荷电状态又叫剩余电量,SOC,StateofCharge,是反应电池包内当前电量占总体可用容量百分比的一个参数。电动车驾驶员根据满电状态总的里程数,可以推断出当前电量的续航能力,也有车型直接显示续航距离。 电量估计不准确的电动汽车,往往给车主带来一些困扰。 电量跳变,即将停车的时候,扫了一眼电量,还剩下50%,估计回程勉强够用了。过一会回来发动车子,发现电量指示在了40%,貌似回不去了…… 突然掉电,电量还有30%的时候,一脚加速,骤然报警电量过低,停车了…… SOC的准确性,一直是电动汽车用户诟病的重点,在网络论坛上时常能看到,电动汽车车主说又被放到半路的抱怨帖。发展多年的电动汽车,SOC的准确估计仍然没有做的特别好。 一,SOC估计干什么用 告知驾驶员剩余里程,是SOC对驾驶员的价值,同时,电动汽车和电池包的管理控制过程,也需要SOC的准确数据。 防止过充过放 SOC作为充放电的重要阈值,对电池包起到调节和保护作用。充电过程中,如果电池包电量过低,比如低于10%,则充电电流不能马力全开,而是限流充电,直至达到正常电量范围,方可放开限制。放电阶段,当电量已经比较低,但仍然在放电截止电量以上,比如低至20%SOC,一般会限制功率输出,防止大电流造成系统触及停车电压,并且期望以最节能的方式运行,跑更远的距离。 作为低电量限流阈值 为什么电池包电量较低的时候,需要设置限流策略?电量较低时,电池端电压较低,如果突然发生大电流放电,电池极化内阻会迅速增大,使得内阻占压上升,电池电势减去内阻占压后的电池端电压则会相应降低。如果电流足够大,则端电压可能被拉低到停止供电电压以下。如果低电压持续时间超过延时时间,电池管理系统判断电池电压过低,无法继续工作,需要断电。于是主动断掉电池包主回路接触器。突然的掉电于是发生了。当然,有的车型电源主回路接触器的控制权限在整车控制器上。 作为整车控制策略阈值 电动汽车上有多种用电器,空调,音响,转向助力,刹车助力等等。当SOC降低到一定程度,用电器的权限需要作出排序,比如刹车助力无论什么电量都必须供电,空调音响,电量少于一定值时必须停止供电等等。 二,算法 已经为大家熟知的算法有开路电压法,安时积分法和内阻法。新近被研究较多的方法包括卡尔曼滤波法、神经网络法等。新的方法正在不断涌现,只是多数都在研究讨论阶段,实际应用中的算法仍然以旧方法为主。 开路电压法 锂电池的开路电压与电池的荷电量有明确单调的对应关系,只要获得准确的开路电压就可以推算出电池电量。几款电芯的开路电压与SOC对应曲线如下图所示。
先离线测量得到不同温度不同SOC下的开路电压值,形成表格。电池系统装车以后,每当出现停止供电状态,就可以调用表格数据,根据测量得到的开路电压判断电池荷电状态。
开路电压法,对电池电量的判断准确,但条件限制比较多。必须在回路断开的情况下,电池静置一段时间以后。这个要求使得在线测量不可能实现。 有人针对上述问题展开研究,发现回路停止供电一定时间后的电池端电压与开路电压保持一个稳定的关系。采用这种方法,可以避免长时间静置的过程,使得开路电压法的应用范围得到了拓展。 安时积分法 实时测量电池包主回路电流,并将其对时间积分,充电为负放电为正。放电过程,用初始电量减去积分结果,得到当前电量;充电过程,用初始电量加上积分结果,得到当前电量。 安时积分法的一个问题是,初始电量的判断,无法直接得到。另外,由于系统电流的波动性很大,而电流采样是间隔一定时间进行一次,使得采样值与一段时间的平均值并不一定近似,长时间累积下来,造成比较明显的误差,并且误差不是安时积分法自己能够消除的。因此,安时积分的实际应用必须与其他方法相结合,解决初值和累积误差的问题。 内阻法 电芯的SOC与内阻之间存在对应关系,实时测量内阻,进而得到电池的SOC,理论上是可行的。
但从上面图中可以发现, 内阻跟随SOC变化的趋势非常平缓,很小的内阻变化或者测量误差,就可以造成SOC值较大的误差。并且,内阻测量过程也存在着各种出现误差的可能。测量接触电阻过大;电池电流较大,出现较大的极化内阻的干扰;电池温升不一致,使得温度监测点的温度和电池本体温度不一致,造成温度补偿出现偏差等等。内阻法估计SOC,实际应用案例比较少。 扩展卡尔曼滤波算法 卡尔曼滤波法,引入时域的概念,就是把一个过程看作是在时间轴上连续播放的无数状态集合。用状态方程描述动态过程,用测量方程描述观测信息,用前一时刻的估计值和当前时刻的观测值相互迭代,更新对状态变量的估计。有人把卡尔曼滤波算法描述成:利用安时积分算法计算SOC,并用开路电压法去校核安时积分的结果。安时积分法与状态相对应,开路电压法与测量相对应。想要引入温度变量,则必须选择表达内阻与电压关系的电路模型,因为电池参数中,内阻是相对容易测量并且与温度密切相关的量。 卡尔曼滤波基础上延伸出来的各种算法,在多个计算领域得到应用,并且已经成为动力电池剩余电量估计的新方法中,最为主流的一种。 神经网络算法 在人工智能大流行的背景下,神经网络法同样被应用于SOC估计。输入参数是回路电流和电池端电压,输出结果是SOC。其余部分为通用神经网络模型。只要能够提供足够数量的电压、电流与SOC之间正确对应的数据,模型的输出精度就可以不断提高。 理论上神经网络算法是非常理想的估计方法,只是应用的时机还不成熟,数据积累和计算能力的提高,都将推动神经网络算法在动力电池SOC计算领域的实际应用。 三,影响SOC准确性的因素 从定义看,直接决定SOC数值的是两个参数,电池的最大可用容量和当前电量。从各种算法都要用到的参数看,电池端电压和回路电流是最重要的测量参数。 最大可用容量 随着电池循环次数的增加,电池逐渐老化。电池的最大可用容量跟着老化程度的加深而变小。系统中用来计算SOC的最大可用容量必须做出实时调整,才可能得到近似准确的SOC。 电流测量 影响电流测量精度的因素常见的包括:电流传感器的精度、量程是否适当、电磁干扰的存在以及采样算法是否合理。 采样算法,如果沿着时间轴均匀采样,就会存在采样点的电流值严重偏离这一阶段平均值的问题。一种比较合理的方式是,电流变化剧烈的时段,增加采样密度,电流平缓的阶段,减小采样密度,使得采样值与真实值更加接近。 电压测量 电压测量可以区分成实时工作端电压测量和开路电压测量两种情况。 工作电压的实时测量,主要的影响因素是实时电流的大小,电流一方面影响电池极化内阻的大小,另一方面又决定了内阻占压的比例。另一个偶然因素是电压测量点到电池极耳之间的阻值大小,可能是接触不良,也可能是存在过长的导线,总之,如果这段电阻过大,达到了电芯内阻的数量级,则电压测量结果会受到影响。 开路电压测量,是比较简单的情形,影响因素比较少,需要提出的是,电池静置时间需要足够长
|