083-13861431

科普:常见的动力电池SOC估算方法2021-07-19 06:33

科普:常见的动力电池SOC估算方法

电池技术发展至今,用来估计SOC的方法早已经常出现了很多种,既有传统的电流积分法、电池内阻法、静电试验法、开路电压法、阻抗电压法,也有更为创意的Kalman滤波法、模糊不清逻辑理论法和神经网络法等,各种估计方法都有自己的优缺点,下面对常用的几种SOC方法展开详细讲解:  (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于更为广泛的SOC估计方法之一,其本质是在电池展开电池或静电时,通过积累充进或释放出的电量来估计电池的SOC,同时根据静电亲率和电池温度对估计出有的SOC展开一定的补偿。如果将电池在充放电初始状态时的SOC值定义为SOCt0,那么t时刻后的电池剩下容量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要求,i为t时刻的电流。与其它SOC估计方法比起,电流积分法比较非常简单可信,并且可以动态地估计电池的SOC值,因此被普遍用于。但该方法也不存在两方面的局限性:其一,电流积分法必须提早取得电池的初始SOC值,并且要对流向或流入电池的电流展开准确收集,才能使估计误差尽量小;其二,该方法只是以电池的外部特征作为SOC估计依据,在一定程度上忽略了电池自放电亲率、老化程度和充放电倍率对电池SOC的影响,长年用于也不会造成测量误差大大积累不断扩大,因此必须引进涉及修正系数对积累误差展开缺失。  (2)静电试验法  静电试验法是将目标电池展开持续的恒放逐电直到电池的累计电压,将此放电过程所用的时间除以静电电流的大小值,即作为电池的剩下容量。该方法一般作为电池SOC估计的标定方法或者用在蓄电池的后期确保工作上,在不告诉电池SOC值的情况下使用此方法,比较非常简单、可信,并且结果也较为精确,同时对有所不同种类的蓄电池都有效地。但是静电试验法也不存在两点严重不足:第一,该方法的试验过程必须花费大量的时间;第二,用于此方法时必须将目标电池从电动汽车上取下,因此该方法无法用来计算出来正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(OpenCircuitVoltage,OCV)与电池内部锂离子浓度之间的变化关系,间接地数值出有它与电池SOC之间的一一对应关系。在展开实际操作时,必须将电池充满著电量后以相同的静电倍率(一般所取1C)展开静电,直到电池的累计电压时暂停静电,根据该放电过程取得OCV与SOC之间的关系曲线。当电池正处于实际工作状态时之后能根据电池两端的电压值,通过查询OCV-SOC关系表格获得当前的电池SOC。尽管该方法对各种蓄电池都有效地,但也不存在自身缺失:首先,测量OCV前必需将目标电池静置1h以上,从而使电池内部电解质均匀分布以便取得平稳的端电压;其次,电池正处于有所不同温度或有所不同寿命时期时,尽管开路电压一样,但实质上的SOC有可能差异较小,长年用于该方法其测量结果并无法确保几乎精确。因此,开路电压法与静电试验法一样,并不限于于运营中的电池SOC估计。

科普:常见的动力电池SOC估算方法

  (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年代初公开发表的论文《线性滤波和预测理论的新成果》中明确提出的一种新型线性规划自重返数据滤波算法。该算法的本质在于可以根据大于皆方差原则,对简单动态系统的状态作出线性规划估算。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,在实际应用于时系统根据前一时刻的估计值与当前时刻的观测值对必须贪图的状态变量展开改版,遵循预测测算修正的模式,避免系统随机不存在的偏差与阻碍。用于Kalman滤波法估计动力电池的SOC时,电池以动力系统的形式被转化成为状态空间模型,SOC则变为为了该模型内部的一个状态变量。创建的系统是一个线性离散系统。  由于Kalman滤波法不仅需要修正系统初始误差,还能有效地诱导系统噪声,因此在运营工况非常复杂的电动汽车动力电池的SOC估计中,具备明显的应用于价值。不过该方法某种程度不存在两点缺失:其一,Kalman滤波法估计SOC的精度相当大程度上各不相同电池模型的精确程度,工作特性本身就呈圆形高度非线性简化的动力电池,在Kalman滤波法中经过线性化处置后不免不存在误差,如果模型创建得过于精确,其估计的结果也不一定可信;其二,该方法牵涉到的算法非常复杂,计算出来量很大,所必须的计算出来周期较长,并且对硬件性能拒绝严苛。  (5)神经网络法  神经网络法是仿真人脑及其神经元借以处置非线性系统的新型算法,需要深入研究电池的内部结构,只需提早从目标电池中萃取出有大量合乎其工作特性的输出与输入样本,并将其输出到用于该方法所创建系统中,就能取得运营中的SOC值。该方法后期处置比较非常简单,即能有效地防止Kalman滤波法中必须将电池模型不作线性化处置后带给的误差,又能动态地提供电池的动态参数。

科普:常见的动力电池SOC估算方法

但是神经网络法的前期工作量较为大,必须萃取大量且全面的目标样本数据对系统展开训练,所输出的训练数据和训练的方式方法在相当大程度上都会影响SOC的估算精度。此外,在电池温度、自放电亲率和电池老化程度不统一等因素的简单起到下,长年用于该方法估计同一组电池的SOC值,其准确性也不会大打折扣。因此,在动力电池的SOC估计工作中该方法并不多见。