作业帮对电池荷电状态估计的几种方法
来源：学生作业帮助网 编辑：作业帮 时间：2024/11/19 01:40:13
对电池荷电状态估计的几种方法
对电池荷电状态估计的几种方法
对电池荷电状态估计的几种方法
正确估计蓄电池的SOC,就能够在实现整车能量管理时,避免对电动汽车蓄电池造成损害,合理利用蓄电池提供的电能,提高电池的利用率,延长电池组的使用寿命.SOC估计有其特殊性,温度不同、倍率不同、SOC点不同,充放电效率也不同；电池放电倍率越大,放出电量越少；电池工作的温度过高或过低,可用容量降低；由于有老化和自放电因素的存在,SOC值需要不断修正. 1．放电实验法 放电实验法是最可靠的SOC估计方法,采用恒定电流进行连续放电,放电电流与时间的乘积即为剩余电量.放电实验法在实验室中经常使用,适用于所有电池.但它有两个显著缺点：一是需要大量时间；二是电池进行的工作要被迫中断.放电实验法不适合行驶中的电动汽车,可用于电动汽车电池的检修. 2．安时计量法 安时计量法是最常用的SOC估计方法.如果充放电起始状态为SOCO,那么当前状态的SOC为
（5-3） 式中,CN为额定容量；I为电池电流；η为充放电效率,不是常数. 安时计量法应用中的问题：电流测量不准,将造成SOC计算误差,长期积累,误差越来越大；要考虑电池充放电效率；在高温状态和电流波动剧烈的情况下,误差较大.电流测量可通过使用高性能电流传感器解决,但成本增加.解决电池充放电效率要通过事前大量实验,建立电池充放电效率经验公式.安时计量法可用于所有电动汽车电池,若电流测量准确,有足够的估计起始状态的数据．则它就是一种简单、可靠的SOC估计方法. 3．开路电压法 电池的开路电压在数值上接近电池电动势.电池电动势是电解液浓度的函数,电解液密度随电池放电成比例降低,用开路电压可估计SOC.镍氢电池和锂离子电池的开路电压与SOC关系的线性度不如铅蓄电池好,但根据其对应关系也可以估计SOC,尤其在充电初期和末期效果较好. 开路电压法的显著缺点是需要电池长时静置,以达到电压稳定.电池状态从工作恢复到稳定,需要几个小时甚至十几个小时,这给测量造成困难；静置时间如何确定也是一个问题,所以该方法单独使用只适于电动汽车驻车状态.开路电压法在充电初期和末期SOC估计效果好,常与安时计量法结合使用. 4．负载电压法 电池放电开始瞬间,电压迅速从开路电压状态进入负载电压状态,在电池负载电流保持不变时,负载电压随SOC变化的规律与开路电压随SOC的变化规律相似. 负载电压法的优点：能够实时估计电池组的SOC,尤其在恒流放电时,具有较好的效果.在实际应用中,剧烈波动的电池电压给负载电压法应用带来困难.解决该问题,要储存大量电压数据,建立动态负载电压和SOC的数学模型.负载电压法很少应用到实车上,但常用来作为电池充放电截止的判据. 5．内阻法 电池内阻有交流内阻（impedance,常称交流阻抗）和直流内阻(resistance)之分,它们都与SOC有密切关系.电池交流阻抗是电池电压与电流之间的传递函数,是一个复数变量,表示电池对交流电的反抗能力,要用交流阻抗仪来测量.电池交流阻抗受温度影响大,是在电池处于静置后的开路状态还是在电池充放电过程中进行交流阻抗测量,存在争议,所以很少用于实车上.直流内阻表示电池对直流电的反抗能力,等于在同一很短的时间段内,电池电压变化量与电流变化量的比值.在实际测量中,将电池从开路状态开始恒流充电或放电,相同时间内负载电压和开路电压的差值除以电流值就是直流内阻.铅蓄电池在放电后期,直流内阻明显增大,可用来估计电池SOC；镍氢电池和锂离子电池直流内阻变化规律与铅蓄电池不同,应用较少.直流内阻的大小受计算时间段影响,若时间段短于10ms,只有欧姆内阻能够检测到；若时间段较长,内阻将变得复杂.准确测量单体电池内阻比较困难,这是直流内阻法的缺点.内阻法适用于放电后期电动汽车电池SOC的估计,可与安时计量法组合使用. 6．线性模型法 C．Ehret等人提出用线性模型法估计电池SOC,该方法是根据SOC变化量、电流、电压和上一个时间点SOC值计算,建立的线性方程为 （5-4） （5-5） 式中,SOC(i)为当前时刻的SOC值；SOC（i-1）为当前一时刻的SOC值；△SOC(i)为SOC的变化量；U和I为当前时刻的电压与电流.β0、β1、β2、β3为根据参考数据,利用最小二乘法拟合得到的系数,没有具体的物理含义.上述模型适用于低电流、SOC缓变的情况,对测量误差和错误的初始条件,有很高的鲁棒性.线性模型理论上可应用于各种类型和在不同老化阶段的电池,目前只查到在铅蓄电池上的应用,在其他电池上的适用性及变电流情况的估计效果要进一步研究. 7．神经网络法 电池是高度非线性的系统,在它充放电过程中很难建立准确的数学模型.神经网络具有非线性的基本特性,具有并行结构和学习能力,对于外部激励,能给出相应的输出,能够模拟电池动态特性,来估计SOC.估计电池SOC常采用三层典型神经网络率：输入、输出层神经元个数由实际问题的需要来确定,一般为线性函数；中间层神经元个数取决于问题的复杂程度及分析精度.估计电动汽车电池SOC,常用的输入变量有电压、电流、累积放出电量、温度、内阻、环境温度等.神经网络输入变量的选择是否合适,变量数量是否恰当,直接影响模型的准确性和计算量.神经网络法适用于各种电池,缺点是需要大量的参考数据进行训练,估计误差受训练数据和训练方法的影响很大. 8．卡尔曼滤波法 卡尔曼滤波理论的核心思想,是对动力系统的状态做出最小方差意义上的最优估计.应用于电池SOC估计,电池被看成动力系统,SOC是系统的一个内部状态.估计SOC算法的核心,是一套包括SOC估计值和反映估计误差的、协方差矩阵的递归方程,协方差矩阵用来给出估计误差范围.该方法 适用于各种电池,与其他方法相比,尤SOC于电流波动比较剧烈的混合动力电动汽车电池SOC的估计,它不仅给出了SOC的估计值,还给出了SOC的估计误差. 对各种估算方法的优缺点、适用场合进行比较分析,比较分析结果见表5-5.