一. 荷电状态是什么
锂电池荷电状态也叫电池的SOC(State of Charge)简单的说叫剩余电量。代表锂电池的剩余电量与完全充满电量的比值,通常是一个百分比。SOC=0 代表完全放电,当SOC=1 表示电池完全充满。
SOC是一个通过采集的大量数据与实际电池数据比较建立的一套算法模型而估算出来的值。SOC的估算精度越高,相同容量的电池,放电时长就会更长,可以使电动车有更常的续航里程。高精度的SOC估算可以使锂离子电池组发挥最大的效能。
SOC估算是对电池应用研究的一个基础。锂离子电池在使用中的深度充放电,会大大减少其使用年限。精准的SOC估算可以防止这种情况的发生。剩余电量的准确显示,可以帮助汽车或者两轮电动车控制系统计算可行驶里程,为用户更好的规划行程路线。
SOC算法一直是锂离子电池管理系统(BMS)开发应用的关键技术之一。目前常采用的计算方法有安时积分法和开路电压标定法。所有的算法一定是建立在大量的数据采集,将实际数据与计算数据进行比较,不断的优化算法,从而越来越完善。
![](https://pic4.zhimg.com/v2-b0066a970ddd0516b096a354cb86a4d3_r.jpg)
二. 荷电状态的预测方法
锂电池荷电状态(SOC)目前主要的预测方法有:放电实验法、开路电压法、安时积分法、卡尔曼滤波法、神经网络法等。
1. 放电实验法
放电实验法的原理是:以恒定的电流使电池处于不间断的放电状态,当放电到达截止电压时对所放电量进行计算。放电电量值为放电时所采用的恒定电流值与放电时间的乘积值。放电实验法经常在实验室条件下估算电池的荷电状态,并且目前许多电池厂商也采用放电法进行电池的测试。
它的显著优点是方法简单,估算精度也相对较高。其缺点也很突出:不可以带负载测量,需要占用大量的测量时间,并且放电测量时,必须中断电池之前进行的工作,使电池置于脱机状态,因此不能在线测量。行驶中的电动汽车电池一直处于工作状态,其放电电流并不恒定,此法不适用。但放电实验法可在电池检修和参数模型的确定中使用。
2. 开路电压法
电池长时间充分静置后的各项参数相对稳定,此时的开路电压与电池荷电状态间的函数关系也是相对比较稳定的。若想获得电池的荷电状态值,只需测得电池两端的开路电压,并对照OCV-SOC曲线来获取相应信息。
OCV其实就是电池的开路电压,通过电压传感器就可以测量出来。而电池的SOC又可以通过电池充放电实验来控制,SOC-OCV的关系是那么可不可以测量在各个SOC值下的OCV来直接确定两者关系呢?也可以,但是因为电池的极化效应,想要测量准确的OCV得静止2小时,假设我们通过设置放电电流来控制电池的SOC从100%-0%变化,间隔为1%,那么整个实验做完至少需要200小时。
开路电压法的优点是操作简单,只需测量开路电压值对照特性曲线图即可获得荷电状态值。但是其缺点有很多:首先此方法要想获得准确值,必须使电池电压处于相对稳定状态,但电池往往需要长时间的静置,方可处于此状态,从而无法满足实时监测要求,往往应用于电动汽车长时间的驻车时。
3.安时积分法
实时测量电池包主回路电流,并将其对时间积分,充电为负放电为正。放电过程,用初始电量减去积分结果,得到当前电量;充电过程,用初始电量加上积分结果,得到当前电量。安时积分法的一个问题是,初始电量的判断,无法直接得到。另外,由于系统电流的波动性很大,而电流采样是间隔一定时间进行一次,使得采样值与一段时间的平均值并不一定近似,长时间累积下来,造成比较明显的误差,并且误差不是安时积分法自己能够消除的。因此,安时积分的实际应用必须与其他方法相结合,解决初值和累积误差的问题。
4.卡尔曼滤波法
卡尔曼滤波算法是利用时域状态空间理论的一种最小方差估计,属于统计估计的范畴,宏观上就是尽可能减小和消除噪声对观测信号的影响,其核心是最优估计,即系统的输入量在预估基础上对状态变量进行的有效修正。
该算法的基本原理是:将噪声与信号的状态空间模型作为算法模型,在测量时,应用当前时刻的观测值与上一时刻的估计值,对状态变量的估算进行更新。卡尔曼滤波算法对锂电池荷电状态进行预测的实质是安时积分法,同时用测量的电压值来对初步预测得到的值进行修正。
卡尔曼滤波法的优点是适合计算机对数据进行实时运算处理,应用范围广,可以用于非线性系统,对行驶过程中电动汽车的荷电状态预测具有较好的效果。卡尔曼滤波法的缺点是对电池模型的准确程度依赖较大,为了提高该算法预测结果的准确性和精度,需要建立可靠的电池模型。此外,卡尔曼滤波法的算法相对比较复杂,因此其计算量也相对较大,对运算器的性能有较高要求。
5、Ai 神经网络法
Ai 深度学习通过神经网络层自主学习并提高预测准确性。神经网络的目的是模仿人类的智能行为,通过并行结构与自身较强的学习能力获得数据表达的能力,能够在外部激励存在时给出相应的输出响应,并使具有良好的非线性映射能力。
神经网络法应用于锂电池荷电状态检测的原理是:将大量相对应的电压、电流等外部数据以及电池的荷电状态数据作为训练样本,通过神经网络自身学习过程中输入信息的正向传播和误差传递的反向传播反复进行训练和修改,在预测的荷电状态达到设计要求的误差范围内时,通过输入新的数据来得到电池的荷电状态预测值。
神经网络法的优点是可以对各种电池的荷电状态进行估算,适用范围广;不需要建立特定的数学模型,不用考虑电池内部复杂的化学变化过程,只需选择合适的样本,以及建立较好的神经网络模型,并且样本数据越多,其估算的精度越高;能够随时确定电池的荷电状态。神经网络法的缺点是对硬件要求较高,训练时所采用的数据样本的准确性、样本容量和样本分布以及训练方法都会对电池的荷电状态预测产生很大的影响。
以上就是什么是锂电池荷电状态及锂电池荷电状态预测方法的介绍了,锂电池的荷电状态预测考虑的因素越来越全面,所采用的预测方法往往是前述好几种方法的综合应用,使得预测结果更加准确。而且目前锂电池的等效电路模型不断发展,更加接近实际,使得荷电状态预测精度得到进一步提升。