电池SOC估算方法的研究现状

黄煜　朱立宗

摘 要：如今，锂离子电池已成为新能源产业和SOC的研究重点。在锂离子电池研究中，电池容量估算和计算是其中的重点研究之一。SOC直接关系到锂离子电池使用的效率和安全性，正确的SOC估算和计算方法不仅可以增加锂离子电池工作的安全性，并延长锂离子电池的使用寿命[1]。相反而言，不合适的SOC估算和计算方法不仅会加速电池的老化，而且会带来电池爆炸和燃烧的危险，危害使用者的生命和财产安全。因此，本文对各种SOC估计和计算方法进行研究，以获得更成熟和广泛使用的电池SOC估计和计算方法。

关键词：电池SOC 估计和计算 BP神经网络

1 SOC介绍

SOC定义为电池的当前容量，以其额定容量表示。SOC可表征当前电池的状态，并以适合电池寿命的水平进行电池管理，对电池进行安全的充放电[2]。因此，SOC有助于电池的管理。但是，SOC不能通过直接测量得到，因为它涉及到电池电压，电流，温度等的测量，以及与电池有关的其他信息，直接获得非常困难。SOC的准确估算是为了防止电池损坏，同时避免电池过度充电、放电加速电池老化。常规SOC估算使用库仑计数法，此方法存在误差累积故障导致估算不准确。除此之外，电池有限的电池效率、需要的化学反应、不同的充放电条件以及放置地方温度的变化都会影响SOC估算。

2 SOC估计方法

锂离子电池的SOC通过检测和重新处理锂离子电池来估算和计算参数，例如电池的电压，电流和温度。以下是常用的SOC估计和计算方法：

2.1 安培小时积分法

安培小时积分法是最简单的原理，也是应用最广泛的算法。它基于对当前状态的不间断测试和集成来推断电池释放或吸收多少电量，从而获得电池的SOC值。

安培小时积分法的主要缺点包括三个方面[3]：

1.电流需求的检测频率和精度要求很高，否则会导致积分误差和累积误差的增加;

2.电池的充放电效率与电池的SOC值，电流，温度，老化，电阻率的变化，寿命有关，难以精确测量，导致SOC估计误差越来越大。

3.在高温或电流不稳定的情况下，受电流测量精度的影响，安培小时积分法的精度很差，需要与其他估算方法同时使用。

2.2 卡尔曼滤波法

近年来，人们开始使用卡尔曼滤波器来估计电池的充电状态，卡尔曼滤波器在得到SOC估计值的同时，还可以得到SOC的计算误差。此方法具有较高的精度，并对初始误差值较强的校正能力。但是由于卡尔曼滤波法精度高低取决于电池模型的精度，而建立精确的电池模型是十分困难的，因此此方法在现阶段还没有得到广泛的应用。

卡尔曼滤波是一种最优的自回归数据处理算法，状态变量的实时最优估计可以有效提高SOC估计的准确性[4]。国内对于卡爾曼滤波法在电池SOC估算研究中的应用尚不多见，同时主要以HEV Ni MH电池作为重点研究对象。尽管一些研究人员已经将扩展卡尔曼滤波器（EKF）和阻抗卡尔曼滤波器（UKF）结合起来应用于电池SOC的估算，并取得一定突破，但是研究仍处于起步阶段，同时标准UKF方法忽略了测量误差对于SOC估算的影响。

2.3 开路电压法

锂离子电池的OCV（开路电压）与SOC具有近似的线性关系，通过测量放电率的OCV和SOC值，可拟合得到相应的电池曲线，从而得出SOC值。但是测试前需要将电池切断一小时以上，以使其处于稳定状态，才可获得OCV的准确值，而在电池的实际使用中并不能实现上述工况。因此，开路电压方法经常与安培小时积分法结合使用，在使用电池时，两者相结合的方法可保证一定的实用性，可先用开路电压法估计初始SOC，确保结果准确性，但是估计精度仍不能完全符合要求。

2.4 最小二乘法

采用最小二乘法需要满足在一定的充放电速率下，可获得电池的电压曲线，通过纯数学方法对曲线进行高精度拟合，建立电池充放电过程中尽量精确的数学模型[4]。通过控制数学模型中不同SOC阶段的电池端电压变化规律，实现对电池充放电过程的一定控制，有效避免电池过度充电，过度放电情况的出现。但是由于将电池电压作为因变量，并且在不同的充放电电流下电压是不同的，因此在实际应用过程中建立精确的最小二乘法数学模型十分困难。同时研究发现，某些类型的锂离子电池（例如聚合物电池）在使用最小二乘法建立数学模型时，无法获得明显可直接作为输入的数学特征点。因此，最小二乘法对于某些类型的电池并不适用。

2.5 神经网络方法

当面对复杂和非线性的问题时，可以通过建立一个精确的神经网络数学模型来模拟电池的动态特性，以估算电池的SOC。神经网络分为输入层，中间层和输出层，不同的实际问题确定不同的SOC输入层和输出层。输入层通常包括电压，电流、温度和电池相关信息等因素[5]。

该方法需要对大量实验数据进行训练才能获得具有较高精度的神经网络方法，神经网络主要分为两类：RBF神经网络和BP神经网络。两类神经网络方法的结构相似，输出层均为线性输出，均需要通过训练数据对神经网络进行不断训练，以确定训练过程中的自由参数。输入通常使用的电压，电流，温度，电阻。输入变量和输入变量的选择将直接影响模型的准确性和计算。该方法不需要描述输入和输出之间关系的精确公式，可以在网络训练中确定，并且具有自适应的特点。但是训练需要大量参考数据，训练周期长，初始参考数据和训练方法对估计误差均有特别大的影响[6]。

以BP神经网络估算SOC为例，神经网络结构如图1所示，在建立神经网络时，将电池的电压、放电电流以及环境温度作为输入矢量添加到输入层，将电池的剩余电量SOC作为输出层的输出矢量。可建立3层的神经网络，通过一些训练实验可获得隐含层的节点个数，其中输入层具有3个节点，隐含层具有11个节点，输出层具有1个节点。由仿真经验可得，当节点数小于9个时，电池SOC的预测精度较差;当节点数大于9个时，随着节点数从9个到13个，神经网络训练的精度越来越高。

3 结论

由上文可知，估计和计算电池SOC的方法有很多，但是每种特定方法都存在优缺点，安培小时积分法误差累积无法控制，精度较差;卡尔曼滤波法精度高低取决于电池模型的精度，而建立精确的电池模型是十分困难的;开路电压法需要满足测试前将电池切断一小时以上，以处于稳定状态，而在电池的实际使用中并不能实现上述工况;最小二乘法在实际应用过程中建立精确的最小二乘法数学模型十分困难，同时对于某些类型的电池适用性较低;神经网络法训练需要大量参考数据，训练周期长，初始参考数据和训练方法对估计误差均有特别大的影响。

由全文可得，SOC估计方法正在迅速发展，很多种方法已经得到实际应用。但是不存在特定的方法可以满足所有电池SOC的估算，并且可以獨立解决实际问题。因此，针对特定的工况，将各种方法进行结合，发挥各方法的优势，提高SOC估计的准确性。例如神经网络与拓展卡尔曼滤波结合，不仅可扩大拓展卡尔曼滤波法的适用范围，而且有利于消除非线性电池系统转换为线性系统引起的误差。

本文系2019年广西高校中青年教师基础能力提升项目“电动汽车锂离子电池SOC估算研究（项目编号：2019KY1426 ）”成果

参考文献：

[1]华周发，李静.电动汽车动力电池SOC估算方法综述[J].电源技术，2013，37（009）：1686-1689.

[2]刘浩. 基于EKF的电动汽车用锂离子电池SOC估算方法研究[D].北京交通大学，2010.

[3]范兴明，曾求勇，张鑫. 基于改进安时积分法的电动汽车电池SOC估计与仿真研究[J].电气应用，2015（08）：111-115.

[4]仝猛，庞瀛洲，田建涛.基于最小二乘法更新卡尔曼滤波算法模型参数的电池SOC估算方法[J]. 2014.

[5]Cheng K W E，Divakar B P，Wu H，et al. Battery-Management System （BMS） and SOC Development for Electrical Vehicles[J]. IEEE Transactions on Vehicular Technology，2011，60（1）：76-88.

[6]史丽萍，龚海霞，李震，等.基于BP神经网络的电池SOC估算[J].电源技术，2013，037（009）：1539-1541.