动力电池SOC电池荷电状态是什么

电池荷电状态(SOC)估计是BMS的关键和核心,它是多项控制策略都准确制定的前提。进行整车能量管理时,实现动力电池的SOC准确估计,能够避免对动力电池造成损害、合理利用动力电池提供的电能、提高电池的利用率、延长电池组的使用寿命。SOC估计有其特殊性,温度不同、倍率不同、SOC点不同,充放电效率也不同;电池放电倍率越大,放出电量越少;电池工作的温度过高或过低,可用容量降低;由于有老化和自放电因素的存在,SOC值需要不断修正。

1.jpg

常见的电池SOC估计方法有放电试验法、实际算法、开路电压法、负载电压法、内阻法、线性模型法、神经网络法、卡尔曼滤波法等。

(1)放电试验法

放电试验法是最可靠的SOC估计方法,采用恒定电流进行连续放电,放电电流与时间的乘积即为剩余电量。放电试验法在试验室中经常使用,适用于所有电池。但它有两个显著缺点:一是需要大量时间;二是电池进行的工作要被迫中断。放电试验法不适合行驶中的电动汽车,可用于电动汽车电池的检修。

(2)实际算法

实际算法是最常用的SOC估计方法。如果充放电起始状态为SOC0,那么当前状态的SOC为

0.jpg

式中,CN为额定容量;Ι为电池电流;η为充放电效率,不是常数。

实际算法应用中的问题:如果电流测量不准,则会造成SOC计算误差,长期积累,误差越来越大;要考虑电池充放电效率;在高温状态和电流波动剧烈的情况下误差较大。电流测量可通过使用高性能电流传感器解决,但成本增加。解决电池充放电效率要通过事前大量试验,建立电池充放电效率经验公式。实际算法可用于所有电动汽车电池,若电流测量准确,有足够的估计起始状态的数据,则它就是一种简单、可靠的SOC估算方法。

(3)开路电压法

电池的开路电压在数值上接近电池电动势。电池电动势是电解液密度的函数,电解液密度随电池放电成比例降低,用开路电压可估计SOC。镍氢电池和锂离子电池的开路电压与SOC关系的线性度不如铅酸动力电池好,但根据其对应关系也可以估计SOC,尤其在充电初期和末期效果较好。

开路电压法的显著缺点是需要电池长时间静置,以达到电压稳定。电池状态从工作恢复到稳定,需要几个小时甚至十几个小时,这给测量造成困难;静置时间如何确定也是一个问题,因此该方法单独使用只适于电动汽车驻车状态。开路电压法在充电初期和末期SOC估计效果好,常与安时计量法结合使用。

0.jpg

(4)负载电压法

电池放电开始瞬间,电压迅速从开路电压状态进入负载电压状态,在电池负载电流保持不变时,负载电压随SOC变化的规律与开路电压随SOC的变化规律相似。

(5)内阻法

电池内阻有交流内阻(常称交流阻抗)和直流内阻之分,它们都与SOC有密切关系。电池交流阻抗是电池电压与电流之间的传递函数,是一个复数变量,表示电池对交流电的反抗能力,要用交流阻抗仪来测量。电池交流阻抗受温度影响大,是在电池处于静置后的开路状态还是在电池充放电过程中进行交流阻抗测量,存在争议,因此很少用于实车上。直流内阻表示电池对直流电的反抗能力,等于在一段很短的时间段内,电池电压变化量与电流变化量的比值。在实际测量中,将电池从开路状态开始恒流充电或放电,相同时间内负载电压和开路电压的差值除以电流值就是直流内阻。铅酸动力电池在放电后期,直流内阻明显增大,可用来估计电池SOC;镍氢电池和锂离子电池直流内阻变化规律与铅酸动力电池不同,应用较少。直流内阻的大小受计算时间段影响,若时间段小于10ms,则只有内阻能够检测到;若时间段较长,则内阻将变得复杂。准确测量单体电池内阻比较困难,这是直流内阻法的缺点。内阻法适用于放电后期电池SOC的估计,可与安时计量法组合使用。

(6)神经网络法

估计电池SOC常采用三层典型神经网络率:输入、输出层神经元个数由实际问题的需要来确定,一般为线性函数。中间层神经元个数取决于问题的复杂程度及分析精度。估计电池SOC,常用的输入变量有电压、电流、累积放出电量、温度、内阻、环境温度等。神经网络输入变量的选择是否合适,变量数量是否恰当,直接影响模型的准确性和计算量。神经网络法适用于各种电池,缺点是需要大量的参考数据进行训练,估计误差受训练数据和训练方法的影响很大。

(7)卡尔曼滤波法

卡尔曼滤波理论的核心思想,是对动力系统的状态做出最小方差意义上的最优估计。应用于电池估计SOC,电池被看成动力系统,SOC是系统的一个内部状态。估计SOC算法的核心,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,协方差矩阵用来给出估计误差范围。该方法适用于各种电池,与其他适合于电流波动比较剧烈的混合动力汽车电池SOC的估计相比,它不仅给出了SOC估计值,还给出了SOC的估计误差。

各种电池SOC估算方法各有其优缺点和适用场合:对于恒定小电流或者电流缓变的情况,除开路电压法、负载电压法、放电试验法外,其他各种估算方法都具有很好的适应性,同时其估算的精度也满足要求;对于大电流或者电流波动剧烈的场合,卡尔曼滤波法和神经网络法具有较好的适应性,其余估算方法均出现不同程度的不适应性。虽然卡尔曼滤波法和神经网络法能够适应该场合,但是由于能力要求高,实现起来具有较高难度。这些缺点使得这两种方法在实际的应用中受到限制。