王晓辉，郑 超，张思义，戴 明，肖 伟，陈 醒

(1.国网江苏省电力有限公司徐州供电公司，江苏 徐州 221000；2.国网四川省电力公司电力科学研究院，四川 成都 610041)

0 引 言

蓄电池是制造业中一种使用广泛的储能设备，具有供电可靠、电压稳定等特点。此外，蓄电池是混合动力汽车和电动车辆的核心组成部分，作为系统的间接或直接电源，保证其安全可靠的运行对系统的安全至关重要[1-2]。但由于受蓄电池固有特性的影响，实际场景下仍存在一些薄弱环节。突出表现在以下3点：现有方式下蓄电池组很难达到预期寿命；运行维护工作量较大；现阶段实时监测技术落后、手段单一。电池管理系统(battery management system，BMS)俗称电池管家，是电池与用户之间的纽带，具有准确监测、高效评估、精确管理的特点。BMS采集电池系统的实时运行数据，并对其状态进行评估，主要包括：荷电状态(state of charge，SOC)、功率边界、健康状态和故障状态，其中荷电状态估计是BMS研究的核心和难点[3-5]。近年来，国内外学者先后对SOC的估算方法进行了大量的研究[6-55]，也取得一些成果，但是在工程应用方面仍存在问题。

SOC是电池使用过程中最重要的参数之一，会受到电池内部电化学反应、外部环境条件等因素的影响，具体包括充放电倍率、环境温度、电池内阻及老化等。目前蓄电池SOC估算方法主要有开路电压法、安时积分法、神经网络法、卡尔曼滤波法以及综合法，下面对上述方法进行详细分析，并给出总结与展望。

1 电池SOC的定义

SOC指电池的荷电状态，是一个无量纲的数值量，可理解为储存在能量系统中的有用电荷和全部额定电荷容量的比值，即剩余容量/额定容量。

(1)

式中：S(t)为荷电状态值；E(t)为剩余容量(residual capacity);Enom为额定容量(tatal capacity)。

2 单一SOC估算方法的不足

相关研究指出，蓄电池的电动势U(t)与其荷电状态密切相关[9-13]，函数关系如式(2)所示。

S(t)=F(U(t))

(2)

经典的SOC估算方法采用安时积分法[14-17]，也叫电流积分法或库伦计数法，通过对电池充放电过程中的电流进行积分运算，进而估算电池的SOC为

(3)

式中：S0为初始荷电状态；η(t)为放电倍率(放电时，η(t)≈1；充电时，η(t)≈0.98～0.99)。

开路电压法操作便捷， 但需要电池较长时间处于静置状态，所需的测量条件特殊。

安时积分法的误差来源有：1) 电流采样误差，主要是电流采样的精度和频率；2) 电池容量变化导致的误差，即电池的环境温度、电池的老化程度、电池的充放电倍率以及电池的自放电等都会影响到电池的容量；3) SOC误差，即初始SOC的精确获取以及最终SOC计算过程中无法避免的取舍误差。

3 融合SOC估算方法

3.1 卡尔曼滤波法

对蓄电池而言，运用卡尔曼滤波进行电池的SOC估算，是当下一种比较主流的研究方向。建立合适的电池等效模型是该方法的核心：通过当下时刻的测量值、上一时刻的预测值以及构建模型的误差，计算得到当下时刻的最优值。其突出优势在于，计算过程考虑了误差，并且该过程中误差独立存在。文献[18-26]均通过建立等效电池模型，运用卡尔曼滤波估算蓄电池的SOC。此外，有学者对传统卡尔曼滤波进行改进，得到了扩展卡尔曼滤波法[27-29]，进一步提高了计算精度。卡尔曼滤波法的准确度与构建的电池模型的准确度高度正相关，计算复杂。

卡尔曼滤波法适用于电流波动比较剧烈的情况，对SOC初值的要求不高，但对电池模型的精度要求很高。

3.2 神经网络法

近年来，电池SOC估算研究方法中也引入了人工智能算法，主流采用的是BP(back propagation)神经网络。根本上是对反映电池状态的参数样本的数据处理，其中对样本数据的选取和处理是重点，对电池本身的内部结构无需做深入的研究，就能得出电池运行中的SOC值。

将神经网络算法用于电池SOC估算，前期准备数据，后期处理相对简单。基于实验电路，文献[30-31]构建样本集，主要包含以下数据：蓄电池的端电压U(t)、充放电流I(t)、欧姆内阻R(t)、温度T(t)和荷电状态S(t)，然后利用RBF神经网络模型预测SOC，准确度较高，但实验电路太过理想，实验不具普适性。

图1 神经网络估算SOC

文献[32]文献提出利用LIBSVM支持向量机，结合实验样本数据，建立了蓄电池的SOC预测模型，实验结果指出该方法优于传统的BP神经网络。文献[33]提出了基于稀疏采样数据的电池SOC单步预测法。选取了表征电池状态的部分参数，并以此历史数据构建了SOC训练数据集，采用支持向量机(support vector machine,SVM)进行数据的预训练，其中SVM的最优参数通过贝叶斯算法获取，实验结果表明该方法具有较高的鲁棒性。

文献[34]在传统BP神经网络的基础上加以改进，提出了基于改进遗传算法的BP神经网络的蓄电池SOC估算方法，其仿真实验结果表明，该方法提高了估算精度，具有较好的收敛性。基于Matlab仿真，文献[35]设计的基于LSTM神经网格电池SOC预测模型较传统SOC估计方法的精度高，但提升不是特别明显。文献[36-41]通过选取与电池状态息息相关的参数，如温度、电流、老化程度等，建立神经网络模型，估算电池的SOC值。但是，该算法需要大量的样本数据，其对最终训练结果有重大的影响，特征量的取舍会带来误差[42]。

神经网络法可在线估计，不需要精确的SOC初值，但需要大量的实验数据训练。

3.3 综合法

单一的方法，各有缺陷，综合使用上述方法，可以提高SOC估算精度[43-55]。

文献[43]的实验结果表明，扩展卡尔曼滤波结合无迹卡尔曼滤波算法有效地降低了SOC估算中的噪声，提高了估算精度。文献[44]基于蓄电池的戴维南二阶模型，其二阶模型参数通过最小二乘法确定，采用神经网络模型确定开路电压和SOC之间的非线性关系，最后通过主从式自适应无迹卡尔曼滤波估算SOC，实验结果指出相比于扩展卡尔曼滤波(extended Kalman filter,EKF)、无迹卡尔曼滤波(unscented Kalman filter,UKF)算法，该方法估算精度高、收敛速度快。

文献[45]在分裂电池模型的基础上，引入了带遗忘因子的递推最小二乘法，最后利用UKF算法对蓄电池的SOC进行估算，提高了估算精度。文献[46]结合蓄电池的Thevenin一阶RC等效电路模型、RLS和改进的双卡尔曼滤波(improved dual extended Kalman filter,I-DEKF)算法进行SOC估算，减小了传统安时积分法的误差；此外有实验表明结合蓄电池的二阶RC等效电路模型、递归最小二乘法(recursive least square,RLS)和改进的Sage-Husa估计器对SOC估算过程的噪声进行抑制，提高了估算精度[47]。文献[48]融合门控循环单元神经网络和Huber-M估计鲁棒卡尔曼滤波算法，有效地降低了锂离子电池SOC估算中存在的测量误差。文献[49]在传统高斯过程模型的基础上，引入了K-means聚类算法与最大期望(expectation maximization,EM)算法对传统模型参数进行更新，实验结果显示该方法的估算精度要优于传统高斯过程回归方法。

文献[50]针对电池的SOC估算提出了一种电池状态分阶段处理的思想，但适用场景比较单一,仅适用于纯电动物流车。

文献[51]创新性地将分数阶微积分用于电池SOC估算，结合卡尔曼滤波法，提高了BMS中SOC估算的准确性。文献[52]设计了离散滑模观测器，结合电池的戴维南等效模型，进行模型的参数识别，实验结果优于扩展卡尔曼滤波法，但忽略了模型本身的误差，不具普适性。

文献[53]设计了电池管理系统和监控平台，提出了将安时计量法和等效电动势法相结合的并联加权反馈算法来估算电池SOC，估算准确度要优于传统并联加权算法。单实验数据与电池实际的状态数据有差距，不适用现场工况。

4 结 语

对于蓄电池而言，由于工况变化复杂，基于传统的单一变量，如U(t)、I(t)的开路电压法和安时积分法误差较大。神经网络法和卡尔曼滤波法融合多个变量，其估算准确度要优于传统单一估算方法，但是卡尔曼滤波法和神经网络法受限于电池模型和训练数据，而且算法复杂。影响电池容量的因数众多，有电流、电压、环境温度、寿命等，在电池SOC估算算法中应当综合考虑多种因数。BMS中储存了大量的历史运行数据，如何将这些历史数据与数据挖掘和深度学习等技术很好地结合起来，将是电池SOC估算的重要途径。