【动力电池常见的SOC估算方法综述3900字】

动力电池常见的SOC估算方法综述目录TOC\o"1-2"\h\u28024动力电池常见的SOC估算方法综述 137841放电试验法 1235012安时法 1208163内阻法 2196544开路电压法 3126335负载电压法 3322376线性模型法 3275747模糊控制算法 483128粒子滤波算法 4240139神经网络算法 42078510卡尔曼滤波法 5在飞速发展的一个时代，科学技术的进步可谓一步千里，更新换代的速度是非常迅速的。电动汽车的发展也是同样如此，对于分布式驱动电动车动力电池的SOC估计也被安排上了日程。因此许多经典的SOC估计方法被提出。本章介绍了计算SOC的一些常用方法。1放电试验法在充电放电的过程中都是以小且稳定的电流放电，当放电的电压低于截止时的电压就停止放电。此时的蓄电池充电状态SOC是蓄电池放电电流和工作时间的乘积。由于该方法应用范围广。采用放电法测定电池的荷电状态，满足了测量精确、操作相对简单的节能原理。然而，缺点也是很突出的。这需要时间，在测量时电池不工作，电池SOC处于断开的一个时候。因此，该方法适用于动力电池的检查和维修，不适用于实际过程中分布式驱动电动车动力电池SOC的实时预测。在许多SOC估算方法中，放电法很有效，但效率最低。2安时法安时法也称为电荷累积法或库仑测量法，是常用的SOC估计方法具体公式如下：SOC=SOC0−1其中，SOC0是初始状态的SOC值；CN是电池额定容量；η 安时法估算动力电池的SOC属于一种简单且有效的方法，在知道一些相关参数的情况下，根据公式计算动力电池的SOC。但是，这种估计方法存在比较大的缺陷，主要表现在以下三个方面。动力电池的自放电问题：三个原因，第一点是在常用的传感器中不能够准确测量电池本身放电的电流。第二，电流传感器通常安装在工作电路中，在不运行的情况下会导致自然放电的电流检测不到。第三，如果汽车BMS不工作，仍然存在放电现象，例如，汽车“发动机停止”后，它被留在车库里。此时，BMS不需要运行，蓄电池的自动放电状态自然无法监控。存在累积误差。由于电流传感器精度不高，采样频率低，外部信号干扰影响大，测量电流不准确，存在误差。该误差通过积分方程的电流而累积，使得电池SOC的估计误差变大。为了消除累积误差，需要对SOC的估计值进行修正。一种更有效的常用校正方法是不方便应用于电动汽车的实际车辆运行。初值问题：安时法可以解决一段时间内电量的变化，但最终还是对电池的SOC感兴趣。根据该公式，当前时刻的SOC值与SOC初始值的准确性密切相关。当SOC的初始值有误差时，安时估计方法在这种情况下是不可能准确估计的。3内阻法由于动力电池的内阻在数值上很小，电池在正常放电时内阻在百分之四到百分之六的范围内，电池的内阻很容易受到测量线的阻抗的影响。而这种方法的实现需要额外的函数生成器和电路。因此，不适用于实际生活中电动汽车的SOC估算。当电池的剩余电量小于额定值，就可以观测到电池内阻显著增大，这就导致估计的准确性会下降，估计电池的剩余电量与电池内阻之间存在一定的数学关系。在对电池内阻进行测量后进行相关的数学运算就可以计算出电池的剩余电量。4开路电压法开路电压法有一个致命的缺点，需要静止的时间长，才能获得开路电压的稳定状态值。在实际用车的过程中，需要把车辆处于一个停止的状态下才能估计出电池的剩余电量。由于电压在电池充放电的开始和结束时变化很大，因此可以用开路电压法来估计SOC的影响。开路电压法也可称为OCV法与电池的端电压和SOC在经过一段时间的静置后会具有相对对应的函数关系，所以测量开路电压值后可以根据对应的函数关系式来估计电池的剩余电量。5负载电压法负载电压法属于开路电压法的一种改进方法，开路电压法需要很长的时间。假设电池电流恒定，负载电压与电池开路电压之间存在对应关系，则电池SOC的获得方式与开路电压法相同。这种方法在理论上没问题的可通过的，但在实际应用中还是有许多困难。首先，磷酸铁锂动力电池的内阻受多种因素影响，很难准确获得相关参数。负载电压法需要最终估计OCV或EMF（电势），这也存在OCV法的缺陷。对于实际使用中的电动车，电流波动较大，难以获得精确数据。通过对大量数据的研究和分析，建立精确的负载电压和剩余电量的数学模型，可以有效的解决这个问题，但是难度比较大。因此负载电压法不太适用于分布式驱动电动汽车在日常的使用中。6线性模型法根据当前的端电压Uk、SOC的变化量∆SOCk、电流Ik，以及上一时刻的荷电状态SOC∆SOCk=β0理论上认为估计电池的剩余电量可以应用于各种类型的电池，但它对测量误差和初始条件不正确具有很强的鲁棒性，但目前的线性模型仅适用于铅酸蓄电池，对于其他类型的电池适用性还是不足。7模糊控制算法模糊控制是从模糊、模糊或不准确的信息中提取准确结论的一种简单方法，该算法既能从近似数据中找到准确的答案，也能从人身上找到准确的答案。模糊控制算法的逻辑与一般的逻辑不同，要利用精确的数学模型和精确的数字来构建模型，通过我们生活和学习中各方面的经验来建模的。该算法可以获得大量的电池性能信息，对电池SOC或SOH进行更准确的评估，对电池状态进行更严密的分析和监控。同那些精确数据的模型相比，对于算法的研究方面较为简单，将输出的量控制的一个理想的范围内。由于所使用的电源单元线性度不够，基于漂移率控制的方法对电源模型的依赖程度不高，对精确建模纯在困难，但控制参数的选择取决于过程中获得的经验。8粒子滤波算法 PF算法是基于贝叶斯估计和蒙特卡罗方法的非线性统计滤波算法，粒子滤波算法对噪声没有要求，在波动系统参数估计中占有明显的优势。其显著特点是非高斯非线性系统状态估计的优质滤波器，所以不需要克服状态变量的概率密度。但是，在估计的过程中无法避免的纯在粒子退化的问题，就需要从分布函数的方面来入手。近年来，对于粒子滤波技术被广泛应用于电动汽车动力电池SOC的估计中，SOC的估计容易出现偏差。高斯粒子滤波适用于SOC估计算法中，但其鲁棒性较差。非线性滤波方法的算法本身存在适用性问题，作为处理非线性系统状态估计问题的一种方法，估计精度也存在问题。在分析粒子滤波算法的原理时，采用方法的选择直接影响到滤波性能。而粒子滤波是近年来比较新的一种算法，算法本身还不成熟。9神经网络算法 常一个神经元具有多个树突，主要用来接受传入信息信息，信息通过轴突传递进来后经过一系列的计算（细胞核）最终产生一个信号传递到轴突，轴突只有一条，轴突尾端有许多轴突末梢可以给其他多个神经元传递信息。轴突末梢跟其他神经元的树突产生连接，从而传递信号。这个连接的位置在生物学上叫做“突触”也就是说一个神经元接入了多个输入，最终只变成一个输出，给到了后面的神经元，那么基于此，我们尝试去构造一个类似的结构，而神经网络算法就是基于此的。BP网络（Back-ProPagation

Network）又称反向传播神经网络，

通过样本数据的训练，不断修正网络权值和阈值使误差函数沿负梯度方向下降，逼近期望输出。它是一种应用较为广泛的神经网络模型，多用于函数逼近、模型识别分类、数据压缩和时间序列预测等。人工神经网络（ArtificialNeuralNetwork，ANN）是一种通过数学模型模拟人脑和神经元相互联系的计算机系统结构，它对人脑的信息进行处理，对学习过程中所能存储的信息进行处理。为此，采用神经网络模型来描述锂离子电池的非线性特性，并利用实验的输入输出数据建立了神经网络模型。通过使系统的最终输出结果非常接近理想期望值，并使输出误差最小化，可以提高模型的精度。人工神经网络方法估计电池SOC的最大优点是可以从电池性能的经验中得到更准确的估计。通过测量电池的电压、电流、内阻和温度等数据可以作为输入量传输到神经网络，而不考虑输入和输出之间的内在数学关系。在利用神经网络的强非线性和自学习能力，最终得到SOC的估计值。神经网络方法在于不断更新模型参数，适合于在线估计但在估计前需要采集大量的电池数据作为样本，数据对估计精度影响很大，这回导致长时间的学习。10卡尔曼滤波法卡尔曼滤波（KalmanFilter，KF）算法在1960年由美国数学家鲁道夫·卡尔曼（RudolfEmilKalman）首次提出离散系统下的Kalman滤波算法。现在的卡尔曼滤波法有扩展卡尔曼滤波法和无迹卡尔曼滤波法等。卡尔曼滤波算法基于电池的状态空间模型，交替估计电池的荷电状态。可以根据系统观测值连续地估计系统状态值。这种方法对大多数类型的电池适用性较高，但对电池模型的精度也是较高的。为了提高EKF算法的估计精度，何鸿文等教授采用自适应EKF算法进行SOC估计。对Ku群算法进行了改进，优化了EKF算法和SOC估计。Saed-sepasi等人优化了EKF算法并进行SOC估计。采用多模型自适应EKF算法对SOC进行了评估。由于采用近似线性泰勒展开对非线性系统进行线性化，eff算法存在一定的精度损失。此外，EKF算法要求系统噪声服从高斯分布。基于白噪声假设，KF是以状态空间形式表示的线性最小方差的最佳标准。卡尔曼滤波是一种受实时噪声干扰的离散观测数据，是一种线性、无偏、最小误差方差最优估计的递推估计方法。因此，Kalman滤波算法非常适用于多输入系统，预测状态过程和动态的响应，