电池荷电状态估算方法综述

SOC，State of Charge，电池荷电状态，是反应电池包内当前电量占总体可用容量百分比的一个参数。驾驶员根据满电状态总的里程数，可以推断出当前电量的续航能力。同时是作为动力电池性能的重要评价指标,是判断动力电池是否过充电、过放电，保证高效均衡，亦是动力电池安全、可靠运行的重要保障。与电压电流等基础参数的检测方法不同，电池SOC值无法直接测量，只能通过对基础参数电池端电压、电流、内阻、温度等的综合分析，并利用算法估算获取，且易受环境、老化及工况等因素影响。

本文将对目前市面上应用最多的几种SOC估算算法进行阐述。

一、安时积分法+开路电压法估算SOC

开路电压法是最简单的 SOC 估算方法。在静态条件下,电池的开路电压 OCV与SOC之间存在比例关系，通过检测电池的 OCV 值即可得出相应的 SOC 值，利用电池静置状态的 OCV 值通过查来估算 SOC 初值。

开路电压法的不足之处是:由于回滞效应的存在，停止充放电后电压在一定时间内电压会小幅度的降低，电池组需停止充放电且静置一定时间才能准确检测电池组的OCV 值,按照相关经验统计，锂电池约需要 30 min 来完全消除回滞。安时积分法是在电池组充放电过程中通过对电流在时间上进行积分运算，计算电池组使用电量的变化来估算SOC。该方法将电池组视作一个封闭系统,在进行剩余电量估算时,仅需对电池组的充放电电量进行计量并累加,将时间上累积的充放电电量与满电荷电状态的额定电量的比值来进行电池组当前电量的估算。通过安时积分法来计算当前状态SOC 的公式具体如下:

式中：SOC0为满电荷电状态；QN 为电池组标称容量；i为电池组充放电电流；η为充放电效率。

安时积分法的不足之处是：一方面在电池组的生命周期中，随着使用周期的推移SOC估算误差会积累得越来越大；另一方面依赖于充放电电流的采样精度，若电流采样精度较低易造成准确性严重降低。

考虑到目前成本及硬件的算力，并结合开路电压法和安时积分法的优劣势，开路电压法+安时积分法是目前市面使用最多，应用最广泛的SOC算法，在不同场景下结合使用两种算法可有效提高SOC估算精度，例如在静态条件下,电池的开路电压 OCV与SOC之间存在比例关系，通过OCV读取对应SOC值来校正在电池组的生命周期中，随着使用周期的推移SOC估算误差。

二、卡尔曼滤波算法估算SOC

电池的SOC受多种因素的影响，并且会随着用户驾驶模式的改变而不断发生变化。卡尔曼滤波的目的是从数据流中除去噪声干扰。它是通过预测新的状态和它的不确定性，然后用新的测量值校准预测值来实现的。

卡尔曼滤波算法也是估算SOC值的一种有效算法，一般地，Kalman滤波器算法都是基于以下两条基本方程的：

其中上式别称为状态方程，下式被称为量测方程，其中Xk 是系统的状态变量，Zk 是系统的观测变量，系统的过程激励噪声与观测噪声分别用随机信号Wk 和Vk 表示，  表示系统激励。

在大功率电池的工作过程中，一般以电池的工作电流ik 作为系统激励，即在上式中  = ik ；另外，一般以电池两端的工作电压Uk 作为观测变量，即使Zk = Uk 。

与其他估算方法相比，应用卡尔曼滤波算法有以下几点好处：

第一，任何时刻均适用。开路电压法只适用于电池闲置一段时间，电压回弹比较充分的情况，而在电池正常工作的情况下，使用开路电压法是不准确的。而卡尔曼滤波算法是适用任何状态下的电池，无论电池处于闲置、放电、能量回收等任何状态。

第二，有助于修正初始值。安时积分法比较致命的缺点是对初始值依赖性以及误差累积，若SOC的初始值计算有误差，则这样的误差将一直累积。卡尔曼滤波算法则能克服这个不足，任何时候都可以对这样的误差进行修正，即使SOC 的初始值的误差很大，经过一段时间以后，滤波器也会把这样的误差消除掉。

第三，有助于优化传感器精度不足的问题。BMS受成本及可靠性等多方面因素的制约，传感器的精度有时会发生漂移，从而导致SOC的评估误差较大，而卡尔曼滤波算法就有助于克服这一缺陷。其原理可类比于对一个被测量的对象进行多次观察，从而克服随机误差。

第四，有助于消除电磁干扰的影响。电池状态监测不准确有一部分原因来源于传感器所受的电磁干扰，在电动汽车上，这样的电磁干扰是尤为突出的。采用了卡尔曼滤波算法有助于消除电磁干扰的影响。当然，从理论分析可知，卡尔曼滤波算法只是有助于消除那些服从正态分布的噪声。

三、神经网络算法估算SOC

神经网络由大量的神经元通过相互连接而形成网络，常用来模拟复杂的非线性系统动力学特性。电池具有复杂的非线性特性，很难从机理角度建立电池SOC模型,因此很适合用神经网络来建立模型。电池S0C神经网络模型以电池的电压、电流及温度作为系统的输入量，以电池S0C作为系统的输出量，电池S0C神经网络模型不用涉及电池内部的工作机理,只是用神经网络逼近系统输入量与输出量之间的非线性关系。

以BP人工神经网络应用于SOC估算为例，BP人工神经网络将大量功能简单的神经元通过一定的拓扑结构组织起来，构成群体并行处理的计算机构。根据神经元的不同连接方式，可将神经网络分为两类：分层神经网络和相互连接型神经网络。根据动力电池数据采集及SOC估算特点，采取多层前向型神经网络，其结构如下：

此结构一般分为输入层、隐含层和输出层。输入层连接外部输入信号，由各输入单元将输入信号传送给隐含层的各单元。隐含层是神经网络的内部处理单元层，隐含层可以有多层，也可以一层也没有。输出层产生神经网络的输出信号。

BP人工网络模用于非线性函数的拟合，以非线性函数输入输出数据训练网络，使训练后的网络能够实现对非线性函数的预测，使用电池测试平台测试电池参数，通过收集到的大量参数（单体电池电压、单体温度、总电流及总电压等）作为神经网络训练网络数据。

神经网络的不足之处是：对于复杂的非线性系统，神经网络预测的准确性和训练数据的多少有较大关系，如果缺乏足够的数据，网络的预测可能存在较大的误差，同时由于成本、硬件算力等问题，在实际应用中该种算法并不能起到很好的在线预测作用。

四、其他小众算法估算SOC

1.模糊逻辑算法

模糊逻辑是从含糊、模棱两可或不精确的信息中提炼出确切结论的简单的方法。它从近似数据中找到确切答案的工作能力类似于人类的决定。

不同于经典逻辑，需要一个系统的深刻理解、精确方程和准确的数值，模糊逻辑允许使用来源于我们的知识和经验的更高的抽象提炼来建模。它允许用诸如大、小、非常热明亮的红色、长时间、快或慢这样的主观概念来表达这种知识。这种对专业知识定性的语言描述更像是一种天性而不是对一个系统的数值描述，并且与数值系统相比，它的算法开发相对简单。系统的输出可以被映射到精确的数值范围来表征系统特性。模糊逻辑广泛应用于自动化控制系统。使用这种技术，可以用上所有能获取的表征电池性能的信息来得出对电池SoC或者SoH更准确的估计。

2.内阻法

一般将电池内阻分为交流阻和直流内阻。交流阻抗是一个复数变量，表示电池对交流电的反抗能力，可用交流阻抗仪来测量。直流内阻表示电池对直流电的反抗能力，其大小可以用在同一很短的时间段内，电池电压变化量与电流变化量的比值来计算。

有大量的实验证明，电池的交流阻抗和直流内阻都与SOC有密切关系。如果能够通过电池样本得出确定的函数关系，则可以通过实时监测电池的内阻来估算出SOC值。这就是内阻法的基本思想。

内阻法的不足之处是：

（1）电池内阻与SOC之间的关系很复杂,电池内阻不仅与 SOC有关，还与温度、SOH 等因素有关，尚未得出准确的广泛适用的结论,并不能说一个内阻状态与一个确定的 SOC 值对应;

（2）电池内阻是一个毫欧级的值，由于数值太小，利用常规测量电路难以准确测量，同时电动汽车上存在较为复杂的电磁干扰，也使得难以对电池内阻实施准确测量；

（3）即使是同一厂家同一型号同一批次的电池，其内阻也存在较大差异。这是由电池的物理化学特性决定的，这种产品公差无法消除，难以通过电池样本来获得电池的“内阻-SOC”特性曲线。

五、总结

对于汽车而言，保证安全是第一位需要考虑的，因此，剩余容量的估算误差是绝对不能威胁到人和车的安全。但电池荷电状态的估算要做到100%准确是很困难的，只能在一定条件下提高估算的精度。然而，精度的提高需要兼顾到系统的可行性，包括技术可行性与成本可行性两个方面。

1、从软件算法的角度，需考虑技术可行性。

随着数字信号处理技术与人工智能学科的发展，在过去的几十年间，有许多复杂的计算方法被提出，从而提高了数值处理的准确性。然而，对于电动汽车这一特殊的应用而言，剩余电量估算的算法不能过于复杂，因为车用电池管理系统基本上都依赖于嵌入式系统，运算能力有限，内存空间也有限。这要求电池管理系统的设计者要针对嵌入式系统选择合适的算法，使得系统能有效地对剩余电量进行实时评估

2、从硬件的角度，需考虑成本可行性。

无论软件算法多么精妙，剩余电量的评估还是离不开对电池状态的准确监测。而监测的准确性主要依赖于硬件。诚然，选择高精度的硬件，增加传感器的数量，对于剩余电量的评估有着积极的意义:但是，硬件数量和质量的提升无可避免地带来了成本的增加。因此，需要在硬件成本与估算精度之间作出取舍。