俞兆亮　朱莉娜

摘 要：文章介绍电池热管理技术（BMS）的一项关键技术即荷电状态（SOC）的几种估算方法及多种方法综合应用。在此基础之上分析了多种方法的综合应用及新型的研究方法、各自方法的优缺点和适用场合。进一步明确了SOC算法的发展趋势，为今后锂电池荷电状态估计方法的创新发展提供了一定的参考。关键词：锂电池;SOC估算法;研究进展中图分类号：O646.21  文献标识码：A  文章编号：1671-7988（2020）02-16-03

Abstract： The paper introduces several estimation methods of charge state and comprehensive application of various methods， which is a key technology of battery thermal management system. On this basis， the comprehensive application of various methods， the new research methods， the advantages and disadvantages of each method and the application occasions are analyzed. The development trend of soc is further clarified， which provides a certain reference for the innovation and development of the estimation method of charge state of lithium battery in the future.Keywords： Lithium battery; Soc estimation; Research progressCLC NO.： O646.21  Document Code： A  Article ID： 1671-7988（2020）02-16-03

引言

近年來，随着新能源汽车不断飞速的发展，消费者开始关注电池续航里程、的工作性能及安全性等问题。这对于电池的各项性能提出了很高的要求，其在一定程度上促使新能源汽车的核心“锂电池”相关技术的不断进步。其电池的荷电状态的剩余量（SOC）的准确估计，不仅能够使驾驶者提前预知车辆的续航里程而且提高了电池的高效利用和电池的使用寿命。在现阶段研究人员的研究成果的基础之上，本研究将从车用锂电池的各种估算方法的分析、综合方法的运用和新型研究方法进行论述，进而分析出今后SOC估算法的发展趋势及研究方向。

1 SOC估算法

1.1 神经网络算法^[1]

神经网络算法是基于模拟人类大脑神经元的工作状态建立一套处理输入数据的神经网络系统模型的方法。针对电池在实际工况中，电池电流与电压处于非线性状态，并且其电池的电量不能实时计算及自适应优化计算等问题，此方法能极大地提高估算的准确性。

为提高电池估算法精度，胡春花等基于拓扑结构建立了PID神经网络电池模型，运用不同顺序的算法在很大程度上实现了这一目标^[2]。与此同时为解决相同问题，周美兰和赵强等^[3]基于BP神经网络引入PSO的算法，主要核心是新的算法与改进的原有BP神经网络的阈值等参数相结合进行精确估算。因其运算复杂和成本较高，在一定程度上制约了它的发展。

1.2 安时积分法

安时积分法是通过累积测量电池的充电量和放电量来估算SOC。但此方法由于处于电源外部测量故存在初值估算不准确并且每次的测量存有误差，当随着测量时间的推移其误差和会越来远大，影响SOC的估算。针对最初始的数值不准的问题，刘东等^[4]在安时积分法估算SOC的过程中，引入了拐点电压修正了此时的荷电状态（SOC）。通过这种改进措施，加强了安时积分法的实用性。

1.3 卡曼滤波法

卡曼滤波法是运用上一时刻的估计值与测量值，通过不同的计算机编程体系及均方差合理运算，对输入数据进行处理，实现在线地最优化的预估。其最大的特点就是能将噪声和其他的影响计入进行分析，并能够有效解决最初的估算不准的问题，因此此种估算方法成为现阶段最集中的研究焦点，许多研究学者将这种方法被广泛地应用于锂电池的荷电状态的估算中。

针对于安时积分法中存在的累积误差和噪声等因素的影响，钱潇潇等将电路的模型与拓展卡尔曼滤波法相结合进行估算，在很大程度上弥补了累积误差这种缺点和不足，并且展现了良好的鲁棒性和准确性^[5]。而对于所存在的荷电状态下初值估算缺陷问题，高文敬等提出基于滑模变结构的卡尔曼滤波法，极大地改善了估算稳定性并保持极高的精确度⁰。其运算较适中，故应用较广。

1.4 开路电压法

开路电压需要在很长时间的静置条件下，基于开路电压相固定的函数模型来进行估算。由于在实际工作中不能满足其静置条件，现阶段只在实验室进行测量。由于运算最简单但精度较差，故只能用于简单的场合中。

2 多种方法综合运用

锂电池在实际运行过程会受到各种因素的影响，比如电池的工作温度、充放电时电流的大小和电池的老化等等问题^[7]。单一的估算方法存在一定的缺陷，因此需要将各种影响因素综合考虑，进一步提高电池在实际工况中估算效果的精确性。尝试将不同的方法综合起来去解决某种突出的问题，也是当前学者研究的一个方向。

蒋炜和陈立剑等^[8]在低成本运算的前提下，将电流积分法和开路电压法结合在一起并且将各种影响因素考虑进去研究出了一种实时预估电池电量的方法。此方法提高了估算的准确性及稳定性。在此基础之上，邓涛等基于上面的方式引入了负载电压法。以此将三种方法综合起来研发出来一种初值预估精确并且能实时估算的算法^[9]。与上述解决的问题不同，侯朋飞和王金全等^[10]基于提高估算法的学习深度，采用了深度学习理论和量子遗传结合起来的方法。

3 新型估算方法

在传统锂电池估算法发展较为成熟的基础之上，一部分研究人员开发出了一系列運算速度快、结构简单、成本低廉等优点的创新方法。

基于电池处于非线性状态下影响量较多估算困难及步骤繁杂等问题，孙弘利等^[11]基于ELM神经网络模型，对充电电池包进行测试，实验结果很好地印证了其模型的有效性。同时，骆秀江等人^[12]基于电池处于非线性工作状态及电池的工作温度、电压和电流等的影响，提出了运用支持向量机（SVM）法来估算SOC。但此方法有不足之处：在数据量较大时运算速度较慢。不同于前者，徐洪超和沈锦飞基于安时积分法和开路电压法的综合，提出一种新的耦合算法即在前面综合方法的基础上加入了拓展卡尔曼滤波法。此方法不仅改善了传统估算法累积误差等缺陷而且还降低了计算设备的投入成本^[13]。

4 结论

（1）各种SOC估算法分别有其各自的优势与不足，如安时积分法可以实时估算但初值不准而开路电压能准确估计初值但不能实时估算，此时将两种方式相结合既解决了单个明显的问题又能提高估算的准确性。进而显示出综合法的优势，促进研究人员持续不断地创新发展此类方法。

（2）在综合法的运用前提下，结合研究学者的创新思维产生了新型的估算方法，但这种方法需要不断地深入研究。

（3）锂电池研究趋势在于将电池的各种估算方法综合运用与实际工况环境结合起来共同考虑。然后制定相应的计划与解决方法，使得电池的荷电状态估算更加合理、经济、准确，进一步实现电池管理系统（BMS）高效运行和延长电池的寿命。

参考文献

[1] 廖恩华.基于神经网络的电动汽车磷酸铁锂电池SOC估算方法研究[D].成都：电子科技大学，2011.

[2] 胡春花，何仁，王润才，等.基于PID神经网络的车用锂电池SOC估算[J].汽车技术，2012（10）：36-38+43.

[3] 周美兰，赵强，周永勤.改进的PSO-BP神经网络估算磷酸铁锂电池SOC[J].哈尔滨理工大学学报，2015（04）：88-92.

[4] 刘东，黄碧雄，王一全，等.锂电池SOC拐点修正安时积分实时估算方法[J].储能科学与技术，2019（05）：850-855.

[5] 钱潇潇，张菁，杨勇.基于改进卡尔曼滤波的锂电池SOC估算研究[J].智能计算机与应用，2019（03）：194-198.

[6] 高文敬，高松，侯恩广.基于滑模变结构的卡尔曼滤波对电池SOC的估算[J].广西大学学报（自然科学版），2017（06）：2067-2073.

[7] 陈元丽，赵振东，陈素娟，等.动力锂电池SOC估算方法综述[J].汽车科技，2019（05）：65-69.

[8] 蒋炜，陈立剑，陈方亮.动力锂电池组管理系统的SOC估算研究[J]. 船电技术，2011（06）：38-39.

[9] 邓涛，孙欢.锂离子电池新型SOC安时积分实时估算方法[J].重庆理工大学学报（自然科学），2015（01）：101-106.

[10] 侯朋飞，王金全，徐晔，等.基于深度学习和量子遗传算法的电池SOC估算方法研究[J].微型机与应用，2017（08）：51-55.

[11] 孙宏利，赵冠都.基于ELM神经网络的磷酸铁锂电池SOC估算研究[J].通讯电源技术，2018（09）：69-71.

[12] 骆秀江，张兵，黄细霞，等.基于SVM的锂电池SOC估算[J].电源技术，2016（02）：287-290.

[13] 徐洪超，沈锦飞.基于EKF-Ah-OCV的锂电池SOC估算策略[J].江南大学学报（自然科学版），2015（01）：64-68.