锂离子动力电池SOC估算技术进展综述.docxVIP

锂离子动力电池SOC估算技术进展综述

王恒德许永红张红光杨富斌

摘要：本文回顾了电池管理系统（BatteryManagementSystem，BMS）在电动汽车和可再生能源领域的关键发展阶段，本文重点讨论了电池剩余能量监测技术，即荷电状态（StateofCharge，SOC）估计方法。文章概述了常见的SOC测量方法，包括基于模型法、安时积分法、放电测试法和人工神经网络法等。随着技术和时代的发展，电池管理系统正朝着智能化方向演进，采用更为先进的控制方法以提升系统性能。结合新型互联网+的服务模式，云计算和大数据在BMS中的潜在应用也在快速发展，为BMS和SOC估算带来了新的可能性。从未来发展趋势来看新型电池技术和应用场景的不断发展，将对SOC估算技术提出更高要求。在电动汽车快速发展的大背景下，持續优化和创新电池估算方法以满足各类电池和应用环境的特定需求已成为行业发展的必然趋势。

关键词：电池管理系统锂离子动力电池荷电状态电池模型

1电池SOC估计技术

SOC表示的是锂离子动力电池所剩余电量占总电量的百分比，类似于燃油车的油表。SOC是指在特定放电倍率下，电池剩余电量与额定电量之比[7]。计算公式如下：

SOC=100?????????????????（1）

其中：QC表示电池剩余电量；Qi表示电池额定电量。图1展示了电池管理系统的整体架构。而SOC估计则在电池管理系统中占据核心地位。因此，对电池组SOC的精确计算对于整车的安全性能和车辆性能具有至关重要的作用。

1.1SOC的测量方法

1.1.1基于模型法

基于模型法是一种将电池模型与其他技术相结合的模式，其中基于滤波器和观测器的方法是当前研究和应用最广泛的[9]。滤波器算法的发展主要包括卡尔曼滤波器、粒子滤波器等[10]。通过使用这些算法对电池模型进行状态估计，我们可以在线估计电池的SOC。

1）扩展卡尔曼滤波器

扩展卡尔曼滤波器（ExtendedKalmanFilter，EKF）是一种非线性滤波算法，它是卡尔曼滤波器的扩展。卡尔曼滤波器是一种线性滤波算法，适用于线性系统的状态估计。然而，在许多实际应用中，系统往往是非线性的[10]。在这种情况下，扩展卡尔曼滤波器可以提供一种有效的非线性系统状态估计方法。

2）Sigma点卡尔曼滤波器

Sigma点卡尔曼滤波器（Sigma-PointKalmanFilter，SPKF）是一类用于非线性系统状态估计的滤波器算法。它通过使用Sigma点来近似非线性系统的状态和观测模型，从而避免了扩展卡尔曼滤波器（EKF）中需要求解雅可比矩阵的线性化过程。具有更好的精度和鲁棒性[10]。

SPKF的主要类型包括无迹卡尔曼滤波器（UnscentedKalmanFilter，UKF）和中心差分卡尔曼滤波器。这些滤波器的核心思想是通过选取一组合适的Sigma点，将非线性系统模型和观测模型的近似问题转化为线性问题。

3）容积卡尔曼滤波器

容积卡尔曼滤波器（CubatureKalmanFilter，简称CKF）是一种基于高斯－赫尔米特求积法的非线性滤波算法，用于非线性系统的状态估计[11]。CKF通过使用容积点来近似非线性系统的状态和观测模型，从而避免了EKF中需要求解雅可比矩阵的线性化过程。

4）无迹卡尔曼滤波器

UKF是一种用于非线性系统状态估计的滤波算法[12]。它通过使用一组称为Sigma点的采样点来近似非线性系统的状态和观测模型，从而避免了EKF中需要求解雅可比矩阵的线性化过程。

5）粒子滤波器

粒子滤波器（ParticleFilter，PF）是一种基于蒙特卡洛采样方法的非线性、非高斯状态空间模型的状态估计算法。粒子滤波器通过使用大量的样本来近似系统的概率分布，从而可以处理具有较强非线性和非高斯特性的系统[13]。粒子滤波器在处理非线性和非高斯问题方面具有更好的性能[14]。

1.1.2安时积分法

该种方法是获取电池SOC估算最普遍的方法，其中电池的SOC通过电流积分计算。因为它属于开环计算，所以传感器误差可能会累计，从而使得SOC的误差增大。

1.1.3放电测试法

通过在特定条件下进行放电测试来准确地确定电池的剩余电量。放电测试法主要在实验室环境下用于电池性能的测试和评估，它无法用于电动汽车实际运行过程中的BMS在线估算。

1.1.4人工神经网络法

神经网络具有形成非线性映射的能力，以展示复杂的非线性模型。目前，应用于SOC估计的常见神经网络类型包括前馈神经网络和循环神经网络，以及它们的改进算法。

1）前馈神经网络

前馈神经网络（FeedforwardNeuralNetwork，FNN）是一种广泛应用于回归和分类问题的人工神经网络。在SOC估计中，