1. SOC估计方法分类

新能源汽车动力电池的SOC相当于普通燃油汽车的油表示数，SOC作为能量管理的重要决策因素之一，对于优化整车能量管理、提高动力电池容量和能量利用率、防止动力电池过充电和过放电、保障动力电池在使用过程中的安全性和长寿命等起着重要作用。本节详细阐述动力电池静态容量已知情况下的SOC估计方法。

动力电池结构复杂、反应繁多，而且车载工况恶劣、多变，作为隐性状态量的SOC精确值难以得到，常见的动力电池SOC估计方法大致可分为四类：基于表征参数的方法、安时积分法、基于模型的方法以及基于数据驱动的方法，分类如图1所示，具体介绍如下：

图1 动力电池SOC估计方法分类

基于表征参数的方法

该方法主要分为两步：①建立动力电池表征参数与SOC的离线关系；②实时计算动力电池表征参数值，并以之标定动力电池SOC。

该方法的应用需满足两个前提：所建立表征参数与SOC的离线关系应该相对稳定，所选表征参数应该是易获取的。可选表征参数包括当前剩余容量、阻抗谱、OCV等。 当前剩余容量可通过放电实验法得到，该方法被认为是确定动力电池SOC最为直接的方法。但是新能源汽车在运行中难以进行长时间的恒流放电来确定剩余容量，使得该方法仅适用于实验室等特定环境。基于阻抗谱的方法则需要借助电化学工作站来测试动力电池不同SOC值的阻抗，并制定SOC和参数的映射关系，进而采用查表的方式完成SOC的标定。相对稳定的OCV-SOC关系常被工业界用来标定动力电池SOC，大量的BMS产品也使用这一关系来标定动力电池初始SOC，但OCV的准确直接测量要求动力电池静置足够长的时间，因而在实际中往往需要与OCV在线辨识方法结合使用。

安时积分法

该方法又称为库仑计数法，即利用SOC定义估计动力电池SOC。 作为目前动力电池SOC计算的核心方法，安时积分法经典易用，应用最为广泛。但它主要存在三个缺陷：①动力电池初始SOC的精确值难以获得； ②该方法对于电流传感器的精度要求很高。但在实际应用中，电流传感器的精度经常受噪声、温度漂移及其它未知随机扰动的影响。在积分计算中，这些随机量容易造成累加误差，控制器的四舍五入计算也会产生一定的影响； ③动力电池性能衰退造成其静态容量的退化，从而影响SOC的计算精度。 以上三个因素相互影响，进一步降低了该方法的可靠性。为避免以上因素的制约并提高计算精度，需要复杂繁琐的定期标定。为此，该方法经常与其他方法组成融合方法。例如，使用OCV确定动力电池初始SOC，使用安时积分法计算后续SOC。

基于模型的估计方法

该类方法利用模型和状态估计算法完成SOC估计，因此该方法首先需要建立可靠的性能模型，应用滤波算法和观测器，搭建基于模型的SOC估计算法框架，具体实施流程如图2所示：

图2 基于模型的动力电池SOC估计算法流程

① 基于上一时刻的SOC值或初始SOC与电流测量值，利用安时积分来计算当前时刻的SOC预估值；② 基于模型参数-SOC关系式计算此时模型参数值，如OCV-SOC关系；③ 基于模型端电压-参数关系式计算此时模型端电压；④ 基于电压测量值，获取模型端电压误差，即新息；⑤ 以新息的一定增益(倍率)来修正上述SOC预估值，从而获取最终的SOC修正值，并将其用于下一时刻的输入。 步骤⑤中增益的表现形式取决于所采用的状态估计算法。显然，基于模型的方法是一种闭环的方法，其通过不断地修正SOC估计值，使得算法具有一定的鲁棒性。一般来说，基于模型的方法估计精度由预估过程与修正过程两部分共同决定，当信任安时积分的估计结果(SOC预估值较准)时，可适当地减小增益修正；否则应增大增益修正，但是过大的修正会使得SOC值波动剧烈，具体应该根据实际情况调整。

基于数据驱动的方法

该方法指基于大量的离线数据，建立并训练动力电池电流、电压、温度等数据与动力电池SOC的直接映射关系模型。主要分为3步：①离线数据的预处理，即将数据整理为符合所建模型的输入输出要求的数据格式，包括数据清洗、归一化、数据分块等，其中数据分块指将归一化后的数据按照一定比例分为训练集、验证集与测试集；②模型的建立与训练，根据数据量的大小，初步确定模型的结构，进而采用训练集训练所建模型，并以验证集验证结果为训练截止条件；③模型的测试，采用测试集来测试模型，判断精度是否符合要求，若符合则判断训练完成，否则返回第①步重新进行设计与规划。基于数据驱动的方法对解决强非线性问题有特别的优势，估计精度高，但是其往往需要大量的实验数据作为先验知识，且所用实验数据应能充分反映动力电池特性，否则极易造成模型的过拟合。

2. EKF-SOC估计

基于模型的估计方法的性能同时取决于模型与状态估计算法两者的性能。卡尔曼滤波(KF: Kalman filter)类算法是动力电池SOC估计中使用最多的算法。KF是由美国学者Kalman在60 年代初提出的一种最小方差意义上的最优估计方法，便于计算机实时处理。它提供了直接处理随机噪声干扰的解决方案，将参数误差看作噪声以及把预估计量作为空间状态变量，充分利用测量数据，用递推法将系统及随机测量噪声滤掉，得到准确的空间状态值。但是，最初的KF仅适用于线性系统，扩展卡尔曼滤波算法(EKF: Extended Kalman filter)的提出使其推广到了非线性系统。EKF应用泰勒展开将动力电池模型线性化，但在线性化的过程中会带来截断误差，进而增大SOC估计误差，在某些初值设置不当的情况下甚至造成发散。为此，需要对动力电池模型进行改进和优化，或者使用改进后的卡尔曼滤波算法提高状态估计系统的精度和鲁棒性，基于扩展卡尔曼滤波算法EKF的SOC估计流程如图3所示。

图3 应用EKF滤波器的SOC算法流程

3、主要结果

为评价基于EKF的SOC估计方法，以某动力电池单体在25°C时的DST数据评价SOC估计方法。SOC的初值设定为80%，即精确SOC初值。图4为SOC的估计值和参考值的对比，图5为SOC估计误差。

图4 SOC的估计值和参考值的对比	图5为SOC估计误差

4. 参考文献

[1] 熊瑞. 动力电池管理系统核心算法[M]. 北京：机械工业出版社，2018. （第四章)

[2] R. Xiong, J. Cao, Q. Yu, H. He* and F.C. Sun*, “Critical Review on the Battery State of Charge Estimation Methods for Electric Vehicles”, IEEE ACCESS, vol.6, no.1, pp. 1832-1843, Feb 2018. (下载链接)

[3] R. Xiong*, Q.Q Yu*, LY Wang, C Lin, “A novel method to obtain the open circuit voltage for the state of charge of lithium-ion batteries in electric vehicles by using H infinity filter”, Applied Energy, vol. 207, pp. 341-348, Dec 2017. (下载链接)

[4] R. Xiong*, F. Sun, Z. Chen and H. He, “A data-driven multi-scale extended Kalman filtering based parameter and state estimation approach of lithium-ion polymer battery in electric vehicles”, Applied Energy, vol. 113, pp. 463-476, Jan 2014. (下载链接)

[5] R. Xiong*, F. Sun, H. He and T. Nguyen, “A data-driven adaptive state of charge and power capability joint estimator of lithium-ion polymer battery used in electric vehicles”, Energy, vol. 63, pp. 295–308, Dec 2013. (下载链接)

[6] R. Xiong*, F. Sun, X. Gong and H. He, “Adaptive state of charge estimator for lithium-ion cells series battery pack in electric vehicles”, Journal of Power Sources, vol. 242, pp. 699–713, Nov 2013. (下载链接)

[7] R. Xiong, X. Gong and C. Mi*, “A robust state-of-charge estimator for multiple types of lithium-ion batteries using adaptive extended Kalman filter”, Journal of Power Sources, vol. 243, pp. 805–816, Dec 2013. (下载链接)

[8] R. Xiong, H. He*, F. Sun and K. Zhao, “Evaluation on State of Charge Estimation of Batteries with Adaptive Extended Kalman Filter by Experiment Approach”, IEEE Transactions on Vehicular Technology, Vol. 62, no.1, pp. 108–117, Jan 2013. (下载链接)

[9] R. Xiong*, H. He; F. Sun and K. Zhao, “Online Estimation of Peak Power Capability of Li-Ion Batteries in Electric Vehicles by a Hardware-in-Loop Approach”, Energies, vol. 5, no. 5, pp. 1455-1469, May 2012. (下载链接)

[10] H. Mu, R. Xiong*, H. Zheng, Y. Chang and Z. Chen, “A novel fractional order model-based state-of-charge estimation method for lithium-ion battery”, Applied Energy, vol. 207, pp. 379-388, Dec 2017. (下载链接)

5. 可用资源

(1) SOC估计算法资料: 点击下载(PDF水印教材)