你的位置:电池回收 > 电池知识 > 正文

电池系统的荷电状态估计方法研究现状

2015-09-11 14:44      点击:



     为保证电池系统具有良好的性能及较长的使用寿命,且便于对电池系统进行有效地管理与控制,需要准确估计大容量电池系统及其各级组成部分的 SOC。但因电池在实际使用中表现出高度非线性,导致很难准确地进行 SOC 估计。传统的 SOC估计方法主要有开路电压法(Open Circuit Voltage,OCV)、阻抗法和安时法(Amperhour,Ah)等;近年来又相继出现了几种新型算法,如模糊逻辑法、神经网络法、卡尔曼滤波法(Kalman Filter,KF)、线性模型法、支持向量机等。
 

开路电压法适用于测试稳定状态下的电池 SOC,通常用作其它算法的补充。阻抗法测量复杂,在实际应用中比较困难。
 

安时法最为直接明显,且简单易行、精度较高,但长时间工作时易产生较大的累积误差、且 SOC 初值不易确定。目前,安时法是实际应用中最常用的方法,且常与其它估计法组合使用,如安时-开路电压法、安时-Peukert 方程法、安时-KF。虽然这些组合算法目前还未成熟,且有些复杂算法仍难以在单片机系统中实现,但随着电力电子及计算机水平的发展,其开发具有广泛的应用前景。
 

神经网络法可用于不同类型电池的 SOC 估计,其主要缺点是需要大量试验数据来进行训练,且训练方法和训练数据对估计误差的影响很大,适用范围也因此受限,在实际应用中较难实现。同时,神经网络法多适用于恒负载、恒流充放电状态时电池的 SOC 估计,而不宜用于电流变化剧烈、工作状态变化多样等工况,如用于电动汽车中电池的神经网络 SOC 估计法还有待进一步研究。
 

卡尔曼滤波算法的核心思想是对系统状态进行最小方差意义上的最优估计。该算法主要是由一系列含 SOC 估计值及表示估计误差的协方差矩阵的递归方程构成,其主要优点是具有较强的鲁棒性及抗扰能力,即对 SOC 初始误差不敏感且适宜于电流波动剧烈的应用场合,缺点是对系统计算能力及电池模型精度要求高。随着计算机水平及控制技术的提高,卡尔曼滤波算法将得到人们越来越多的青睐。
 

从目前国内外研究情况来看,以上关于 SOC 估计的各种方法仍主要是应用于小容量电池系统,针对大容量电池系统的 SOC 估计常采用与单体或模块相同的传统 SOC 估计方法,然而因大容量电池系统含有大量电池单体,且每个电池单体的性能参数、工作特性均呈非线性,这些传统法估计精度必将大大降低,因此,有关大容量电池系统的 SOC 精确估计法迫切有待进一步研究。