动力电池SOC估算.pptx

电动汽车用电池SOC估算 目录 SOC的定义 SOC的影响因素 SOC的估算方法 SOC的定义 电池的荷电状态SOC被用来反映电池的剩余电量状况，其定义为：电池剩余电量与电池容量的比值。 如果以电池充满状态定义为 ，定义式可表示为 式中， 为电池剩余的电量， 为电池以恒定电流I放电时所具有的容量，Q为已放出电量。 注：对于电池充满一般定义为：在一定温度(如20度)下以一定电流(如0.3C)充电，达到单体最高电压后转为恒压充电，直到充电电流小于一定值(如0.03C)；对于电池放空(SOC为0%)也有类似的定义 USABC定义：在一定的放电倍率下，剩余电量与相同条件下额定容量的比值 本田的定义 能量角度定义： SOC的定义 SOC的定义 温度的影响：温度降低，容量降低，但升高容量，损失的容量可恢复 不同温度下，仍将额定条件下的容量作为基准 OCV-SOC曲线 SOC的定义 电池成组使用的工况下，由于组内包含有多个单体，在单体容量、单体荷电量、温度不一致的情况下，将变得复杂 以最低单体不能放电作为0%，最高单体不能再充电作为100%定义整组SOC。 情形1 情形2 情形3 SOC的影响因素 放电电流 温度 容量变化 自放电 一致性 影响因素 SOC的影响因素及特征参数 SOC特征参数 电压 电流 温度 SOC的估算方法 SOC估算方法 估算策略 优点 缺点 放电实验法 准确、可靠 须中断，时间长 安时计量法 计算简单 不够准确 开路电压法 在数值上接近电池电动势 需长时间静置 线性模型法 模型简单 不够准确 内阻法 与SOC关系密切 测量困难 卡尔曼滤波法 适合非线性模型 需准确的模型算法 神经网络法 精度比较高 需大量训练数据 SOC的估算策略 放电实验法 放电实验法估算电池荷电状态（SOC）是比较准确的预估方法，它采用恒流持续放电，放电电流与时间的乘积即为放出的电量。放电实验法常常被使用来标定电池的容量 优点 准确可靠 适用于所有类型电池 缺点 不适用于工作中电池 只能得出一个点的值 SOC的估算方法 安时计量法 安时计量法（ampere hour，简称 AH）是最常用的 SOC 估计方法，安时计量法的原理是将电池在不同电流下的放电电量累计起来作为电池的放电量。由此，得到以下等效放电电量公式： 该方法只是关注该系统的外部特征，在电量估算过程中，只关心流进和流出电池的电量。安时计量法采用积分法实时计算电池充入与放出的容量，通过长时间记录与计算电池的电量，最终可得到电池在某一时刻所剩余电量。 优点 简单易行 适用范围广 缺点 不能获得初值 累计误差积累 SOC的估算方法 开路电压法 通过电池的开路电压和电池 SOC 的对应关系，通过检测电池的开路电压估计电池 SOC。 优点 可以准确预估电池的初始值 开路电压是电动势的外在反映，理论上只和温度相关，且温度对其影响较小 缺点 充放电过程中开路电压不能直接测量； 电池在充电或者放电后，需要很长一段时间才能稳定 SOC的估算方法 内阻法 荷电状态(SOC)影响电池的交流阻抗，因此有学者提出可以用阻抗值来估计SOC。用不同频率的交流电激励电池，测量电池内部交流电阻，并通过建立的计算模型得到SOC估计值。 优点 交流阻抗反映正负极活性物质导电电阻的此消彼长的情况，从原理上有一定正确性 缺点 温度、电流、SOH都可以影响内阻 内阻值很小在毫欧级，策略误差大 SOC的估算方法 卡尔曼滤波法 卡尔曼滤波法，是建立在安时积分法的基础之上的。该方法应用于电池 SOC估计，电池被视为一动态系统，荷电状态为系统的一个内部状态。卡尔曼滤波法的主要思想，是对系统的状态做出最小方差意义上的最优估计。 该系统的输入项有：电池电流、环境温度、电池剩余容量、欧姆内阻以及极化内阻等变量，系统的输出为：电池的工作电压。由于电池等效模型确定的非线性方程，在计算过程中要线性化。预估电池荷电状态方法的核心思想是包括荷电状态估计值和反映估计误差的、协方差矩阵的递归方程，协方差矩阵用来给出估算误差范围。 SOC的估算方法 卡尔曼滤波法 递推公式如下 优点 能解决累计误差和初值误差，精度高 缺点 对模型精度要求高 对处理器运算速度要求高 SOC的估算方法 人工神经网络法 人工神经网络法具有非线性的基本特性，该系统对外部输入，能得到对应的输出，所以可用来模拟电池动态特性，被用来预估电池荷电状态。 预估电池荷电状态的神经网络层主要有 3 层：输入、输出以及中间层；估计电池荷电状态 常常被用来输入的变量如：电压、电流、放出电量、环境温度、电池内阻等。 优点 在建好网络模型的前提下，依靠大量的样本进行数据训练可以得到较好的精度 缺点 估算精度取决于合适的神经网络输入变量，恰当的变量数量。 需要大量的参考数