动力电池SOC估算方法的实时工况对比研究

作者：耿晶 张万良 战东红 王维振 张传龙 来源：《时代汽车》2021年第02期

摘 要：随着燃料电池混合动力汽车的普及，三元锂电池的荷电状态（SOC）估算应用是电池管理系统的重要研究方向，直接决定燃料电池混合动力系统的续航里程。为进一步了解和

探索SOC估算方法的准确性，本文基于电池物理模型，通过安时积分法（AH）和内阻法SOC与实际路况SOC的对比分析，研究结果表明：内阻法SOC估算方法能够更符合实际车辆运营SOC的变化情况。

关键词：电池模型 AH 内阻法 SOC 车辆运营

Comparative study of the Power Batteries on Real-time Conditions of SOC Estimation Methods Geng Jing Zhang Wanliang Zhan Donghong Wang Weizhen Zhang Chuanlong

Abstract：With the popularity of fuel cell hybrid vehicles， state of charge（SOC）estimation of ternary lithium batteries is an important research directions for battery management systems， which directly determines the mileage of fuel cell hybrid power systems. In order to further

understand and explore the accuracy of SOC estimation method， this paper， based on the battery physical model， compared the SOC of AH method with internal resistance method under the SOC of actual road condition. The result shows that the SOC estimation method of internal resistance method can better meet the changes of SOC in actual vehicles operation.

Key words：battery model ， AH， internal resistance method， SOC， vehicle operation 1 引言

隨着传统车辆对环境的污染越来越大[1，3]，能源的短缺越来越明显，清洁无污染的能源技术得到了世界各国的密切关注。新能源汽车[2，4]作为新型交通工具，具有零污染、零排放、舒适度高、资源消耗低等很多优势[5]，为了缓解环境污染和能源紧张的现状，国家大力扶持新能源汽车的发展。新能源汽车包括纯电动汽车、氢发动机汽车、燃料电池混合动力汽车、燃料电池电动汽车、增程式电动汽车、其它新能源汽车等[6]，其中，燃料电池混合动力汽车发展前景十分美好[7]。

燃料电池混合动力汽车解决了燃料电池汽车存在的一系列问题，包括在加速、爬坡等条件下需要输出较大功率且功率波动频繁，燃料电池动力系统瞬态响应慢，持续输出峰值功率能力有限[8-9]，且能量无法回收再生制动能量等。因此，燃料电池混合动力系统得到了广泛应用，刘硕[10]等人针对燃料电池混合动力车，设计燃料电池+蓄电池混合动力系统，充分发挥两者的优点从而提高能源利用率和燃油经济性。针对有轨电车在大功率峰值需求和减速制动过程中，恒定的SOC平衡系数不能满足瞬时等效氢耗最小的指标要求问题，建立基于燃料电池/锂电池的混合动力有轨电车动力系统模型，并通过分析SOC平衡系数与氢耗特性，张国瑞[11]等人提出一种基于运行模式和动态混合度的等效氢耗最小化能量管理控制方法。燃料电池混合动力系统的原理是通过锂电池提供燃料电池的瞬态需求功率以及制动能量回收，确保燃料电池在出现故障和功率不足的情况下，动力电池可以及时补充电量，在制动能量回收的情况下，可以回收多余的电量，避免能量的浪费。而燃料电池混合动力系统三元锂电池的SOC的变化情况

可以直观的看出动力电池的工作情况。高精度、高鲁棒性的SOC估算策略更准确地进行实时电量预测，避免电池充放电超过限值而引发的一系列安全性问题。鉴于此，SOC的估算方法成为了我们研究的重中之重[12-13]。

SOC的估算方法有[14]：开路电压法、神经网络和卡尔曼滤波法、内阻法、安时积分法。神经网络法虽然适用于各类电动汽车，但需要大量样本数据，需要更高性能的芯片，在电池管理系统中应用成本高，不具备大范围使用的优势;卡尔曼滤波法常用于电流变化较大的电动汽车，但是此算法依赖准确的电池模型，对系统要求高，因此在实际SOC估算中也不实用;相对于神经网络和卡尔曼滤波法而言，开路电压法提出时间较早，只要测量或者计算电池的开路电压就可以估算电池的SOC[18];内阻法是通过电池内阻与SOC之间的数值关系建立函数模型来估算电池的SOC，此方法优点是电池充放电后期内阻变化剧烈的时候，具有很高的精确度和适应性;安时积分法是根据电池充电和放电的大小，采用电流的时间积分进行SOC的计算，由于简单，有效，所以得到了广泛的使用。

本文基于安时积分法、内阻法、开路电压法，对比研究不同车辆，不同行驶工况的SOC变化情况，研究一种SOC估算精度更高的方法。 2 电池模型及SOC估算方法

2.1 安时积分电池模型及SOC估算方法 AH积分SOC估算模型如图1。

AH积分法是最常用的SOC估计方法[15]。如果充放电起始状态记为SOC0，则当前状态的SOC为

其中，SOC0为SOC的初始值，CN为电池额定容量，η为充放电效率，I为电池电流，放电电流为正，充电电流为负。 2.2 内阻法模型简化SOC估算方法

内阻法考虑了电池内部复杂过程，电池内部损耗对输出电压及SOC的影响，三元锂电池等效模型[12-13，16-17]采用图2所示的Thevenin模型。该电池模型能够同时等效出电池的静态过程和电池的极化现象，而且阶数低，对处理器的运算能力要求低。此外，该电池模型能够清楚的表达电池开路电压与端电压间的函数关系以及电池的影响因素与各特征量之间的数学关系。

图1中，UOC为等效开路电压，U为端电压，R0为等效内部欧姆电阻，RP为等效极化电阻，CP为等效极化电容。

对于Thevenin模型，选择UP和SOC为状态量，根据内阻法求出闭环电压及SOC估算公式如下

式中，QCP为极化电容容量。QCP，max为电池最大容量。

由于电池内阻、极化电阻和极化电容参数复杂，因此对内阻法模型进行简化。基于内阻和开路电压的电池SOC估算方法在直流电路的情况下，电池的等效电路可认为是一个电压源（即电池开路电压）和电阻（电池内阻）的串联电路组成（即戴维南等效电路）[19]，电池等效模型[12-13，16]可简化为图3所示的模型

通过测得的电池充放电过程中，根据检测到的充放电电流和端电压的关系可以通过下式求得

3 实时工况跟踪 3.1 AH积分法估算SOC

运行车辆是车辆1、车辆2，不考虑环境温度的影响。依据安时积分法，从运营数据电池总电流可估算出车辆的SOC值及与实际车辆运行的SOC值对比如图4、图5所示。 从图4和图5可以看出，通过安时积分法，可以方便，快捷的算出SOC的值，安时积分法由于对电流进行累积，而且远程监控数据是10s取一个电池电流值，所以累积误差会随着时间的积累，图4和图5两条曲线的变化都可以看出，当实车SOC变化范围增大的时候，车辆1根据安时积分法求出的SOC误差也随之增大。车辆2变化趋势和车辆1车相同，从图4和图5同时可以看出AH积分法估算出的SOC适用于动力电池电流变化范围较小的场所，估算出来SOC变化范围稳定， 在车辆实际运行过程中，安时积分法古估算的SOC值需通过阶段性的校准，才能用于车辆运行过程中电池SOC估算。 3.2 内阻法简化模型计算SOC

根据实际车辆运营输出电压和电流的平均值，并结合公式（4），估算出开路电压为560V，电池内阻为0.365欧。根据内阻法计算的车辆1和车辆2的总电压和SOC如图6、图7、图8、图9所示，依据电池总电压估算车辆SOC，从图6和图7车辆1和车辆2总电压对比图可以看出，内阻法算出的总电压和实际车辆运行总电压曲线拟合性能强，从图8和图9同时可以看出，内阻法估算的SOC和实车运行SOC曲线跟随性较好，内阻法估算SOC极值变化情况更加符合车辆实际运行的SOC曲线，车辆1和车辆2的SOC最大值和最小值及平均值均与实际车辆运行的SOC接近。 4 结论

论文主要考虑了充放电效率，电池内阻以及开路电压对SOC的影响，通过安时积分法和简化内阻法的SOC仿真和实际运营对比分析，验证了模型的准确性，同时可以得出基于简化内阻法的SOC估算值与实际车辆运营的SOC运行曲线接近，而安时积分法随着电流的累积，安时积分法计算的SOC与实际运营的SOC的误差随之增大，实际车辆运行过程中需不断校准SOC值的变化，因此，选用简化的内阻法估计SOC能够更加满足实际运营的要求。 参考文献：

[1]宋真玉.磷酸鐵锂蓄电池充电原理及特性研究[J].汽车实用技术，2018（21）：16-18+37. [2]Teng Teng，Xin Zhang，Han Dong，Qicheng Xue. A comprehensive review of energy management optimization strategies for fuel cell passenger vehicle[J]. International Journal of Hydrogen Energy，2020，45（39）：20293-20303.

[3]黄勇，曾帆，陈全世，周强，陈伏虎.燃料电池城市客车混合动力系统的自适应控制[J].公路交通科技，2006（09）：121-125.

[4]董本云.我国新能源汽车产业发展现状、问题及对策[J].企业经济，2015，34（03）：145-148.

[5]徐梁飞，李建秋，杨福源，欧阳明高.燃料电池混合动力系统镍氢电池特性[J].清华大学学报（自然科学版），2008（05）：864-867.

[6]胡小芳，薛秀丽.燃料电池发展现状与分析[J].汽车实用技术，2019（21）：34-35. [7]韩北川.基于模糊控制的混合动力船舶能量管理策略研究[J].机电工程技术，2019，48（07）：84-87.

[8]林雨姗，沈元兴，沈英.车用燃料电池混合动力系统自适应控制研究[J].机械制造与自动化，2019，48（04）：168-172+200.

[9]金振华，欧阳明高，卢青春，高大威.燃料电池混合动力系统优化控制策略[J].清华大学学报（自然科学版），2009（02）：273-276.

[10]刘硕.燃料电池混合动力电动车的系统设计及控制策略研究[D].重庆理工大学，2019. [11]张国瑞，李奇，韩莹，孟翔，陈维荣.基于运行模式和动态混合度的燃料电池混合动力有轨电车等效氢耗最小化能量管理方法研究[J].中国电机工程学报，2018，38（23）：6905-6914+7124.

[12]陈盛华.基于EKF-AH联合算法的锂离子电池荷电状态估算[J].电源技术，2019，43（01）：103-106.

[13]张易航，王鼎，肖围，许明标，何淼.锂离子电池SOC估算方法概况及难点分析[J].电源技术，2019，43（11）：1894-1896+1904.

[14]刘鹏飞.电池荷电状态估算方法研究[J].汽车文摘，2019（11）：49-57.

[15]谈发明，李秋烨，赵俊杰.观测模型误差不确定的锂电池SOC估计方法[J].电测与仪表，2020.http：//kns.cnki.net/kcms/detail/23.1202.TH.20191211.1521.010.html.

[16]何培杰，王琪，高田，马江睿.动力电池荷电状态优化方法研究[J].国外电子测量技术，2019，38（07）：37-42.

[17]纪常伟，李响，梁晨，汪硕峰，牛会鹏.基于LMS AMESim的车用燃料电池-锂离子动力电池混合动力系统能量管理仿真[J/OL].北京工业大学学报：2020.http：//kns.cnki.net/kcms/detail/11.2286.T.20191121.1036.020.html.

[18]姜威.LiFePO4动力电池二阶RC模型参数的研究[D].浙江：浙江大学，2015. [19]王宇鹏.基于内阻与开路电压差联合法的铅酸蓄电池SOC估计[J].科技与企业，2015（8）：186-188.