【《动力电池常见的SOC估算方法综述》3900字】.docx

《【《动力电池常见的SOC估算方法综述》3900字】.docx》由会员分享，可在线阅读，更多相关《【《动力电池常见的SOC估算方法综述》3900字】.docx（6页珍藏版）》请在第壹文秘上搜索。

1、动力电池常见的SOC估算方法综述目录动力电池常见的SOC估算r01放电t三2安H三、249F*SM35AMStt3638粒子算漆491网籍算法410卡尔JtiWt法5在飞速发展的一个时代，科学技术的进步可谓一步千里，更新换代的速度是非常迅速的。电动汽车的发展也是同样如此，对于分布式驱动电动车动力电池的SOC估计也被安排上了日程。因此许多经典的SoC估计方法被提出。本章介绍/计算SOC的一些常用方法。1放电试验法在充电放电的过程中都是以小且稳定的电潦放电，当放电的电压低于截止时的电压就停止放电。此时的蓄电池充电状态SOC是蓄电池放电电流和工作时间的乘积。由于该方法应用范围广。采用放电法测定电池的

2、荷电状态，满足r测量精确、操作相对简单的节能原理。然而，缺点也是很突出的。这需要时间，在测量时电池不工作，电池SOC处于断开的个时候。因此，该方法适用于动力电池的检隹和维修，不适用于实际过程中分布式驱动电动车动力电池SOC的实时预测。在许多SoC估算方法中，放电法很有效，但效率最低。2安时法安时法也称为电荷累积法或库仑测量法，是常用的SOC估计方法具体公式如下:SOC=SOC0-R1.dt(2-3)其中，5。CO是初始状态的SOC值：CN是电池额定容量；V为库仑效率；1为电池电流。安时法估算动力电池的SOC属下一种简单且有效的方法，在知道一些相关参数的情况F.根据公式计算动力电池的SOCo但是

3、，这种估计方法存在比较大的缺陷，主要表现在以下三个方面。动力电池的自放电问题：三个原因，第一点是在常用的传感器中不能够准确测量电池本身放电的电流。第二，电流传感器通常安装在工作电路中，在不运行的情况下会导致白然放电的电流检测不到.第三，如果汽车BMS不工作，仍然存在放电现象，例如，汽车“发动机停止”后，它被留在车库里。此时，BMS不需要运行，蓄电池的自动放电状态自然无法监控。存在累积误差.由手电流传感器精度不高，采样猱率低，外部信号干扰影响大，测量电流不准确，存在误差。该误差通过枳分方程的电流而累积，使得电池SOC的估计误差变大。为了消除累积误差，需要对SoC的估计值进行修正。种更有效的常用校

4、正方法是不方便应用于电动汽车的实际车辆运行。初值问题：安时法可以解决一段时间内电量的变化，但最终还是对电池的SoC感兴趣“根据该公式,当前时刻的SOCtfi与SOC初始值的准确性密切相关.当SOC的初始值有误差时，安时估计方法在这种情况下是不可能准确估计的，3内阻法由于动力电池的内阻在数值上很小，电池在正常放电时内阻在百分之四到百分之六的范围内，电池的内阻很容易受到测量线的阻抗的影响.而这种方法的实现需要额外的函数生成器和电路。因此，不适用于实际生活中电动汽车的SOC估算。当电池的剩余电星小于额定值，就可以观测到电池内阻显著增大，这就导致估计的准确性会下降，估计电池的鼎余电量与电池内阻之间存在

5、一定的数学关系。在对电池内阻进行测量后进行相关的数学运算就可以计算出电池的剩余电量。4开路电EE法开路电压法有个致命的缺点，需要静止的时间长，才能获得开路电用的稳定状态值。在实际用车的过程中，需要把车辆处于一个停止的状态下才能估计出电池的剩余电量。由于电压在电池充放电的开始和结束时变化很大，因此可以用开路电压法来估计SOC的影响.开路电压法也可称为OCV法与电池的端电压和SOC在经过一段时间的静置后会具有相对对应的函数关系，所以测量开路电压值后可以根据对应的函数关系式来估计电池的剩余电量。5负电压法负栽电压法屈丁开路电压法的一种改进方法，开路电压法需要很长的时间.假设电池电流恒定，负载电压与电

6、池开路电压之间存在对应关系，则电池SOC的获得方式与开路电压法相同。这种方法在理论上没问题的可通过的，但在实际应用中还是有许多困难,首先，磷酸铁锂动力电池的内阻受多种因素影响，很难准确获得相关参数。负载电压法需要最终估计OCV或EMF（电势）,这也存在OCV法的缺陷。对于实际使用中的电动车，电流波动较大，难以获得精确数据。通过对大量数据的研究和分析，建立精确的负载电压和剩余电量的数学模型，可以有效的解决这个问题，但是难度比较大,因此负载电压法不太适用丁分布式驱动电动汽车在日常的使用中。6线性接型法根据当前的端电压Uk、SOC的变化量ASOCk、电流，以及上一时刻的荷电状态SOCkT等电池参数建

7、立相应的线性方程，其中SoGC是当前该时刻的电池SoC：系数B可根据参考数据通过最小二乘法辨识得到。该方法适用于电潦小、SoC速度慢的情况.其方程如下：(2-4)SOCk0+Uk+2k+夕3SoCkTSOCk=SOQT+MoCk理论上认为估计电池的剩余电量可以应用于各种类型的电池，但它对测量误差和初始条件不正确具有很强的鲁棒性，但目前的线性模型仅适用于铅酸蓄电池,对于其他类型的电池适用性还是不足。7横粗控修尊法模糊控制是从模糊、模糊或不准确的信息中提取准确结论的一种简单方法,该算法既能从近似数据中找到准酹的答案，也能从人身上找到准幽的答案。模糊控制算法的逻辑与般的逻辑不同，要利用精确的数学模型

8、和精确的数字来构建模型，通过我们生活和学习中各方面的经验来建模的。该算法可以获得大地的电池性能信息，对电池SOC或SOH进行更准确的评估，对电池状态进行更严密的分析和监控“同那些精确数据的模型相比，对于克法的研究方面较为简单，将输出的量控制的一个理想的范用内。由于所使用的电源单元线性度不够,基于漂移率控制的方法对电源模型的依赖程度不高，对精确建模纯在困琲，但控制参数的选择取决手过程中获得的经验。8粒子注波算法PF算法是基于贝叶斯估计和蒙特卡罗方法的非线性统计漉波克法，粒子滤波算法对噪声没有要求，在波动系统参数估计中占有明显的优势。其显著特点是非高斯非线性系统状态估计的优步漉波器，所以不需要克服

9、状态变贵的概率密度。但是，在估计的过程中无法避免的纯在粒子退化的问题，就需要从分布函数的方面来入手。近年来,对于粒了滤波技术被广泛应用于电动汽车动力电池S(K的估计中，SoC的估计容易出现偏差。而斯粒子波波适用丁SoC估计算法中，但其鲁棒性较差。非线性滤波方法的算法本身存在适用性问题，作为处理非线性系统状态估计问题的一种方法，估计精度也存在何题。在分析粒子港波算法的原理时，采用方法的选择直接影响到滤波性能。而粒子滤波是近年来比较新的一种算法，算法木身还不成熟。9神经网络算法常一个神经元具有多个树突，主要用来接受传入信息信息，信息通过轴突传递进来后经过一系列的计算(细胞核)最终产生一个信号传递到

10、轴突，轴突只有条，轴突尾端有许多轴突末梢可以给其他多个神经元传递信息。轴突末梢跟其他神经元的树突产生连接，从而传递信号。这个连接的位置在生物学上叫做“突触也就是说一个神经元接入了多个输入，最终只变成一个输出，给到了后面的神经元，那么基石此，我们尝试去构造一个类似的结构，而神经网络算法就是堪于此的。BP网络(BaCk-PrOPagatiOnNetWOrk)乂称反向传播神经网络，通过样本数据的训练，不断修正网络权值和网值使误差函数沿负梯度方向下降，逼近期里输出。它是一种应用较为广泛的神经网络模型，多用于函数逼近、模型识别分类、数据压缩和时间序列预测等。人工神经网络(ArtifiCia1.Neura

11、1.Network.ANN)是一种通过数学模型模拟人脑和神经元相互联系的计算机系统结构，它对人脑的信息进行处理，对学习过程中所能存储的信息进行处理“为此，采用神经网络模型来描述锂离子电池的非线性特性，并利用实验的输入输出数据建立了神经网络模型。通过使系统的最终输出结果非常接近理想期望值，并使输出误差最小化，可以提r模型的精度,人工神经网络方法估计电池SOC的最大优点是可以从电池性能的经验中得到更准确的估计。通过测量电池的电压、电流、内阻和温度等数据可以作为输入量传输到神经网络，而不考虑输入和输出之间的内在数学关系。在利用神经网络的强非线性和自学习能力，最终得到SOC的估计值。神经网络方法在于不

12、断更新模型参数，适介于在线估计但在估计前需要采集大量的电池数据作为样本，数据对估计精度影响很大，这I可导致长时间的学习。10卡尔曼JI城法卡尔曼滤波Ka1.manFi1.ter.KF)算法在I960年由美国数学家鲁道夫卡尔里(Rudo1.fEiniIKahnan)首次提出离散系统下的Ka1.man/波算法.现在的卡尔夏波波法有扩展卡尔及漉波法和无迹卡尔空波波法等。卡尔夏波波算法鞋于电池的状态空间模型，交替估计电池的荷电状态。可以根据系统观测值连续地估计系统状态值。这种方法对大多数类型的电池适用性较高，但对电池模型的精度也是较高的。为了提高EKF打法的估计精度，何鸿文等教授采用自适应EKF算法进

13、行SoC估计。对Ku群算法进行了改进，优化了EKF算法和SOC估计。SaCd-SCPaSi等人优化了EKF.算法并进行SOC估计。采用多模型自适应EKF算.法对SOC进行了评估。由于采用近似线性泰勒展开对非线性系统进行线性化，eff尊法存在一定的精度损失.此外，EKF算法要求系统噪声服从高斯分布.基于白噪声假设，KF是以状态空间形式表示的线性最小方差的最佳标准.卡尔曼滤波是种受实时噪声干扰的离散观测数据，是种线性、无偏、最小误差方差最优估计的递推估计方法。因此，Ka1.man戏波算法非常适用于多输入系统，预测状态过程和动态的响应，使用测量值来修改预测值。与传统方法相比,大大降低了卡尔曼滤波的复杂度和存储匆杂度，满足了实时性要求。卡尔曼滤波法与其他方法相比，主要优点是可以同时得到动力电池剩余电量估计值的协方差和剩余电量估计误差的协方差，使估计的精度得到了提高。但该方法的缺点是计算曳杂，对模型的建立要求较高。卡尔及漉波方法在电池剩余电量估计中得到了广泛的应用，但该算法在很大程度上依赖于电池模型的精度，因此，电池模型的准确构建是主要问题。