孫路

摘 要：鋰離子動力電池系統(tǒng)的荷電狀態(tài)直接反應(yīng)電池的使用情況。尤其對于以鋰電池為能量來源的新能源汽車，該參數(shù)常用來衡量電動汽車的續(xù)航里程。為此，研究電池荷電狀態(tài)的估計方法，以及國內(nèi)外在荷電狀態(tài)上的研究進度具有重要意義。本文就近年來國內(nèi)外在電池荷電狀態(tài)上的研究進行分析，介紹了目前主流的電池荷電狀態(tài)狀態(tài)估計方法，以及每種方法的特點。

關(guān)鍵詞：電池荷電狀態(tài) 動力電池系統(tǒng)

1 引言

隨著環(huán)境污染和能源危機的不斷加劇，各國政府都在努力尋找新的能源利用方式，以緩解環(huán)境污染和提高能源利用效率。以鋰離子電池為代表的能量存儲裝置具有很高的能量效率和能力比以及其安全可靠、使用周期長，而被廣泛的應(yīng)用在各類產(chǎn)品上包括：便攜式電子元器件、混合電動汽車、純電動汽車以及智能電網(wǎng)。

為此，準確的獲取電池運行過程中的工作狀態(tài)，對于電池安全、合理、高效的運用具有重要意義。但鋰離子電池高度的非線性特性，導(dǎo)致電池工作的狀態(tài)尤其是電池的荷電狀態(tài)（SOC），很難采樣常規(guī)的方法直接測量獲取。

2 電池SOC估計方法

電池的SOC反映了當(dāng)前電池所剩容量的使用情況，定義為當(dāng)前剩余容量與電池充滿電時存儲容量的比值，如公式（1）所示：

其中，SOC（t）表示t時刻的SOC值;SOC（t0）表示t0時刻的SOC值;ηc表示庫倫效率;i（τ）表示τ時刻的電流值;CN表示電池的標(biāo)稱容量。

常用的電池狀態(tài)估計方法有：

2.1 安時積分法

該方法在電池初始剩余狀態(tài)已知的條件下，利用電池剩余容量與標(biāo)稱容量的比值表示電池的SOC[1]。該方法是應(yīng)用最簡單且廣泛的一種SOC工程估計方法。在傳感器的精度和采用頻率都滿足一定要求，且初始SOC準確的情況下，該方法具有較好的估計精度。然而，它存在如下缺點：（1）電池的初始狀態(tài)無法準確獲取，將會造成SOC估計的誤差累積;（2）溫度、電流等因素會影響電池的庫倫效率的大小，而這些因素導(dǎo)致的電池庫倫效率變化很難在實際中計算;（3）電流傳感器的精度，尤其是測量漂移將導(dǎo)致累積效應(yīng)，影響SOC的估計精度。因此，這種方法難以滿足SOC估算精度要求較高的場合。

2.2 開路電壓法

建立SOC與OCV的關(guān)系模型，利用查表或插值方法準確的計算在實時工況下電池的SOC[2][3]。然而這種方法通常電池在非工作情況下進行不短于兩個小時的靜置，使得電池內(nèi)部電化學(xué)反應(yīng)達到平衡。因此，為了得到準確的SOC，該方法很難在實際中使用。

2.3 狀態(tài)估計法

利用系統(tǒng)狀態(tài)方程估計SOC。該方法依據(jù)電池的外特性，采用電池電路原理，利用電壓源、電阻、電容等元件組合來建立電池的行為表達模型，常用的建模方法包括：Shepherd模型、Unnewehr模型、Nernst模型等，如圖1所示的一種常用的電池建模方法。

2.4 神經(jīng)網(wǎng)絡(luò)法

該方法是模擬人腦對于外界信號的分析，將復(fù)雜的信號處理分解為若干簡單的信號，通過對這些簡單信號的數(shù)據(jù)融合，得到復(fù)雜信號輸入與輸出之間的關(guān)系[4]。如圖2所示的一種常用的三層神經(jīng)網(wǎng)絡(luò)處理架構(gòu)。借助神經(jīng)網(wǎng)絡(luò)算法，在分析復(fù)雜信號時，無需研究研究對象內(nèi)部復(fù)雜的物理或化學(xué)原理而實現(xiàn)對信號輸入與輸出的準確表征。但是，神經(jīng)網(wǎng)絡(luò)也存在自身的不足，在數(shù)據(jù)訓(xùn)練時往往需要大量的數(shù)據(jù)樣本且受訓(xùn)練樣本測試工況的制約。

2.5 最小二乘法

利用最小二乘法辨識電池的狀態(tài)參數(shù)，同時使用狀態(tài)估計器運用自適應(yīng)算法實時辨識電池的狀態(tài)參數(shù)。其中的遞歸最小二乘算法是對一次最小二乘法進行修正得到的一種辨識方法，通過調(diào)整自適應(yīng)濾波器系數(shù)，使得辨識期間輸出信號與期望信號之間的誤差平方最小，可以實現(xiàn)電池SOC的準確估計，如圖3所示。

3 結(jié)語

為了分析電池的使用情況，電池荷電狀態(tài)的評估方法起到非常重要的作用。為此，文中分析了近年來國內(nèi)外在電池荷電狀態(tài)評估上采用的主要方法，以及對每種方法的優(yōu)點和缺點做了簡要描述?？梢杂行У闹笇?dǎo)電池SOC估計相關(guān)工作的開展。

參考文獻：

[1]Plett G L. Extended Kalman filtering for battery management systems of LiPB-based HEV battery packs：Part 2. Modeling and identification[J]. Journal of power sources， 2004，134（2）：262-276

[2]Ng K S，Moo C S，Chen Y P，et al. Enhanced coulomb counting method for estimating state-of-charge and state-of-health of lithium-ion batteries[J]. Applied energy，2009，86（9）：1506-1511.

[3]Lee S，Kim J，Lee J，et al. State-of-charge and capacity estimation of lithium-ion battery using a new open-circuit voltage versus state-of-charge[J]. Journal of power sources，2008，185（2）：1367-1373.

[4]Kim J，Lee S，Cho B H. Discrimination of Li-ion batteries based on Hamming network using discharging-charging voltage pattern recognition for improved state-of-charge estimation[J]. Journal of Power Sources， 2011，196（4）：2227-2240.