刘承杰

摘  要：本文对目前动力电池SOC现状进行了简要介绍，然后提出了一种基于模型的新能源汽车动力电池SOC估算方法。该方法使用基于化学反应动力学的电池模型来预测动力电池的电荷和放电行为，并利用滤波器和卡尔曼滤波器来估算电池的SOC。仿真实验结果表明，该方法具有比较高的估算精度和稳定性，最后对动力电池SOC以后的发展进行展望。

关键词：动力电池；SOC；卡尔曼滤波器

中图分类号：TM912      文献标志码：A     文章编号：1005-2550（2023）06-0016-05

Simulation Research on Model Based SOC Estimation Method  for New Energy Vehicle Power Battery

LIU Cheng-jie

（Chongqing Safety Technology Vocational College， Chongqing 404048， China）

Abstract： This article briefly introduces the current status of power battery SOC， and then proposes a model based method for estimating the SOC of new energy vehicle power batteries. This method uses a battery model based on chemical reaction kinetics to predict the charge and discharge behavior of a power battery， and uses filters and Kalman filters to estimate the SOC of the battery. The simulation results show that this method has relatively high estimation accuracy and stability. Finally， the future development of power battery SOC is prospected.

Key Words： Power Battery; SOC; Kalman Filter

1    引言

随着电动汽车、混合动力汽车等新型交通工具的快速发展，动力电池作为其重要组成部分之一，已经成为电力电子学、电气工程、材料科学等众多领域的研究热点。动力电池系统所具备的高能量密度、高功率密度、长使用寿命等优势，使其广泛应用于电动汽车、储能系统、无人机、移动设备等领域。

在动力电池系统中，动力电池的能量密度、安全性、寿命等因素已成为关注的热点。而确定电池的状态，尤其是电池的SOC（State of Charge），对于电池的优化运行及电池管理具有重要意义。SOC是衡量电池能量状态的关键指标。SOC的准确度对电池系统的性能、寿命以及安全性至关重要。因此，如何准确地测量和估算动力电池的SOC，一直是电池研究领域的热点问题。

本文旨在对动力电池SOC的测量与估算方法进行综述，探讨不同测量和估算方法的优劣，介绍在不同应用场景下SOC的控制策略，并提出了一种基于模型的动力电池SOC估算方法。该方法使用基于化学反应动力学的电池模型来预测动力电池的电荷和放电行为，并利用滤波器和卡尔曼滤波器来估算电池的SOC，并展望SOC在未来的应用发展方向。

2    动力电池SOC的概述

2.1   动力电池的定义

动力电池是一种具备高能量密度和高功率密度的电池，用于为电动汽车、混合动力汽车、储能系统等提供能量。目前，锂离子电池是最常用的动力电池之一，其优点包括高安全性、长循环寿命、低自放电率和高能量密度等。

2.2   SOC的定义及其作用

SOC是指动力电池中可用能量相对于总能量的百分比，也可以描述为电池已经放电的百分比。SOC的准确度对电池系统的性能、寿命以及安全性至关重要[1]。因此，SOC的测量和估算在电池管理系统中起着非常重要的作用，例如判断电池是否需要充电或放电以达到合适的工作状态，从而保持电池的稳定性和寿命。

2.3   SOC的测量方法

动力电池的SOC可以通过多种方式进行测量，如电流积分法、电化学计量法、开路电压法、电化学阻抗谱法、误差补偿法等。其中，电流积分法和开路电压法是最常用的两种测量SOC的方法。

2.4   SOC的精确度

动力电池的SOC精度取决于所采用的测量方法、精度要求以及电池工作状态等因素。一般来说，电流积分法在低SOC范围内的精度较高，但在高SOC范围内的精度较低，而开路电压法在高SOC范围内的精度较高，在低SOC范围内的精度较低。因此，通过使用多种测量方法进行相互校准可以提高SOC的测量精度[2]。

電动车动力电池的SOC（State of Charge）是指电池的充放电状态，一般以百分比表示。准确地估算电池的SOC可以帮助电动车驾驶员管理电池电量，避免过度充放电，延长电池寿命，同时也有利于提高电动车的能量利用率和行驶里程。

3    动力电池SOC估算方法

估算电池SOC的方法目前主要有三种：基于电流积分法、基于开路电压法和基于电化学模型法[3]。下面将分别介绍这三种方法的基本原理和特点。

3.1   基于电流积分法

基于电流积分法，是通过电池的放电电流积分计算出累计放电容量，再将累计放电容量除以电池额定容量即可计算出SOC。电流积分法的原理是电荷守恒定律，即电池放电时的电流和时间必须与充电时的电流和时间相等，若考虑内阻和静态电流等因素，还需对电流进行精确积分。电流积分法应用广泛，能够适应各种充放电情况，但精度不太高，容易受到内阻、高低温等因素的影响。

3.2   基于开路电压法

基于开路电压法，是通过电池放置一段时间达到静止状态，再测量电池的开路电压，然后根据事先建立好的电压-电量曲线确定电池SOC。开路电压法基于电荷传输理论，即当电池处于静止状态时，电池内部的化学反应随着时间的推移会越来越接近平衡，此时电池的开路电压与电池的SOC有特定的关系。开路电压法的精度比电流积分法高，但其受到电池存储条件和历史使用情况等因素的影响较大。

3.3   基于电化学模型法

基于电化学模型法，是利用电化学模型模拟电池内部的各种化学反应和传输过程，计算得到电池的电荷状态和SOC。电化学模型法的原理是电化学动力学，即在电池内部各种化学反应和物质传输过程中要满足一系列的电化学方程，并且需要结合电池的物理特性（如内阻、电容），才能准确模拟电池的运动学和动力学。电化学模型法的精度最高，但实现难度和计算量也最大。

除了上述三种方法外，还有一些结合机器学习、深度学习和神经网络等技术的SOC估算方法，以及基于车身动态和路况信息的SOC实时预测方法等[4]。

4    动力电池SOC的控制策略

4.1   基于模型的电池SOC估算方法

基于模型的电池SOC估算方法需要使用电池模型预测电池的电荷和放电行为。当前最常用的电池模型是基于化学反应动力学的模型[5]，该模型使用电化学反应动力学方程来模拟电池的行为，如电容、电阻及反应速率等因素。该模型包括电池的电压、电荷电流、电荷状态及温度等变量，可以直接用来模拟电池的充放电过程。

4.2   滤波器估算法

滤波器估算法是通过对电池电压的滤波，来估算电池的SOC。滤波器通常有两类：低通滤波器和带通滤波器。低通滤波器通过滤除高频信号，使电池电压的变化更加平滑，从而提高了估算精度。带通滤波器通过滤波器通道中的截止频率来选择需要保留的频率范围，以达到更好的滤波效果。

4.3   卡尔曼滤波器估算法

卡尔曼滤波器估算法是一种基于状态估计的滤波器。卡尔曼滤波器使用电池的电压、电荷电流及SOC等变量来构建状态向量，然后利用测量方程和状态转移方程来预测电池的SOC[6]。该方法不仅可以估算电池的SOC，还可以同时估算电池的内阻及测量误差等变量。

5    动力电池SOC估算方法

5.1   电池SOC估算的数学模型

动力电池的充放电过程可以用以下数学模型描述：

Vt=Voc-IRt-K1＼ln{＼frac{St}{1-St}}+K2Qt

其中，式中Vt为电池的实时电压，Voc是离开内部阻抗考虑的电池开路电压；I是电池放电电流，Rt是电池内阻，St是动力电池SOC，Qt是电池容量；K1和K2是比例系数。

根据动力电池的充放电过程，电池动力性能是一个非线性时变的过程。因此，要对充放电过程进行准确的SOC估算，需要有效地描述电池的动力学过程，并建立能够反映充电过程的电池SOC估算模型。

5.2   基于扩展卡尔曼滤波算法的SOC估算方法

扩展卡尔曼滤波算法（EKF）是一种基于贝叶斯定理的递归滤波算法，能够在有限的计算内存和计算时间内对动态系统的状态进行估算。在实际应用中，EKF通常被用于处理具有非线性、时变和不确定性现象的状态估算问题。

基于EKF算法的SOC估算方法是一种基于模型的估算方法，其主要思路是使用电池数学模型构建电池SOC的非线性度量模型，并结合实验测量数据，使用EKF算法实现SOC的估算。

具体步骤如下：

1. 电池数学模型建立：使用上文的电池数学模型构建电池SOC的度量模型。

2. 估算系统建立：将SOC作为模型的状态变量，在系统中引入当前的电池电压和电流信号。

3. EKF算法实现：利用电池数学模型和实验测量数据，通过EKF算法实现SOC的实时估算。具体而言，使用EKF算法进行迭代计算方法如下：

（1）预测阶段：

其中，式中Xk/k-1为估计的下限值；Xk-1/k-1为在时刻k-1/k-1的值；Ak-1为状态转移矩阵；Qk−1为预测过程噪声。

（2）更新阶段：

其中，式中Ck为度量函数，Rk为度量函数的协方差矩阵，Yk为实际测量值，Xk是状态值。在每一个时间步骤，利用估算电池内部参数和实际测量值的误差对状态方程进行修正和校正。

6    实验结果分析

实验结果表明，基于模型的估算方法具有較高的估算精度和稳定性。在实际应用中，应根据测量精度、运算速度等因素选择最合适的估算方法，以实现对动力电池SOC的准确估算和有效管理。利用Matlab软件进行了实验验证，使用了基于化学反应动力学的电池模型，以及两种滤波器估算方法来估算电池的SOC。实验结果表明，基于模型的估算方法具有较高的估算精度和稳定性。滤波器估算方法在滤波效果方面较优，但在噪声较大时有可能出现较大的误差。卡尔曼滤波器估算法具有较高的估算精度和鲁棒性，但是需要较高的计算量。

从实际应用来看，不同电池SOC估算方法在不同的场景下各有优缺点。例如，基于电流积分法可以适应任何放电状态和放电速度，但不利于实时准确估算电池SOC；基于开路电压法可以在功耗极小的情况下准确估算SOC，但需要将电池静置一段时间；基于电化学模型法能够精确模拟各种电池的电化学反应和传输，但实现难度大、计算量大，且需要事先获得电池的物理和化学参数等诸多先验信息。

因此，应根据电池类型、电池状态和使用場景等不同因素，在各种SOC估算方法中选择最适合的。

7    动力电池SOC的未来发展与展望

目前，动力电池SOC的测量精度和范围已有了很大提升。而在未来，随着新能源汽车市场的发展和技术不断成熟，动力电池SOC也将会有进一步的发展和改进。

7.1   动力电池SOC精度的提升

当前，动力电池SOC的精度并不够高，在实际使用过程中，易受温度和电流等因素的影响，导致测量误差较大。未来，随着新型电池技术的推出和不断的完善，动力电池SOC精度有望得到进一步提高。例如，目前有一种新型电池技术——全固态电池，利用固态电解质替代液态电解质，使电池能够实现高能量密度和高安全性，相比传统电池更加稳定。这种电池技术有望在未来广泛应用，在新能源汽车中发挥越来越重要的作用，同时也将大大提升动力电池SOC的精度和稳定性。

7.2   动力电池SOC测量方法的改进

目前，动力电池SOC的测量方法较为多样，包括电流积分法、开路电压法和电化学模型法等。然而，这些方法也存在着不同程度的限制和不足，未来的发展方向将是在现有方法的基础上，引入更先进的测量技术和手段，来提升测量的准确性和可靠性。

例如，可以利用机器学习等技术来进行动力电池SOC的预测。利用机器学习算法，根据电池的历史使用数据，可以建立电池SOC的预测模型，根据实时的电流和电压等参数，实现对电池SOC的实时预测和监测。这种方法的优势在于可以实现精准的动力电池SOC预测，避免了由于测量误差和环境因素导致的数据偏差。

7.3   动力电池SOC的在线监测

未来，将会出现一些新的在线监测技术和手段来帮助对动力电池SOC进行实时监测和记录。例如，在将来的智能汽车中，可以利用车载传感器和无线通信技术，对电池的电流、电压、温度等参数进行实时采集，并将数据通过互联网传输到云端，实现动力电池SOC的实时监测和远程控制。这样可以大大提高电池的安全性和使用效率。

7.4   动力电池SOC的可视化管理

随着人们对环保意识的提高和新能源汽车市场的快速发展，动力电池SOC的管理也越来越重要。在未来，有望开发出更加智能和可视化的电池管理系统，实现对动力电池SOC的全面监测和管理。

这种管理系统可以将动力电池SOC的监控信息上传到云端，实现远程监控和管理。同时，这种系统也可以利用大数据分析技术，实现对动力电池SOC的数据分析和统计，发现电池的潜在问题和异常情况。这样一种科技手段可以提高电池使用效率，延长电池使用寿命，降低电池故障率。并为国家电网的优化做出一定的贡献。

7.5   动力电池SOC的可充电性能优化

在新能源汽车的使用中，动力电池SOC的可充电性能也是一个重要的问题。目前，大部分的动力电池都存在“容量衰减”问题，即充放电次数增加后，电池容量会不断下降，影响电量和续航里程。

未来，通过对深度放电和充电次数的有效管理，有望实现动力电池的可充电性能的优化。例如，针对储能电池中容量衰减问题的特点，可以通过合理的电源设计和控制，来延长电池的使用寿命，提高电池运行效率。而在新型动力电池的开发中，可以充分考虑电池材料的换算率、催化剂等结构设计，来实现电池的高效充电和长寿命。

8    结束语

动力电池SOC是电动车关键的能量管理指标之一，准确地估算电池的充放电状态可以帮助电动车驾驶员管理电池电量，避免过度充放电，延长电池寿命，同时也有利于提高电动车的能量利用率和行驶里程。本文将介绍一种基于动力电池SOC的应用——智能节能充电管理系统，该系统结合了电动车充电和驾驶状态，以动力电池SOC为主要参考标准，自动优化电动车的充电和驾驶策略，实现最优化的能源利用和经济性目标。

作为新能源汽车的核心组成部分，动力电池SOC的发展和改进将会成为未来新能源汽车产业的重点发展方向之一。随着技术的不断更新和市场的逐步成熟，相信未来将会有更多的技术和手段出现，来实现动力电池SOC的精确测量和管理。这将有助于提升新能源汽车的核心竞争力，推动新能源汽车市场快速发展，同时配合智能节能充电管理系统，不仅能更好地服务消费者，还可以通过优化运营体系，以数据分析为助推力，综合制定能源使用策略，确保可持续、规范化的用能模式，当发展到一定程度后，动力电池SOC的作用就不再是单一的了，还可以将其置入国家电力储能中，在我国能源系统中都会具有重要的作用和应用价值。

参考文献：

[1]黄正军，方永寿.基于UD分解自适应EKF的锂电池SOC估算[J].传感技术学报，2020，33（04）：552-556.

[2]张易航，王鼎，肖围，等.锂离子电池SOC估算方法概况及难点分析[J].电源技术，2019，43（11）：4.DOI：CNKI：SUN：DYJS.0.2019-11-043.

[3]谭泽富，孙荣利，杨芮，等.电池管理系统发展综述[J].重庆理工大学学报：自然科学，2019， 33（9）：6.DOI：CNKI：SUN：CGGL.0.2019-09-006.

[4]田甜.混合动力汽车电池模型辨识及SOC估计方法研究[D].合肥工业大学，2012.DOI：10.7666/d.Y2177779.

[5]陈波.动力电池SOC估算研究与实现[D].桂林电子科技大学，2014.DOI：10.7666/d.D553182.

[6]赵中华，晏晓锋，童有为.基于自适应渐消扩展卡尔曼滤波的锂离子电池SOC估计[J].广西师范大学学报：自然科学版，2023，41（1）：58-66.

专家推荐语

王云中

东风汽车集团有限公司技术中心

前瞻研究中心  研究员级高级工程师

该论文对动力电池SOC的测量和估算方法进行了广泛的综述，覆盖了多种方法和技术，为读者对电池SOC的计算的几种常见方法和基本理论提供了全面的了解。