动力电池管理系统核心内容—SOC估计

在电动汽车中我们要避免电池的过放电、过度充电和过热等等，因为一次过放电就会造成电池的永久性损坏，过热甚至会导致电池爆炸，这都是BMS（Battery Management System），即动力电池管理系统要严格控制的，其中控制的基础参数便是SOC（State of Charge）。

什么是SOC？

SOC即电池的荷电状态，定义为在一定的放电电流下，当前电池的剩余电量与总的可用电量的比值。通俗来讲就是一个反应电池剩余电量的一个指标

在公式中，为电池的剩余电量；为蓄电池的总容量。

为什么要进行SOC估计？

SOC可以直接影响到电池的电压、电流。当我们可以得知SOC时，也就知道了汽车的“油量”。而且电压电流与动力输出的效率、能量的管理都有着直接的关系，所以说SOC是BMS的一个“基础参数”，很多管理方式都是基于SOC才能施行。

其次，避免过充过放的保护电路也是基于SOC实现的，当SOC到达指定的上限时，便会停止充电，起到保护电池寿命的作用，放电过程也是如此。

SOC估计也让我们可以对每个电池的剩余电荷有所了解，通过一定的技术，可以将SOC少的电池与SOC多的电池均衡，使得SOC较慢到达充电上限或者放电下限，提高我们的总体充放电时间，提高续航能力。

由于SOC不能直接获得，因此我们只能通过间接方式对SOC估算，估算方法大致分为三种，包括安式积分法、开路电压法和卡尔曼滤波法。首先用表格粗略总结一下这几个方法的优劣。

表1几种常用的SOC****估算方法比较

安时积分法

安时积分法是最为常用的SOC估算方式。我们都知道Q=It，当电流是不断变化时，通过对电流在一段时间的积分，便可以得到变化的电荷量。安时积分法也运用了同样的原理，通过在一定时间内对电流进行积分，得到在这段时间内的电荷变化量，将初始电荷量减去变化的电荷量，便可以估算当前的SOC。

安时积分法较简单，但是，当测量的电流值不准确时，SOC估算会有很大误差；其次充放电效率的判定，在电流波动大和高温状态时会有明显误差；而且他对于初始的SOC是无法进行估计的，只能估计一段时间的SOC变化量。所以使用安时积分法时，要综合考虑环境状态等参数变化，并对估计得到的SOC进行修正，使得估算的结果更为准确。

开路电压法

开路电压法的主要思路是拟合开路电压和SOC之间的关系，如图1所示，当电池处于实际工作状态时，通过得到的关系曲线，根据电池两端的电压得到当前电池的SOC。那么在实际过程中，如何拟合开路电压和SOC之间的关系呢？

图 1串联式混合动力

在进行实际操作时，首先将电池电量充满，之后经过一段时间的静置，使电池内部电解质均匀分布，得到稳定的开路电压。然后将电池以固定的放电倍率（一般取1C）进行放电，根据该放电过程得到电池SOC，从而建立开路电压与SOC之间的关系曲线。为了得到准确的关系曲线，通常会经过大量反复试验。

电池在充放电的初始和末尾阶段，开路电压变化明显，此时估计比较准确。所以常使用开路电压法对电池初始SOC进行估计，结果也比较准确。但是在测量开路电压时必须将电池静置1h以上，而且在不同环境温度和电池寿命时，SOC差别较大，因此开路电压法不适用于运行中的电池SOC估算，如果该方法单独使用只能用于电动汽车驻车阶段。

但是随着电池技术的不断发展，新型磷酸铁锂电池已经可以在不需要静置的情况下使用开路电压发进行估计，根据文献所采用的18650磷酸锂电池的充放电试验发现，可以采用精简开路电压法对SOC估算，而且可以满足精度要求。

测量内阻法

除了上述两种方法外，还有测量内阻法，它与开路电压法具有相似的原理，利用电池电阻与SOC存在线性关系对SOC估算。但其由于电池内阻难以测量和不断变化，导致估算精度较低。

这些SOC估算方式各有其优缺点，在实际情况中一般不单独使用，而是结合起来共同估算SOC。徐尖峰等人以开路电压法估算SOC初值，然后使用测量内阻法修正通过电流积分得到的SOC，通过试验分析，其误差值在5%以内，可以较为精确估算SOC。

卡尔曼滤波法

卡尔曼滤波理论的核心思想是用状态空间形式来表示动态系统，对动态系统的状态做出最小方差意义上的最优估算。乍听起来有点儿吓人，对于这句话可以这么简单理解：当你同时拥有两个传感器时，测量同一个信号，但是他们总归有一些差别，那么如何获得最优的结果呢？我们通常会对这两个信号结果取平均，或者为了更加准确根据传感器各自特性对结果进行加权平均，而卡尔曼滤波就类似于加权平均。

那么他是怎样加权的呢？我们举一个具体的例子，如图2所示，橙色和灰色的两个正态分布数据就是传感器得到的结果，他们服从正态分布，通过卡尔曼滤波，我们可以得到最优估计为绿色的正态分布结果，在之后的估计中，我们就以绿色部分作为初始的估计值，一步一步迭代下去。

图 2卡尔曼滤波原理图

实际估计SOC时采用如图3所示的流程。也就是两个传感器分别为开路电压法获得的曲线和等效电路模型，对这两种方法的结果进行卡尔曼滤波获得最优SOC估计。

**图 **3卡尔曼滤波法SOC估计

使用卡尔曼滤波时，我们可以通过一次一次的迭代使得结果越来越趋向于真实值，因此对于初始值SOC要求不是很高，但是当“传感器”精度下降或者有很大偏差时，SOC估计效果将会不甚理想，因此如何找到一个精确的等效模型是目前卡尔曼滤波面临的问题。

SOC估计仍然是电池管理系统的一大重点和难点，文中介绍的SOC这三种估计方法，各有优劣，最为基本的就是开路电压法和安时积分法，人们常常以这两种方法为基础，并结合别的估算方式对安时积分法进行修正，弥补各个方法的不足，例如采用测量内阻法，卡尔曼滤波以及一些卡尔曼滤波的变形等，提高SOC估算的精度。

随着一步步深入研究，越来越多的SOC估算方法被提出，估算精度也相应的不断提升，这将成为动力电池汽车发展的一大强劲助力。