鉅大LARGE | 點擊量:4226次 | 2018年10月15日
什么是動力電池SOC的估算方法
BMS的主要任務是檢測電池工作情況、估算電池SOC、電池健康狀況(StateofHealth,簡稱SOH),完成熱管理、充放電控制、CAN(ControllerAreaNetwork)通信、均衡檢測、故障診斷和液晶顯示等功能,使電動汽車的控制單元能夠及時有效地利用所傳遞的SOC等信息,對動力電池的過充或過放有防止作用。電池組的均衡技術,快速充電技術和電池SOC估算是電池管理系統的三項關鍵性技術。
電池荷電狀態(StateofCharge,簡稱SOC),指電池中剩余電荷的可用狀態。SOC定義有多種多樣。目前在國際上比較統一的是從容量的角度給予定義,即荷電狀態SOC表示電池的剩余容量,其在數值上等于電池剩余容量與額定容量的比值。
電池荷電狀態SOC作為描述電池狀態的一個重要參數,對其進行準確地估算是當今電池研究的一個難題和熱點。因此,如果能夠對SOC進行準確的估算,那么將會對電池的研究和發展起著舉足輕重的作用。目前己經出現了很多較為精確的SOC估算方法,下面列舉幾種主要的方法:
1、放電測試法
放電測試法將動力電池以一定的放電倍率(一般為0.3C或1C)進行恒流放電至電池的截止電壓,將恒值電流(C0.3C或1C)乘以放電所用的時間可以得到電池放出的電量,即電池SOC值。
該方法常被用來作為電池容量測試的參考標準,適用于各種類型的動力電池。但是,這種方法的測試條件比較嚴格,需要電流恒定且測量準確,以至于只能局限于實驗室環境下所測得的數據。在實際應用中,電流大小并非恒定,且電流經常會被迫中斷,也需要消耗過多的時間,不可能有實驗室中穩定、可靠的理想環境,因此,該方法不適合實際應用。
2、開路電壓法
開路電壓法是根據電池的開路電壓(OpenCircuitVoltage,OCV)與電池內部鋰離子濃度之間的變化關系,間接地擬合出它與電池SOC之間的一一對應關系。在進行實際操作時,需要將電池充滿電量后以固定的放電倍率(一般取1C)進行放電,直到電池的截止電壓時停止放電,根據該放電過程獲得OCV與SOC之間的關系曲線。當電池處于實際工作狀態時便能根據電池兩端的電壓值,通過查找OCV-SOC關系表得到當前的電池SOC。
盡管該方法對各種蓄電池都有效,但也存在自身缺陷:首先,測量OCV前必須將目標電池靜置1h以上,從而使電池內部電解質均勻分布以便獲得穩定的端電壓;其次,電池處于不同溫度或不同壽命時期時,盡管開路電壓一樣,但實際上的SOC可能差別較大,長期使用該方法其測量結果并不能保證完全準確。因此,開路電壓法與放電試驗法一樣,并不適用于運行中的電池SOC估算。
3、電流積分法
電流積分法也叫安時計量法,是目前在電池管理系統領域中應用較為普遍的SOC估算方法之一,其本質是在電池進行充電或放電時,通過累積充進或放出的電量來估算電池的SOC,同時根據放電率和電池溫度對估算出的SOC進行一定的補償。如果將電池在充放電初始狀態時的SOC值定義為SOCt0,那么t時刻后的電池剩余容量SOC則為:
與其它SOC估算方法相比,電流積分法相對簡單可靠,并且可以動態地估算電池的SOC值,因此被廣泛使用。但該方法也存在兩方面的局限性:其一,電流積分法需要提前獲得電池的初始SOC值,并且要對流入或流出電池的電流進行精確采集,才能使估算誤差盡可能小;其二,該方法只是以電池的外部特征作為SOC估算依據,在一定程度上忽視了電池自放電率、老化程度和充放電倍率對電池SOC的影響,長期使用也會導致測量誤差不斷累積擴大,因此需要引入相關修正系數對累積誤差進行糾正。
4、人工神經網絡法
神經網絡法是模擬人腦及其神經元用以處理非線性系統的新型算法,無需深入研究電池的內部結構,只需提前從目標電池中提取出大量符合其工作特性的輸入與輸出樣本,并將其輸入到使用該方法所建立系統中,就能獲得運行中的SOC值。
人工神經網絡算法用于電池SOC估算時,常采用電池的開路電壓、充放電倍率、環境溫度和電池表面溫度等其中幾個參數組合或全部作為輸入變量。有研究者將電池容量的衰減度作為輸入變量,應用于不同尺寸的電池和不同容量衰減程度的電池時,運算結果都表現出一定的精確性。該方法用于電池SOC估算有著很多的優點,但同時也存在計算量大,耗時,需要大存儲空間,需要訓練樣本等一些問題。
5、模糊邏輯法
模糊邏輯方法是基于模糊邏輯推理理論,模仿人的思維方式系統的方法,對難以建立精確數學模型的對象實施的一種控制策略給出的一種描述控制。
不同于經典邏輯,需要一個精確的數學模型和準確的數值,模糊邏輯則允許使用來源于我們的知識和生活經驗的抽象概念來建模,用諸如大、小、非常熱、明亮的紅色、長時間、快或慢等主觀概念來表述。與數值系統相比,這種算法的開發相對簡單,然后將系統輸出映射到精確的數值范圍來表征系統特性。模糊控制廣泛應用于自動化控制系統中,使用該算法,可以獲取大量能表征電池性能的信息,以對電池SOC或者SOH更準確的估計,能夠對電池狀態進行一個較為全面的分析監測。
6、系統濾波法
相對于前述的幾種方法,系統濾波算法具有閉環控制和實時性強的優點,因此目前被廣泛應用于電池SOC估算,最常用到的系統濾波算法是卡爾曼濾波算法。
卡爾曼濾波是在20世紀60年代由美籍匈牙利數學家卡爾曼(R.E.Kalman)提出來的,他將狀態空間分析方法融合到濾波理論中,自其問世以來,卡爾曼濾波作為一種最優狀態估算方法,可以應用于受隨機干擾影響的動態系統。
準確地說,卡爾曼濾波本質是一種遞推算法,可以實時獲得的受噪聲干擾的離散觀測數據,對系統狀態進行線性、無偏及最小誤差方差的最優估計。因此,卡爾曼濾波算法不僅僅適用于動態的隨機過程,而且可以實現遞推,通過預測新的狀態和它的不確定性,然后采用新的測量值修正校準預測值,非常適用于多輸入系統。因此,對于計算機運算,卡爾曼濾波的運算量和存儲量較傳統方法大為減少,能夠滿足實時性的要求,目前在工程實踐中迅速得到了廣泛的應用。
然而,卡爾曼濾波算法作為一種線性算法在應用到非線性系統中時存在一定的困難,因此許多基于卡爾曼濾波算法的的改進算法被提出。
鋰離子動力電池的SOC是一個非直接測量變量,不能通過傳感器件直接測量得到,只能通過可測量變量結合控制算法進行估算,加之鋰離子動力電池的工作過程是一個較為復雜的電化學反應過程,內部狀態多變且難以預知,同時在工作時也會受到外部環境多方面因素的影響。
但是在實際應用中,SOC又是一個非常重要的參考量,它是使用者判斷電池系統狀態的依據。相比較而言,卡爾曼濾波算法及其改進算法是一類較有前途且應用廣泛的算法。
上一篇:鋰電池的種類有幾種
下一篇:手機電池為何還是3000毫安?