1、电池开路电压(OCV)特性。电池开路电压指的是电池在静置状态下，正负电极之间的电位差。不同的电池其特性都不一样，要充分考虑具体的电池类型；
2、充放电倍率与端电压对应关系特性。电池动态情况下，我们测量到的电池电压，实际上电池的端电压。在定温度和恒流状态下它们的关系还是相对稳定的，但是电池只要工开始非恒流工作就会打乱对应关系；
3、温度状态。不同材料的电池都会受到温度的影响，特别是低温（所以系统会有加热功能）；反正温度对电池的各个参数都有影响；
4、电池寿命状态。电池在使用的过程中寿命将逐渐衰减，衰减机理主要在于正负极材料晶体的塌陷和电极的钝化导致了有效锂离子的损失。总电量也将从BOL（Beginning of Life）向EOL（End of Life）状态趋近。因此在计算SOC时需要考虑是采用BOL时刻的总容量，还是当前寿命下的实际总容量。
5、电池的串并结合。我们在实际使用中电芯肯定不是单个的，都是由于电芯的串并联组合的，这就使SOC的估算情况变得更加复杂。不同电芯间难免存在欧姆内阻、极化内阻、自放电率、初始容量等差别。
1、AH积分法 。经典的SOC估算一般采用安时积分法（也叫电流积分法或者库仑计数法）。安时积分法是在初始时刻 SOC0的基础上估算电池的 SOC。通过计算一定时间内充放电电流和对应时间的积分，从而计算变化电量的百分比，最终求出初始 SOC 和变化的 SOC 之间的差，即剩余电量。安时积分法将电池等效为封闭的系统，只研究电池的外特性，即在测试过程中只需要实时地监测进出电池的电量然后积累电量，所以可以获得电池任意时刻的剩余电量。
但是安时积分法，由于安时计量存在误差，随着使用时间的增加，累计误差会越来越大，所以单独采用该方法对电池的SOC进行估算并不能取得很好的效果。
2、开路电压法。 其原理是利用电池在长时间静置的条件下，开路电压与SOC存在相对固定的函数关系，从而根据开路电压来估算SOC。在电池静置足够长时间的情况下精度较高，但在实际工况下不适用，因此一般也将开路电压法与其他方法结合起来，共同进行 SOC 的预测。业界用得最多的方法为开路电压+安时积分法。
3、卡尔曼滤波法。 卡尔曼滤波已广泛应用于航天、通信、导航、控制、图像处理等领域。对于动力电池采用卡尔曼滤波进行SOC估算，是当前非常主流的一个方向。算法的核心是：对动态系统的状态做出最优估计，评判标准是协方差最小。应用到电池方面，首先得建立状态和观测方程，SOC便是状态分量，这里可以用 KF算法进行 SOC 估算，利用 KF 算法估算模型中的未知状态，其精度和鲁棒性相对较高。KF算法在经过多次更新后可以使估计结果很好的趋近真值，并且可以很好的修正容量初值，抗干扰能力强，利用这种方法理论上可以实现系统的动态估计，因此在研究领域，也被认为是可靠有效的方法之一。
4、BP神经网络法。 BP网络能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的 误差平方和 最小。 BP神经网络 模型拓扑结构包括输入层（input）、隐层(hide layer)和输出层(output layer)。 在实际中，由于算法复杂度导致硬件要求极高，所以要想将该方法应用到嵌入式类的BMS产品中还是有一段距离的。
就目前来讲SOC的估算精度依然是世界级的难题，希望能早日突破。对与相关企业来讲，也是衡量一个企业技术水平的标准，当然了突破SOC的估算需要很强大的人力物力。（PS-了解了这么多，我还是老老实实的用基本方法去校准吧，差不多就行了⊙ω⊙）
愿你出走半生，归来仍是少年…
讲极化的时候谈到了一个“虚电”的说法，也就是电池看上去已经充满了，但实际上使用过程中，有一部分电量特别不耐用，是虚的。尤其容易发生在早期的快充之后，这也给人留下了快充会导致虚电，快充会损害电池这样的固有印象。
而反过来，有时候也会遇到一节电池看上去被用完了，但充分静置足够时间之后，还能继续使用一段时间，比如以前手机没电关机，放一会儿之后又能开机。另外，当小时候的遥控车跑不了之后，拆下电池还可以放到遥控器里用很久。电池究竟有多少电，还能算的清楚吗？
因为电池极化的存在，快充固然需要背锅，但我们也已经介绍了许多快充方法来消除极化的影响。那么其余的锅该分给谁呢？电池管理芯片中的电量估算模块已经稳稳的接好了。谁让他是靠“蒙”的呢。
对，没错，其实你的车也好，手机也好，上边显示的100%、50%的电量全都是蒙出来的。毕竟电池可不会自动告诉你现在还有多少电。甚至剩余电量这件事都有好多不同指标来描述。
★SOC、SOE、剩余电量不是一回事
我们知道，电池是储存电能的装置，它的容量我们一般用Ah安时或者mAh毫安时来表示，学过初中物理的我们知道，电流乘以时间是电量，单位为C库伦，1（Ah）=1（A）*3600（s）=3600（C））。但是，如果我们说这块电池还有10Ah的电，往往会让人一脸懵逼，因此，我们一般不以剩余电量来标识电池里还有多少电。
因此，我们将剩余电量转化为百分比的形式：SOC，State of Charge荷电状态。
对于电池，SOC的定义是电池剩余电量与电池最大容量之比。说安时不明白，说电量还有60%就很清楚了。因此SOC使用较为广泛。
虽然SOC在标识电池电量上最为常用，但它的局限在于不能表示能量，我们使用手机也好，电动车行驶，实际消耗的是能量，而非电池里的荷电量，W=UQ，初中我们就知道，电压乘以电荷量才是能量。电池放出同样的电量，SOC从80%降到50%，如果放电电压不同，实际放出的能量也不一样，而由于电池内阻存在，放电电流损耗在内阻上的电压也大，对外放电的电压越低，放出的能量越少。因此，SOE能量状态（电池剩余的能量）是最实用的，其计算也是最困难的，尤其是电动车，毕竟未来的工况是未知的，放电的电流电压都是未知的。
★SOC怎么“蒙”
电池中究竟有多少电是无法直接测量获得的，只能测量电压和电流，再通过计算（估计）的方式获得。所以，SOC的100%和0%也是人为定义的。就像我们用万用表测量5/7号电池电压来判断电池有没有电一样，车企也会给电池定义充电截至电压和放电截至电压。以小电流，注意是小电流，充电至充电截止电压代表电池充满，SOC=100%，以小电流放电至放电截止电压代表电池没电了，SOC=0%。
这两个电压是处于电池安全、寿命、容量以及用电器的工作电压电流范围综合考虑决定的。并不代表SOC=100%时就充不进电了，SOC=0%时也不意味着电池里一点电都没有了。就像小时候四驱车上用不了的电池还能放进遥控器里继续用。
满电和空电明确了，那么中间部分该怎么划分呢？基础的方法有两种：电荷累积法与开路电压法。
☆电荷累积法（安时法）
假设我们知道电池的总容量，统计使用过程中的电流情况，对其进行积分：
便获得了使用（包括充、放电）过程中总电量，将初始容量减去使用掉的容量，便是剩余容量。
☆电荷累积法存在三个问题：
1.对初始值的依赖性。电荷累积法需要知道一个初始值，比如电池的最大容量。但是电池的最大容量有多少？注意我们平时用的手机电池，额，看不到，那看看充电宝，上边容量一般会标注两个值：典型值和最小值。就像CPU有体质差异，体质好的超频杠杠的，体质差的一超就报废。电池也有个体差异，比如设计容量3000mAh，体质好的有3100mAh ，体质差的只有2900mAh，因此厂商会标注最小与平均（典型值）。如果没有算法及传感器单独对具体的电池进行评测优化，SOC的分母使用了典型值或者最小值，那数据就有偏差，甚至可能算出比100%更大的数。
2.累积误差不可忽视。误差来源很多，传感器精度有限，采样频率低、信号干扰等等都会使电流传感器的测量值产生一定的失真。并且积分是个理想情况，而实际上，电流传感器采集的是离散数据，久而久之，误差日积月累不可忽视。
消除误差的方法也有，比如将电池完全充满，或者完全放光，但在实际电动车的使用中，缺少实用性。最大容量需要单独测量，而完全放光则可能损坏电池及车辆。
3.不能应对电池的自放电。同样是个日积月累也不可避免的问题，自放电电流小，电流传感器无法准确测量，并且熄火后，电池管理系统不工作，监测也就无从谈起。
☆开路电压法
电池电量越多，电动势越高，可以认为电量与电动势之间存在单调关系， SOC与电池电动势一一对应。电池的电动势无法测量，但一般认为电池外电路开路，电流为零的情况下测得的开路电压即为电池电动势，因此可以通过SOC-EMF（电池电动势）曲线来确定电池SOC情况。而这条曲线则可以通过试验测试得到。
☆开路电压法同样存在不少问题：
曲线为试验室测得的样本曲线，可能与车上实际搭载的电池特性并不是完全一致，从而导致误差产生。
2.电池随着环境温度变化，循环老化，特性会发生改变，曲线会发生偏移，不同温度，不同老化程度的电池具有不同的SOC-EMF曲线，如果不考虑这一点，也会导致算不准。
3.无法进行动态监控。工作电流为零意味着车辆完全停止，这就使开路电压法完全不可用于动态的SOC监测。此外，即使车辆不行驶，不充电，车辆内部的屏幕、通讯、BMS等单元也处于工作状态，因此只能确定一个足够小的电流阈值，在此电流一下测得的外电压可以近似用于SOC-EMF曲线。
而且，不仅电流需要考虑阈值，时间阈值也要考虑。因为电压存在回d效应，因为整车电路中存在大量容性原件，停车之后，工作电压往开路电压回升也需要一定的时间，因此如等红绿灯等短时间的停车也不足以完成一次开路电压法计算SOC。应用场景进一步受限。
4.锂电池的SOC-EMF曲线有较为宽阔的平台区，这是锂电池相对于铅酸电池的优点，意味着在大部分放电区间，电压都可以维持在较高的水平。但这也造成在10-90%这样常用的SOC范围内，开路电压测量差个几十，十几，几毫伏都会导致SOC较大的波动，同时也会放大其他误差对于结果的影响。因此对于开路电压的测量可信度提出了极高的要求。
5.电压具有迟滞效应，意思是同一电量情况，在充电和放电时，所体现的开路电压是不同的，对于电动车这种频繁充放电（能量回收）的应用情况而言，迟滞造成的误差不可忽视。
可以看到，两种方法各有不足但看上去似乎互补，两者结合应用，当电池工作时用电荷累积法，而在停车时利用开路电压法消除电荷累积法的积累误差，同时也解决了电池长期静置不使用自放电之后的SOC初值问题，看上去很完美，因此也在BMS中得到了广泛的应用，但它并不能解决开路电压法本身的不足，如老化、环境温度问题、电压滞回问题等。
并且，消除误差时会导致SOC的跳变，比如修正前SOC 65%，修正后变成62%，这就是很多早期电动车车主熄火再启动发现电量显示变化的原因之一，在实际生活中这也会影响用户对于续航显示的信心。
尽管仍然存在缺陷，这两种方法仍然是目前的最优解，至少硬件上是，其他如内阻法，负载电压法等更不适合电动车应用。车企和研究者也在研究通过优化算法（如神经网络、卡尔曼滤波、模糊算法等）、建立更加准确的电池（动态响应、老化等）模型等方法，提高SOC估计的准确性。
还有最重要的，电池放电电流越大，可以放出的容量越小。如图，以1C放电，放电量接近8Ah，而以18C放电，放电量仅有6.5Ah。就好像倒酸奶，倒得快，杯壁上残留很多，慢慢倒却也能倒干净。
★SOC“蒙”不准会带来什么后果？
“蒙”的准不准确会严重影响到对电池的实际使用。举个最简单的例子，手机用久了，电池老化之后，往往会有显示电量还有10%，但可能开个APP就会导致手机突然断电的情况。这就是手机的SOC估算程序没做好，没能预测到电池的衰减，用老公式算出的SOC并不准确。放在车上，便会产生续航里程估计不准，这问题更大，看着还有30km续航，但结果车辆突然抛锚了。
除此之外，电池的过充或者过放都会导致电池性能、寿命的下降，因此，许多厂商都会设置一个冗余防止电池过放，比如100kWh的电池只允许使用90kWh。但如何知道此时已经用剩10kWh了呢，还是得靠BMS蒙。蒙错了，允许车辆继续行驶，就会损伤电池。
这是“蒙”多了的情况，反过来“蒙”少了也有问题。比如车辆实际SOC有98%，但BMS估出来只有93%，与此同时，车辆面对一个长下坡，因为BMS错误的判断了电池的SOC情况，导致能量回收过度，电池过充，同样对电池不利。
另外，在充电的时候，之前的讲堂讲了最优充电曲线，需要根据当前电池的SOC来实时调节充电电流，充电电压，如果SOC都蒙不准，何谈控制。有多大能力干多大事，SOC明确的就是电池的能力。
★“蒙”的准不一定要显示的准
SOC的测量与估算自然是越准越好，但给驾驶员的显示值却并不一定需要完全真实，基于之前所说的SOC计算时经过校准，或者大功率放电之后的电压回d等问题，可能前一刻SOC计算得到的值时69%，后一刻是71%，如果车辆据实显示，驾驶员可不会考虑这是算法误差，而是会产生对车辆电量估算的不信任，进而引起对车辆续航能力的不信任，产生焦虑情绪。这无疑是需要避免的。
因此，在SOC估算与仪表显示值之间还需要经过一层处理，如何处理，就看车企自身的标定了。尤其需要注意的是，由于输出电压随着SOC下降而下降，因此把一块电池的容量对半开，前半部分能够输出的能量更多，天生就显得更加耐用。
如果车企想要为了让整个耗电过程显得更加线性，那就可以对显示值做一个变换，把实际估算SOC=60%时在仪表上显示为50%。当然也可以采用别的策略，比如Aion S的做法让头显示的20%和最后20%特别耐用。这也是可以的，因为用户往往就是对头尾两端的数据作为敏感，尤其是电量较低阶段，把显示数据做踏实，很大程度上会影响驾驶员对于能否在电量耗完前到达目的地的判断。
当然，为了电池寿命考虑，不仅可以留出一部分预留电量，还可以将满电挖去一块。比如将SOC估算值为95%时便显示为100%，减少了电池充放电深度，有利于延长电池循环寿命。但同时，较多的冗余也会牺牲车辆的实际续航，不同车企有不同的取舍决策。
★SOC不等于续航里程
另外还需要注意，电动车除了电量SOC的百分比显示之外，还会显示续航里程，续航里程的估算在SOE（注意，不是SOC）的基础上还要再进一步。之前我们知道，SOE已经比SOC更难估算，因为车辆越是需要大功率输出，放电电流越大，损耗就越大，SOE就越少。同时，大电流放电时，到放电截止电压放出的电荷总量也越少。因此SOE与行驶工况有强相关性。续航里程的计算还需要在SOE的基础上再考虑一次行驶工况，不确定性太大，于是当前电动车里程的估算准确性堪忧。
并且严重依赖于车企的估算策略。有些车企采用固定映射，比如蔚来的仪表盘续航，就是根据当前的SOC值，与满电工况续航进行等比例换算。满电400km，半电就是200km，30%电就是120km。另一种则是根据之前一段路程的平均能耗进行估算，比如蔚来在中控屏幕中的估算值，基于SOE计算（剩余能量除以平均能耗），结果保守，与行驶工况有强相关性，但存在跳变的可能，比如先长上坡再长下坡。
与之相对，燃油车的SOE是可以准确测量的，因为汽油中蕴含多少能量和剩余的汽油量成正比，不会因为行驶工况而改变。只需要考虑一次行驶工况变量影响。而电动车则需要在计算SOC时考虑一次（放电电流越大，可放出的电荷量越少），计算SOE时考虑一次（放电电流越大，电压越低，放出同样多的电荷时，能量越少），最后在算续航里程时也要考虑一次。这也不难理解为什么电动车续航里程估算是个老大难问题了。
参考资料：
【1】谭晓军. 电动汽车动力电池管理系统设计【M】. 中山大学出版社. 2011
【2】姜久春. 电动汽车动力电池应用技术【M】. 北京交通大学出版社，2016
【3】黄凯，郭永芳，李志刚. 动力锂离子电池荷电状态估计综述【J】. 电源技术，2018.42（9）：1398-1401
本文作者为踢车帮 Route 64
本文来源于汽车之家车家号作者，不代表汽车之家的观点立场。
估算方法如下：1、安时积分法：经典的SOC估算一般采用安时积分法（也叫电流积分法或者库仑计数法）。即电池充放电时，通过累积充进和放出的电量来估算SOC。
2、开路电压法：一般校准方法采用开路电压法。其原理是利用电池在长时间静置的条件下，开路电压与SOC存在相对固定的函数关系，从而根据开路电压来估算SOC。
3、卡曼滤波法：卡尔曼滤波已广泛应用于航天、通信、导航、控制、图像处理等领域。对于动力电池采用卡尔曼滤波进行SOC估算，是当前非常主流的一个方向。
4、神经网络：神经网络法是模拟人脑及神经元来处理非线性系统的新型算法。无需深入研究电池的内部结构，只需提前从电池中提取出符合工作特性的输入与输出样本，并将其输入到建立系统中，就能获得运行中的SOC 值。
欢迎分享，转载请注明来源：内存溢出
微信扫一扫
支付宝扫一扫
评论列表（0条）