首页 > 58必威网

常见的动力电池SOC估算方法

来源:新能源汽车网
时间:2016-07-01 14:01:02
热度:

常见的动力电池SOC估算方法 电池技术发展至今,用来估算SOC的方法已经出现了很多种,既有传统的电流积分法、电池内阻法、放电试验法、开路电压法、负载电压法,也有较为创新的Ka

    电池技术发展至今,用来估算SOC的方法已经出现了很多种,既有传统的电流积分法、电池内阻法、放电试验法、开路电压法、负载电压法,也有较为创新的Kalman滤波法、模糊逻辑理论法和神经网络法等,各种估算方法都有自己的优缺点,下面对常用的几种SOC方法进行简要介绍:
    (1)电流积分法
    电流积分法也叫安时计量法,是目前在电池管理系统领域中应用较为普遍的SOC估算方法之一,其本质是在电池进行充电或放电时,通过累积充进或放出的电量来估算电池的SOC,同时根据放电率和电池温度对估算出的SOC进行一定的补偿 。如果将电池在充放电初始状态时的SOC值定义为SOCt0,那么t时刻后的电池剩余容量SOC则为:
    式中,Q为电池额定容量,n为充放电效率,也叫库仑效率,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。与其它SOC估算方法相比,电流积分法相对简单可靠,并且可以动态地估算电池的SOC值,因此被广泛使用。但该方法也存在两方面的局限性:其一,电流积分法需要提前获得电池的初始 SOC 值,并且要对流入或流出电池的电流进行精确采集,才能使估算误差尽可能小;其二,该方法只是以电池的外部特征作为SOC估算依据,在一定程度上忽视了电池自放电率、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不断累积扩大,因此需要引入相关修正系数对累积误差进行纠正。
    (2)放电试验法
    放电试验法是将目标电池进行持续的恒流放电直到电池的截止电压,将此放电过程所用的时间乘以放电电流的大小值,即作为电池的剩余容量。该方法一般作为电池 SOC 估算的标定方法或者用在蓄电池的后期维护工作上,在不知道电池 SOC 值的情况下采用此方法,相对简单、可靠,并且结果也比较准确,同时对不同种类的蓄电池都有效。但是放电试验法也存在两点不足:第一,该方法的试验过程需要花费大量的时间;第二,使用此方法时需要将目标电池从电动汽车上取下,因此该方法不能用来计算处于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(Open Circuit Voltage, OCV)与电池内部锂离子浓度之间的变化关系,间接地拟合出它与电池SOC之间的一一对应关系。在进行实际操作时,需要将电池充满电量后以固定的放电倍率(一般取1C)进行放电,直到电池的截止电压时停止放电,根据该放电过程获得OCV与SOC之间的关系曲线。当电池处于实际工作状态时便能根据电池两端的电压值,通过查找OCV-SOC关系表得到当前的电池SOC。尽管该方法对各种蓄电池都有效,但也存在自身缺陷:首先,测量OCV前必须将目标电池静置 1h 以上,从而使电池内部电解质均匀分布以便获得稳定的端电压;其次,电池处于不同温度或不同寿命时期时,尽管开路电压一样,但实际上的SOC可能差别较大,长期使用该方法其测量结果并不能保证完全准确。因此,开路电压法与放电试验法一样,并不适用于运行中的电池SOC估算。
    (4)Kalman滤波法
    Kalman滤波法是美国数学家卡尔曼(R.E.Kalman)在上世纪60年代初发表的论文《线性滤波和预测理论的新成果》中提出的一种新型最优化自回归数据滤波算法。该算法的本质在于可以根据最小均方差原则,对复杂动态系统的状态做出最优化估计。非线性的动态系统在卡尔曼滤波法中会被线性化成系统的状态空间模型,在实际应用时系统根据前一时刻的估算值与当前时刻的观测值对需要求取的状态变量进行更新,遵循“预测—实测—修正”的模式,消除系统随机存在的偏差与干扰。使用 Kalman 滤波法估算动力电池的 SOC 时,电池以动力系统的形式被转化为状态空间模型,SOC 则变成为了该模型内部的一个状态变量。建立的系统是一个线性离散系统。
    由于Kalman滤波法不仅能够修正系统初始误差, 还能有效地抑制系统噪声,因此在运行工况非常复杂的电动汽车动力电池的SOC估算中,具有显着的应用价值。不过该方法同样存在两点缺陷:其一,Kalman滤波法估算SOC的精度很大程度上取决于电池模型的准确程度,工作特性本身就呈高度非线性化的动力电池,在Kalman滤波法中经过线性化处理后难免存在误差,如果模型建立得不够准确,其估算的结果也并不一定可靠;其二,该方法涉及的算法非常复杂,计算量极大,所需要的计算周期较长,并且对硬件性能要求苛刻。
    (5)神经网络法
    神经网络法是模拟人脑及其神经元用以处理非线性系统的新型算法,无需深入研究电池的内部结构,只需提前从目标电池中提取出大量符合其工作特性的输入与输出样本,并将其输入到使用该方法所建立系统中,就能获得运行中的SOC 值。该方法后期处理相对简单,即能有效避免Kalman滤波法中需要将电池模型作线性化处理后带来的误差,又能实时地获取电池的动态参数。但是神经网络法的前期工作量比较大,需要提取大量且全面的目标样本数据对系统进行训练,所输入的训练数据和训练的方式方法在很大程度上都会影响SOC的估计精度。此外,在电池温度、自放电率和电池老化程度不统一等因素的复杂作用下,长期使用该方法估算同一组电池的SOC值,其准确性也会大打折扣。因此,在动力电池的SOC估算工作中该方法并不多见。
Baidu
map