电池的SOC知识分享

众所周知，电动汽车的最核心部分是动力电池，动力电池的重要性不言而喻。而动力电池的SOC显示则是动力电池管理工作的关键内容。

SOC(Stateofcharge)，即荷电状态，用来反映电池的剩余容量，其数值上定义为剩余容量占电池容量的比值，常用百分数表示。其取值范围为0~1，当SOC=0时表示电池放电完全，当SOC=1时表示电池完全充满。

电池SOC不能直接测量，只能通过电池端电压、充放电电流及内阻等参数来估算其大小。而这些参数还会受到电池老化、环境温度变化及汽车行驶状态等多种不确定因素的影响，因此准确的SOC估计已成为电动汽车发展中亟待解决的问题。

二、SOC的影响因素及特征参数

三、SOC的估算方法概述准确估算电池SOC

一方面来源于电动汽车的要求，从充分发挥电池能力和提高安全性两个角度对电池进行高效管理;另一方面，电动汽车电池在使用过程中表现的高度非线性，使准确估计SOC具有很大难度。两方面的结合，使得电动汽车电池SOC估算方法的选择尤为重要。电动知家梳理用来估算SOC的方法已经出现了很多种，既有传统的放电试验法、安时计量法、电池内阻法、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。

(1)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。

(2)安时计量法

安时计量法(amperehour，简称AH)，又称电流积分法，安时积分法，安时计量法的原理是将电池在不同电流下的放电电量等价为某个具体电流下的放电电量，其主要思想是Peukert方程。由此，得到以下等效放电电量公式：

电池基础知识你必须了解的SOC知识

安时计量法计算电池SOC是相对较简单的方法，该方法只是关注该系统的外部特征，在电量估算过程中，只关心流进和流出电池的电量。安时计量法采用积分法实时计算电池充入与放出的容量，通过长时间记录与计算电池的电量，最终可得到电池在某一时刻所剩余电量。该方法容易实现，但由于没有从电池内部得到电池SOC与充放电电量的关系，只是记录充放电电量，从而会导致电池SOC累计误差，结果精度较低，而且该方法不能确定电池的初始值。综合考虑电池SOC的影响因素，进行电量补偿，可以适当提高安时计量法的精度。

(3)开路电压法

开路电压法是根据电池的开路电压(OpenCircuitVoltage，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)内阻法

内阻测量法是用不同频率的交流电激励电池，测量电池内部交流电阻，并通过建立的计算模型得到SOC估计值。该方法测量得到的电池荷电状态反映了电池在某特定恒流放电条件下的SOC值。由于电池SOC和内阻不存在一一对应的关系，不可能用一个数学来准确建模。所以，该方法很少使用于电动汽车。

(5)线性模型法

线性模型法原理是基于SOC的变化量、电流、电压和上一个时间点SOC值，建立的线性模型，这种模型适用于低电流、SOC缓变的情况，对测量误差和错误的初始条件，有很高的鲁棒性。线性模型理论上可应用于各种类型和在不同老化阶段的电池，但目前只在铅酸电池上有实际应用，由于变化的SOC与电流、电压的关系式不具有通用性，所以在其他电池上的适用性及变电流情况的估计效果要进一步研究。

(6)卡尔曼滤波法

卡尔曼滤波法是建立在安时积分法的基础之上的。卡尔曼滤波法的主要思想，是对动力系统的状态做出最小方差意义上的最优估计。该方法应用于电池SOC估计，电池被视为一动力系统，荷电状态为系统的一个内部状态。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。

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，需要需高运算能力的单片机。

(7)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。

(8)其他方法

近年来，SOC的各种估算方法层出不穷，如支持向量回归法、模糊逻辑算法、“离线计算、在线查表”的模糊控制方法、分析法等等。

五、总结

在实际的电动汽车中用于估算SOC的方法都是基于传统方法，即在安时积分的基础上加入一些影响因子的校正，其缺点是SOC的估算结果存在很大的误差，目前应用于电池管理系统的SOC估算技术还不是很成熟，虽然用于电池SOC估算方法种类之多，但各种方法都存在着一定的缺陷，难以满足SOC实时在线、高精度估计的要求。未来SOC估算方法的研究，电动知家认为将从以下四个方面进行完善，首先，通过大量实验，建立丰富的数据库，使得SOC估算有据可依，有据可查;其次，依靠硬件方面的技术，提高电流、电压等的测量精度，保证用于估算SOC的基本数据的准确性;第三，引入准确的电池模型，更真实地表征电池在使用过程中的动态特性;最后，综合各种算法，扬长补短，对SOC不同阶段引入不同的校正方法，最大程度地减少不同状态下的误差，提高其估算精度。