动力电池重要参数定义及测量计算方法.docxVIP

动力电池重要参数定义及测量计算方法 概述 本文档的编写主要是为了方便公司内部研发人员更加快速清楚地认识电池的一些重要特性参数及其测量计算方法。主要包括动力电池的荷电状态SOC，电池健康状态SOH，内阻R等。 此文档主要参考了动力电池的国家标准与行业标准，以及网上的一些权威资料信息，同时结合自身工作经验整合编写而成。 电池荷电状态SOC及估算方法 2.1 电池荷电状态SOC的定义 电池的荷电状态SOC被用来反映电池的剩余电量情况，其定义为当前可用容量占初始容量的百分比（国标）。 美国先进电池联合会（USABC）的《电动汽车电池实验手册》中将SOC定义如下：在指定的放电倍率下，电池剩余电量与等同条件下额定容量的比值。 SOC=QO/QN 日本本田公司的电动汽车（EV Plus）定义SOC如下： SOC = 剩余容量/(额定容量-容量衰减因子) 其中剩余容量=额定容量-净放电量-自放电量-温度补偿 动力电池的剩余电量是影响电动汽车的续驶里程和行驶性能的主要因素，准确的SOC估算可以提高电池的能量效率，延长电池的使用寿命，从而保证电动汽车更好的行驶，同时SOC也是作为电池充放电控制和电池均衡的重要依据。 实际应用中，我们需要根据电池的可测量值如电压电流结合电池内外界影响因素（温度、寿命等）来实现电池SOC的估算算法。但是SOC受自身内部工作环境和外界多方面因素而呈非线性特性，所以要实现良好的SOC估算算法必须克服这些问题。目前，国内外在电池SOC估算上已经部分实现并运用到工程上，如安时法、内阻法、开路电压法等。这些算法共同特点是易于实现，但是对实际工况中的内外界影响因素缺乏考虑而导致适应性差，难以满足BMS对估算精度不断提高的要求。所以在考虑SOC受到多种因素影响后，一些较为复杂的算法被提出,例如：卡尔曼滤波算法、神经网络算法、模糊估计算法等新型算法，相比于之前的传统算法其计算量大，但精度更高，其中卡尔曼滤波在计算精度和适应性上都有很好的表现。 几种SOC估算算法简介 安时法 安时法又被称为电流积分法，也是计算电池SOC的基础。假设当前电池SOC初始值为SOC0，在经过t时间的充电或放电后SOC为： Q0是电池的额定容量，i(t)是电池充放电电流（放电为正）。 事实上，SOC定义为电池的荷电状态，而电池荷电状态就是电池电流的积分，所以理论上讲安时法是最准确的。同时，它也易于实现，只需测量电池充放电电流和时间，而在实际工程应用时，采用离散化计算公式如下： 在电池实际工作中使用安时法计算SOC，受到测量误差和噪声干扰因素会对测量结果造成影响从而无法正确估算SOC（自放电及温度等因素也没有考虑），同时电池的初始SOC值无法通过安时法得到。通常，安时法使用上次电池充放电保留的SOC值作为下次计算初始值，但这样会使SOC误差不断累积。所以实际工程上安时法一般作为其他算法的基础或结合其他算法来进行估算。 开路电压法 锂离子电池的电动势与电池的SOC之间存在一定的函数关系，由此可以通过开路电压进行测量从而得到电池的SOC值。要通过开路电压法得到电池电动势的准确值，首先需要电池静置一段时间，此时的开路电压（OCV）的值可以认为与其电动势数值相等，这样就可以得到电池电动势并以此得到电池的SOC。通过实验获得锂电池充放电的SOC-OCV曲线，然后根据SOC-OCV曲线查询不同开路电压的SOC值。 开路电压法需要电池在一段时间静置下以消除电池电压、容量在外界因素影响下造成的误差，不适用于电池SOC的实时测量。另外，电池SOC在中间段开路电压变化很小，导致中间SOC测量及估算误差较大。 卡尔曼滤波法 卡尔曼滤波法是利用系统和测量动态的知识、假设的系统噪声和测量误差的统计特性，以及初始条件信息，对测量值进行处理，求得系统状态的最小误差估计。电动汽车用的电池组，可看作是由输入和输出组成的动态系统。在了解系统一定先验知识的前提下，建立系统的状态参数方程，再利用输出的校验作用，获得对系统包括荷电状态在内无法直接测量的内部参数估计。在电池等效电路模型或电化学模型的基础上，建立系统的状态方程和测量方程。根据电池组放电试验数据，应用卡尔曼滤波算法估计电池组的开路电压，实现对电池荷电状态的估计。其优点是能够根据采集到的电压电流，由递推法法得到SOC的最小方差估计，解决SOC初值估计不准和累计误差的问题；缺点是对电池模型依赖性很强，对系统处理器的速度要求较高。 3.电池健康状态（SOH）定义与计算 3.1 电池健康状态SOH的定义 电池SOH的标准定义是在标准条件下动力电池从充满状态以一定倍率放电至截止电压所放出的容量与其所对应的标称容量（实际初始容量）的比值，该比值是电池健康状况的一种反映。 简单来说，也就是电池使用一段时间后某些直接可测或间接计算得到的性能参数的实际值与标