )加上某些補償系數，來(lái)計算流入流出電池的總電量，從而估算電池的荷電狀態(tài)。目前安時(shí)積分法在電池管理系統中被廣泛應用。安時(shí)積分法的計算公式如下：

式中，SOC₀是電池電荷狀態(tài)的初始電量值；C_E是電池的額定容量；I(t)為電池在t時(shí)刻的充放電電流；t為充放電的時(shí)間；η為充放電效率系數，又被稱(chēng)作庫倫效率系數，代表了充放電過(guò)程中電池內部的電量耗散，一般以充電放電的倍率和溫度修正系數為主。

安時(shí)積分法的優(yōu)點(diǎn)是受電池自身情況的限制相對較小，計算方法簡(jiǎn)單、可靠，能夠對電池的荷電狀態(tài)進(jìn)行實(shí)時(shí)的估算。其缺點(diǎn)是由于安時(shí)計量法在控制中屬于開(kāi)環(huán)的檢測，如果電流的采集精度不高，給定的初始荷電狀態(tài)有一定誤差，伴隨著(zhù)系統運行時(shí)間的延伸，之前產(chǎn)生的誤差會(huì )逐漸累積，從而影響荷電狀態(tài)的預測結果。并且由于安時(shí)積分法只是從外特性來(lái)分析荷電狀態(tài)，多環(huán)節存在一定誤差。從安時(shí)積分法計算公式中可以看出，電池的初始電量對計算結果的準確性影響較大。

為了能使電流測量的精度得到提高，通常采用高性能的電流傳感器來(lái)測量電流，但這樣加大了成本。為此，許多學(xué)者在應用安時(shí)積分法的同時(shí)應用開(kāi)路電壓法，將二者結合。開(kāi)路電壓法用來(lái)估算電池的初始荷電狀態(tài)，安時(shí)積分法用于實(shí)時(shí)估算，并且在算式中添加相關(guān)修正因子，以提高計算準確性。

4 卡爾曼濾波法

卡爾曼濾波算法是利用時(shí)域狀態(tài)空間理論的一種最小方差估計，屬于統計估計的范疇，宏觀(guān)上就是盡可能減小和消除噪聲對觀(guān)測信號的影響，其核心是最優(yōu)估計，即系統的輸入量在預估基礎上對狀態(tài)變量進(jìn)行的有效修正。

該算法的基本原理是：將噪聲與信號的狀態(tài)空間模型作為算法模型，在測量時(shí)，應用當前時(shí)刻的觀(guān)測值與上一時(shí)刻的估計值，對狀態(tài)變量的估算進(jìn)行更新?？柭鼮V波算法對鋰電池荷電狀態(tài)進(jìn)行預測的實(shí)質(zhì)是安時(shí)積分法，同時(shí)用測量的電壓值來(lái)對初步預測得到的值進(jìn)行修正。

卡爾曼濾波法的優(yōu)點(diǎn)是適合計算機對數據進(jìn)行實(shí)時(shí)運算處理，應用范圍廣，可以用于非線(xiàn)性系統，對行駛過(guò)程中電動(dòng)汽車(chē)的荷電狀態(tài)預測具有較好的效果?？柭鼮V波法的缺點(diǎn)是對電池模型的準確程度依賴(lài)較大，為了提高該算法預測結果的準確性和精度，需要建立可靠的電池模型。此外，卡爾曼濾波法的算法相對比較復雜，因此其計算量也相對較大，對運算器的性能有較高要求。

5 神經(jīng)網(wǎng)絡(luò )法

神經(jīng)網(wǎng)絡(luò )的目的是模仿人類(lèi)的智能行為，通過(guò)并行結構與自身較強的學(xué)習能力獲得數據表達的能力，能夠在外部激勵存在時(shí)給出相應的輸出響應，并使具有良好的非線(xiàn)性映射能力。

神經(jīng)網(wǎng)絡(luò )法應用于鋰電池荷電狀態(tài)檢測的原理是：將大量相對應的電壓、電流等外部數據以及電池的荷電狀態(tài)數據作為訓練樣本，通過(guò)神經(jīng)網(wǎng)絡(luò )自身學(xué)習過(guò)程中輸入信息的正向傳播和誤差傳遞的反向傳播反復進(jìn)行訓練和修改，在預測的荷電狀態(tài)達到設計要求的誤差范圍內時(shí)，通過(guò)輸入新的數據來(lái)得到電池的荷電狀態(tài)預測值。

神經(jīng)網(wǎng)絡(luò )法的優(yōu)點(diǎn)是可以對各種電池的荷電狀態(tài)進(jìn)行估算，適用范圍廣；不需要建立特定的數學(xué)模型，不用考慮電池內部復雜的化學(xué)變化過(guò)程，只需選擇合適的樣本，以及建立較好的神經(jīng)網(wǎng)絡(luò )模型，并且樣本數據越多，其估算的精度越高；能夠隨時(shí)確定電池的荷電狀態(tài)。神經(jīng)網(wǎng)絡(luò )法的缺點(diǎn)是對硬件要求較高，訓練時(shí)所采用的數據樣本的準確性、樣本容量和樣本分布以及訓練方法都會(huì )對電池的荷電狀態(tài)預測產(chǎn)生很大的影響。

掃描二維碼歡迎關(guān)注中山市賽威新能源科技有限公司

賽威光華  只為美麗而來(lái)