动力电池的荷电状态SOC是反映动力电池当前状态的重要的参数之一,也是整车能量分配策略的重要依据之一。在电池管理系统中,SOC估算是重要的研究内容。 由于无法通过直接测量的方法来得到电池的SOC,因此一般采用间接测量电池其他参数,如电池电流、电压等来估算电池的SOC。常见的估算动力电池SOC的方法有放电法、开路电压法、安时积分法、卡尔曼滤波法、神经网络法。 (1)放电法：在某一温度下对电池进行1/3C倍率的恒流放电,直到电池端电压达到最低值(此时SOC=0),此温度和电流下放电容量即为电流与时间的积,SOC值即为放电容量占电池额定容量的比值。放电法是按照SOC的定义去估算的,因此也是最准确的方法，但是此方法只适用于实验室内,而无法在汽车实际运行过程中使用。 (2)开路电压法：电池的开路电压是可直接测量的物理量,其与SOC有一定的联系。 般来说,当SOC处于较高值时,电池的开路电压也比较大。因此可预先通过试验的手段来获取SOC与开路电压两者的对应关系,之后测量电池开路电压即可得到此状态下电池的SOC。这种方法原理简单,操作方便,但在测量开路电压时电池还要单独进行静置处理,因而也无法在实际情况下进行实时测量。 (3)安时积分法：电池在一段时间内放出的容量是电流对时间的积分,故测量电池工作状态下的电流值,计算已放出容量,然后根据电池总容量与已放出容量之差即可计算出当前状态下电池的SOC。该方法是电池管理系统中SOC估算最常用的方法之一,此方法不需要考虑电池模型,但不可避免会产生误差,尤其是SOC估算误差会随着时间而积累,因此需要对SOC进行校正。 (4)卡尔曼滤波法：卡尔曼滤波法的核心是根据已建立的电池状态模型,利用卡尔曼滤波原理,根据电池工作时的电流、电压以及温度等进行状态递推,得到SOC的实时估算值以及估算误差。需要指出的是由于电池的动态仿真模型并
不是线性的,故在利用卡尔曼滤波
算法时通常需要将电池的动态仿真模型进行一定处理,从而能够更加精确地对电池SOC进行估算,此方法被称为扩展卡尔曼滤波算法。
(5)神经网络法：神经网络法是依据大量的样本数据和神经网络模型,通过大量的数据分析,实时将SOC与输入端数据建立一定的联系。人工神经网络模型缺少对动态工况的验证,在使用这种模型时,还必须采集大量的变电流工况数据。否则,当燃料电池汽车行驶在复杂工况下时,模型的SOC估计精度势必将受到影响。
随着各种先进算法的提出,SOC估算精度已经得到了明显提高。
