钜大LARGE | 点击量：7165次 | 2021年04月23日
有关动力锂电池SOC以及常见估算的方法介绍
一、SOC的含义
SOC，全称是StateofCharge，荷电状态，也叫剩余电量，用来反映电池的剩余容量，其数值上含义为剩余容量占电池容量的比值。假如以电池充满状态含义为SOC=1，含义式可表示为
或
式中，QC为电池剩余的电量，CI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：目前业内关于电池充满一般含义为：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)；关于电池放空(SOC为0%)也有类似的含义。
符合Exic IIB T4 Gc防爆标准
充电温度：0~45℃
-放电温度：-40~+55℃
-40℃最大放电倍率：1C
-40℃ 0.5放电容量保持率≥70%
美国先进电池联合会（USABC）的《电动汽车电池实验手册》中将SOC含义如下：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。
式中，Q0为电池剩余的电量，QN为电池在等同条件下额按时所具有的容量。此外还有日本本田公司的电动汽车（EVPlus）含义SOC如下：
二、SOC及估算的意义
在新能源汽车的运行中要动力锂电池供应动力源，而电池荷电状态预测器能够预测电池剩余电量，进而可以预测电池的续航时间和续航里程。实际应用中，受到温度、充放电、自放电、一致性、以及电池老化现象发生等因素的影响，破坏了动力锂电池自身能量的保持能力，造成容量衰减，很难精准地获取SOC值。所以我们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，如电流积分法、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。因此在考虑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。
三、常见估算的方法
（一）电流积分法
电流积分法又被称为安时法，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含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电流积分法计算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值无法通过电流积分法得到。通常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。所以实际工程上电流积分法一般作为其他算法的基础或结合其他算法来进行估算。
（二）放电试验法
放电试验法是将目标电池进行持续的恒流放电直到电池的截止电压，将此放电过程所用的时间乘以放电电流的大小值，即作为电池的剩余容量。该方法一般作为电池SOC估算的标定方法或者用在蓄电池的后期维护工作上，在不了解电池SOC值的情况下采用此方法，相对简单、可靠，并且结果也比较准确，同时对不同种类的蓄电池都有效。但是放电试验法也存在两点不足：第一，该方法的试验过程要花费大量的时间；第二，使用此方法时要将目标电池从电动汽车上取下，因此该方法不能用来计算处于工作状态下的动力锂电池。
（三）开路电压法
是根据电池的开路电压（OpenCircuitVoltage，OCV）与电池内部锂离子浓度之间的变化关系，间接地拟合出它与电池SOC之间的一一对应关系，即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。通过实验获得锂离子电池充放电的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。
（四）卡尔曼（Kalman）滤波法
卡尔曼滤波法是美国数学家卡尔曼（R.E.Kalman）在上世纪60年代初发表的论文《线性滤波和预测理论的新成果》中提出的一种新型最优化自回归数据滤波算法。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，再利用输出的校验用途，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。
（五）神经网络法
神经网络法是模拟人脑及其神经元用以处理非线性系统的新型算法，无需深入研究电池的内部结构，只需提前从目标电池中提取出大量符合其工作特性的输入与输出样本，并将其输入到使用该方法所建立系统中，就能获得运行中的SOC值。该方法后期处理相对简单，即能有效防止卡尔曼滤波法中要将电池模型作线性化处理后带来的误差，又能实时地获取电池的动态参数。但是神经网络法的前期工作量比较大，要提取大量且全面的目标样本数据对系统进行训练，所输入的训练数据和训练的方式方法在很大程度上都会影响SOC的估计精度。此外，在电池温度、自放电率和电池老化程度不统一等因素的复杂用途下，长期使用该方法估算同一组电池的SOC值，其准确性也会大打折扣。因此，在动力锂电池的SOC估算工作中该方法并不多见。
