鋰電池荷電狀態(tài)是什么意思，鋰電池荷電狀態(tài)有什么預測方法?

一、鋰電池荷電狀態(tài)是什么意思

鋰電池荷電狀態(tài)也叫電池的SOC，全稱(chēng)是State of Charge，荷電狀態(tài)，也叫剩余電量，代表的是鋰電池使用一段時(shí)間或長(cháng)期擱置不用后的剩余容量與其完全充電狀態(tài)的容量的比值，常用百分數表示。其一般用一個(gè)字節也就是兩位的十六進(jìn)制表示，含義是剩余電量為0%~100%，當SOC=0時(shí)表示電池放電完全，當SOC=1時(shí)表示電池完全充滿(mǎn)。

SOC算法一直是鋰離子電池管理系統(BMS)開(kāi)發(fā)應用的關(guān)鍵技術(shù)之一。SOC的估算精度越高，關(guān)于相同容量的電池，可以使電動(dòng)汽車(chē)有更高的續航里程。高精度的SOC估算可以使鋰離子電池組發(fā)揮最大的效能。

目前最常采用的計算方法有安時(shí)積分法和開(kāi)路電壓標定法，通過(guò)建立鋰離子電池模型和大量的數據采集，將實(shí)際數據與計算數據進(jìn)行比較，這也是各家的技術(shù)秘籍，要長(cháng)時(shí)間大量數據積累，同時(shí)也是特斯拉技術(shù)含量最高的部分。特斯拉已經(jīng)在鋰離子電池冷卻、安全、電荷平衡等與BMS相關(guān)的領(lǐng)域申請核心專(zhuān)利超過(guò)上百項。

鋰離子電池的荷電狀態(tài)(SOC)估算是對電池應用研究的一個(gè)基礎,鋰離子電池在使用中的深度充放電,會(huì )大大減少其使用年限,精確的SOC估計可以防止這種情況;剩余電量的準確顯示,還能幫助汽車(chē)控制系統計算可行駛里程,駕駛者也可以更好規劃行駛路線(xiàn)。

二、鋰電池荷電狀態(tài)有什么預測方法

鋰電池荷電狀態(tài)目前主要的預測方法有：放電實(shí)驗法、開(kāi)路電壓法、安時(shí)積分法、卡爾曼濾波法、神經(jīng)網(wǎng)絡(luò )法等。

1、放電實(shí)驗法

放電實(shí)驗法的原理是：以恒定的電流使電池處于不間斷的放電狀態(tài)，當放電到達截止電壓時(shí)對所放電量進(jìn)行計算。放電電量值為放電時(shí)所采用的恒定電流值與放電時(shí)間的乘積值。放電實(shí)驗法經(jīng)常在實(shí)驗室條件下估算電池的荷電狀態(tài)，并且目前許多電池廠(chǎng)商也采用放電法進(jìn)行電池的測試。

它的顯著(zhù)優(yōu)點(diǎn)是方法簡(jiǎn)單，估算精度也相對較高。其缺點(diǎn)也很突出：不可以帶負載測量，需要占用大量的測量時(shí)間，并且放電測量時(shí)，必須中斷電池之前進(jìn)行的工作，使電池置于脫機狀態(tài)，因此不能在線(xiàn)測量。行駛中的電動(dòng)汽車(chē)電池一直處于工作狀態(tài)，其放電電流并不恒定，此法不適用。但放電實(shí)驗法可在電池檢修和參數模型的確定中使用。

2、開(kāi)路電壓法

電池長(cháng)時(shí)間充分靜置后的各項參數相對穩定，此時(shí)的開(kāi)路電壓與電池荷電狀態(tài)間的函數關(guān)系也是相對比較穩定的。若想獲得電池的荷電狀態(tài)值，只需測得電池兩端的開(kāi)路電壓，并對照OCV-SOC曲線(xiàn)來(lái)獲取相應信息。

開(kāi)路電壓法的優(yōu)點(diǎn)是操作簡(jiǎn)單，只需測量開(kāi)路電壓值對照特性曲線(xiàn)圖即可獲得荷電狀態(tài)值。但是其缺點(diǎn)有很多：首先此方法要想獲得準確值，必須使電池電壓處于相對穩定狀態(tài)，但電池往往需要長(cháng)時(shí)間的靜置，方可處于此狀態(tài)，從而無(wú)法滿(mǎn)足實(shí)時(shí)監測要求，往往應用于電動(dòng)汽車(chē)長(cháng)時(shí)間的駐車(chē)時(shí)。

當電池充放電比率不同的情況下，由于電流的波動(dòng)會(huì )使電池開(kāi)路電壓發(fā)生變化，從而導致電池組的開(kāi)路電壓不一致，使得預測的剩余電量與電池實(shí)際剩余電量產(chǎn)生較大偏差。

3、安時(shí)積分法

實(shí)時(shí)測量電池包主回路電流，并將其對時(shí)間積分，充電為負放電為正。放電過(guò)程，用初始電量減去積分結果，得到當前電量;充電過(guò)程，用初始電量加上積分結果，得到當前電量。安時(shí)積分法的一個(gè)問(wèn)題是，初始電量的判斷，無(wú)法直接得到。另外，由于系統電流的波動(dòng)性很大，而電流采樣是間隔一定時(shí)間進(jìn)行一次，使得采樣值與一段時(shí)間的平均值并不一定近似，長(cháng)時(shí)間累積下來(lái)，造成比較明顯的誤差，并且誤差不是安時(shí)積分法自己能夠消除的。因此，安時(shí)積分的實(shí)際應用必須與其他方法相結合，解決初值和累積誤差的問(wèn)題。

4、卡爾曼濾波法

卡爾曼濾波算法是利用時(shí)域狀態(tài)空間理論的一種最小方差估計，屬于統計估計的范疇，宏觀(guān)上就是盡可能減小和消除噪聲對觀(guān)測信號的影響，其核心是最優(yōu)估計，即系統的輸入量在預估基礎上對狀態(tài)變量進(jìn)行的有效修正。

該算法的基本原理是：將噪聲與信號的狀態(tài)空間模型作為算法模型，在測量時(shí)，應用當前時(shí)刻的觀(guān)測值與上一時(shí)刻的估計值，對狀態(tài)變量的估算進(jìn)行更新?？柭鼮V波算法對鋰電池荷電狀態(tài)進(jìn)行預測的實(shí)質(zhì)是安時(shí)積分法，同時(shí)用測量的電壓值來(lái)對初步預測得到的值進(jìn)行修正。

卡爾曼濾波法的優(yōu)點(diǎn)是適合計算機對數據進(jìn)行實(shí)時(shí)運算處理，應用范圍廣，可以用于非線(xiàn)性系統，對行駛過(guò)程中電動(dòng)汽車(chē)的荷電狀態(tài)預測具有較好的效果?？柭鼮V波法的缺點(diǎn)是對電池模型的準確程度依賴(lài)較大，為了提高該算法預測結果的準確性和精度，需要建立可靠的電池模型。此外，卡爾曼濾波法的算法相對比較復雜，因此其計算量也相對較大，對運算器的性能有較高要求。

5、神經(jīng)網(wǎng)絡(luò )法

神經(jīng)網(wǎng)絡(luò )的目的是模仿人類(lèi)的智能行為，通過(guò)并行結構與自身較強的學(xué)習能力獲得數據表達的能力，能夠在外部激勵存在時(shí)給出相應的輸出響應，并使具有良好的非線(xiàn)性映射能力。

神經(jīng)網(wǎng)絡(luò )法應用于鋰電池荷電狀態(tài)檢測的原理是：將大量相對應的電壓、電流等外部數據以及電池的荷電狀態(tài)數據作為訓練樣本，通過(guò)神經(jīng)網(wǎng)絡(luò )自身學(xué)習過(guò)程中輸入信息的正向傳播和誤差傳遞的反向傳播反復進(jìn)行訓練和修改，在預測的荷電狀態(tài)達到設計要求的誤差范圍內時(shí)，通過(guò)輸入新的數據來(lái)得到電池的荷電狀態(tài)預測值。

神經(jīng)網(wǎng)絡(luò )法的優(yōu)點(diǎn)是可以對各種電池的荷電狀態(tài)進(jìn)行估算，適用范圍廣;不需要建立特定的數學(xué)模型，不用考慮電池內部復雜的化學(xué)變化過(guò)程，只需選擇合適的樣本，以及建立較好的神經(jīng)網(wǎng)絡(luò )模型，并且樣本數據越多，其估算的精度越高;能夠隨時(shí)確定電池的荷電狀態(tài)。神經(jīng)網(wǎng)絡(luò )法的缺點(diǎn)是對硬件要求較高，訓練時(shí)所采用的數據樣本的準確性、樣本容量和樣本分布以及訓練方法都會(huì )對電池的荷電狀態(tài)預測產(chǎn)生很大的影響。

以上就是什么是鋰電池荷電狀態(tài)及鋰電池荷電狀態(tài)預測方法的介紹了，鋰電池的荷電狀態(tài)預測考慮的因素越來(lái)越全面，所采用的預測方法往往是前述好幾種方法的綜合應用，使得預測結果更加準確。而且目前鋰電池的等效電路模型不斷發(fā)展，更加接近實(shí)際，使得荷電狀態(tài)預測精度得到進(jìn)一步提升。