《纯电动车动力系统.》.ppt

（2）内阻法 电池内阻R有交流内阻（Internal Impedance，也称交流阻抗）和直流内阻（Internal Resistance）之分，它们都与SOC密切相关。交流阻抗表示电池对交流电输入的抗拒能力，交流阻抗受温度影响大，且关于应该在电池平衡状态还是在充放电过程中进行交流阻抗测量存在争议，所以很少应用。直流内阻表示电池对直流电输入的抗拒能力，等于在同一很短时间段内电池电压变化量与电流变化量的比值。直流内阻法的缺点是难于在电动汽车上实时测量，也很少应用。 （3）开路电压法 电池的开路电压OCV（Open Circuit Voltage）与SOC存在单调变化的一一映射关系。在使用开路电压法前须通过试验得到OCV与SOC的对应关系。开路电压法的显著缺点是需要将电池长时静置以达到电压平衡，电池从工作状态恢复到平衡状态一般需要几个甚至十几个小时，静置时间如何确定也是一个问题。所以该方法单独使用只适于电动汽车驻车状态。根据作者的研究经验，即使对于处于平衡状态的镍氢电池使用开路电压法，误差水平也可能大于20%。 电池开路电压随SOC的变化趋势(80Ah) （4）负载电压法 负载电压法的原理可由式 说明： UL为负载电压，IL为负载电流。以不同电流对电池组进行恒流充电，将得到一组以电流标记的互不交叉的SOC与充电电压的关系曲线（如图下左）；以不同电流对电池组进行恒流放电，将得到一组以电流标记的互不交叉的SOC与放电电压的关系曲线（如图下中）；基于这两组曲线可以得到电流IL、电压UL和SOC的三维对应关系（如图下右），该对应关系就是负载电压法应用的基础。 负载电压法的优点是能在电动汽车上实时应用，对于恒流放电的电池组有较好的精度。但电动汽车上剧烈波动的电池组电压给负载电压法应用带来困难，误差较大。所以负载电压法很少应用到实车上，但常用来作为电池充放电截止的判据。电流为零时的负载电压法即为开路电压法。 （5）安时计量法 如果电池在充放电起始时刻t0的SOC为SOC0，那么t时刻的SOC由式 计算，即为安时计量法的原理，其中CN为额定容量，Eta为库仑效率。 由于安时计量法原理简单，工作稳定，是目前电动汽车最常用的SOC估计方法。清华大学计算机系设计的电池管理系统、丰田公司Prius、本田公司的电动汽车EV Plus，通用大宇的电动汽车DEV5使用的都是安时计量法，FCB也使用安时计量法。 安时计量法有两个主要缺点： ①方法本身不能估计初始SOC； ②库仑效率难于准确测量，不准确的库仑效率对SOC误差有累积效应。 解决电池初始SOC的问题，目前通常引入开路电压法或负载电压法来辅助解决。对库仑效率问题主要是基于大量实验数据进行修正。 安时计量法能够基本满足电动汽车电池组SOC估计的需要，但是精度还需提高。FCB对SOC估计精度要求为8%，安时计量法无法在所有电池使用环境都达到该精度。 （6）神经网络法 神经网络法原理如图所示 神经网络法适用于各种电池，缺点是需要大量的试验数据进行训练，估计误差受训练数据和训练方法的影响很大，适用范围受训练数据限制，而且在电池管理系统中较难实现。 大量文献使用神经网络估计处于恒流、恒负载充放电状态的电池的SOC。实际电动汽车动力电池的工作状态多样且电流剧烈变化，适合电动汽车工况的神经网络SOC估计方法还在研究中。 （7）卡尔曼滤波法 卡尔曼滤波理论的核心思想是对系统的状态做出最小方差意义上的最优估计。如式所示， 卡尔曼滤波应用于电池SOC估计，电池被电池性能模型和安时计量法描述为离散的系统，SOC是系统的一个状态，SOCk和SOCk+1分别表示两个临近的具体SOC值。卡尔曼滤波法估计SOC的算法是一套包括SOC估计值和反映估计误差的协方差矩阵的递归方程。与其他方法相比，卡尔曼滤波法的优点是对初始SOC误差不敏感和更适于电流波动剧烈的电动汽车应用环境，缺点是对电池性能模型精度及电池管理系统计算能力要求高。 目前，丰田公司、本田公司和福特公司生产的混合动力汽车使用的电池组SOC估计方法都是电流（安时计量法）结合电压（开路电压法和负载电压法）的估计方法，精度约为10%～20%，电池SOC使用范围为0.5～0.8。各个公司都在不断对自己的电池组SOC估计技术进行改进，因为这是各个公司的核心技术，在公开文献中，各公司从未对技术细节进行介绍。香港大学、德国乌尔姆大学、德国亚琛工业大学都正在进行电池SOC估计方法的研究。 在上面介绍的多种SOC估计方法中，神经网络法和卡尔曼滤波法是比较有希望的新方法。 电池SOC估计方法总结 SOC估计方