動力電池的容量估算及健康狀態判斷試講人：1目錄CONTENT1SOC估算2SOH估算3基本概念231基本概念SOC：StateofCharge動力電池的荷電狀態，當前剩余容量與最大可用容量的比。SOH：State

ofHealth動力電池的健康狀態，最大可用容量與標稱容量的比。動力電池SOC和SOH估算是動力電池管理系統的核心功能之一，精確的SOC和SOH估算可以保障動力電池系統安全可靠地夠工作，優化動力電池系統，并為電動汽車的能量管理和安全管理等提供依據。42SOC估算動力電池的SOC相當于普通燃油汽車的油表，SOC作為能量管理的重要決策因素之一，對于優化整車能量管理、提高動力電池容量和能量利用率、防止動力電池過充和過放電、保障動力電池在使用過程中的安全性和長壽命等起著重要作用。SOC估算方法分類1.1基于表征參數的方法5該方法分兩步：①建立動力電池表征參數與SOC的離線關系。②實時計算動力電池表征參數值，并以之標定動力電池SOC。需滿足兩個前提:所建立表征參數與SOC的離線關系應該相對穩定，所選表征參數應該是易獲取的?？蛇x表征參數包括當前剩余容量、阻抗譜、開路電壓（OCV）等。

當前剩余容量可通過放電實驗法得到，該方法被認為是確定動力電池SOC最為直接的方法。但是新能源汽車在運行中難以進行長時間的恒流放電來確定剩余容量，使得該方法僅適用于實驗室等特定環境。

基于阻抗譜的方法則需要借助電化學工作站來測試動力電池不同SOC值的阻抗，并制定SOC和參數的映射關系，進而采用查表的方式完成SOC的標定。OCV-SOC關系常被工業界用來標定動力電池SOC，大量的BMS產品也使用這一關系來標定動力電池初始SOC，但OCV的準確直接測量要求動力電池靜置足夠長的時間，因而在實際中往往需要與OCV在線辨識方法結合使用。1.2安時積分法6安時積分法該方法又稱為庫侖計數法，即利用SOC定義估計動力電池SOC：z(t)表示t時刻下的動力電池SOC估計值；z(t0)表示動力電池SOC初始值；ηi表示動力電池充放電庫侖效率，其值通過實驗確定，對于鋰離子動力電池而言，放電效率通常視為1，充電效率為0.98～1(充電電流3C以內)；iL(τ)為τ時刻下動力電池充放電電流；Cmax表示當前條件下動力電池的最大可用容量。作為目前動力電池SOC計算的核心方法，安時積分法經典易用，應用最為廣泛。但它主要存在三個缺陷：①動力電池初始SOC的精確值難以獲得。②該方法對于電流傳感器的精度要求很高。③動力電池性能衰退造成其靜態容量的退化，從而影響SOC的計算精度。為避免以上因素的制約并提高計算精度，該方法經常與其他方法綜合使用。例如，使用OCV確定動力電池初始SOC，使用安時積分法計算后續的SOC軌跡。1.3基于模型的估計方法7該方法利用模型和狀態估計算法完成動力電池的SOC估計，因此該方法首先需要建立可靠的性能模型。基于建立的動力電池等效電路模型及其狀態方程，應用濾波算法和觀測器，搭建基于模型的SOC估計算法框架，具體實施流程包括：①基于上一時刻的SOC值或初始SOC與電流測量值，利用安時積分來計算當前時刻的SOC預估值。②基于模型參數SOC關系式計算此時模型參數值，如OCV-SOC關系。③基于模型端電壓-參數關系式計算此時模型端電壓。④基于電壓測量值，獲取模型端電壓誤差，即新的信息（新息）。⑤以新息的一定增益(倍率)來修正上述SOC預估值，從而獲取最終的SOC修正值，并將其用于下一時刻的輸入。

步驟⑤中增益的表現形式取決于所采用的狀態估計算法。顯然，基于模型的方法是一種閉環的方法，它通過不斷地修正SOC估計值，使得算法具有一定的魯棒性。基于模型的方法估計精度由預估過程與修正過程兩部分共同決定，當信任安時積分的估計結果(SOC預估值較準)時，可適當地減小增益修正；否則應增大增益修正。但是過大的修正會使得SOC值波動劇烈，具體應該根據實際情況調整?；谀Ｐ偷墓烙嫹椒ǖ男阅芡瑫r取決于模型與狀態估計算法兩者的性能。1.3基于模型的估計方法8

卡爾曼濾波(KalmanFilter,KF)類算法是動力電池SOC估計中使用最多的算法。KF是由美國學者Kalman在20世紀60年代初提出的一種最小方差意義上的最優估計方法。它提供了直接處理隨機噪聲干擾的解決方案，將參數誤差看作噪聲以及把預估計量作為空間狀態變量，充分利用測量數據，用遞推法將系統及隨機測量噪聲濾掉，得到準確的空間狀態值。

最初的KF僅適用于線性系統，擴展卡爾曼濾波算法(ExtendedKalmanFilter,EKF)的提出使其推廣到了非線性系統。EKF應用泰勒展開將動力電池模型線性化，但在線性化的過程中會帶來截斷誤差，進而增大SOC估計誤差，在某些初值設置不當的情況下甚至造成發散。為此，需要對動力電池模型進行改進和優化，或者使用改進后的卡爾曼濾波算法提高狀態估計系統的精度和魯棒性。

盡管EKF盡量考慮了實際過程中的噪聲，但其仍存在兩點問題:①它假設噪聲不變，這顯然與實際不符，而噪聲信息協方差匹配算法的提出致力于解決這一問題，使得濾波算法中的噪聲統計特性能隨著估計結果的變化而自適應更新，如自適應擴展卡爾曼濾波(AdaptiveEKF，AEKF)。②它假設噪聲為白噪聲，為了突破這一假設，人們使用基于最小化最大估計誤差原則的H∞濾波(H∞Filter,HIF)來完成動力電池的SOC估計，它承認實際過程中噪聲統計特性未知，并基于此求得噪聲統計特性使得估計結果最差時的狀態估計最優解，保證最優狀態估計。1.4基于數據驅動的方法9該方法指基于大量的離線數據，建立并訓練動力電池電流、電壓、溫度等數據與動力電池SOC的直接映射關系模型。具體實現主要分為3步：①離線數據的預處理，即將數據整理為符合所建模型的輸入輸出要求的數據格式，包括數據清洗、歸一化、數據分塊等。其中數據分塊指將歸一化后的數據按照一定比例分為訓練集、驗證集與測試集。②模型的建立與訓練。根據數據量的大小，初步確定模型的結構，進而采用訓練集訓練所建模型，并以驗證集驗證結果為訓練截止條件。③模型的測試。采用測試集來測試模型，判斷精度是否符合要求，若符合則判斷訓練完成；否則返回第①步重新進行設計與規劃。

基于數據驅動的方法對解決強非線性問題有特別的優勢，估計精度高，但是往往需要大量的實驗數據作為先驗知識，且所用實驗數據應能充分反映動力電池特性；否則極易造成模型的過擬合。同時，所建模型的復雜度、所選訓練函數與訓練截止條件等也會直接影響模型的估計精度與泛化能力。1.4基于數據驅動的方法10這類方法的典型代表是神經網絡模型，該方法幾乎不需要考慮動力電池的內部化學反應細節，同時它的擬合能力極強，理論上適用于任何種類動力電池的SOC估計。但是近年來，人們發現單一地增加神經網絡的隱含層層數或單層神經元個數，會使得模型參數飛速增加，進而導致模型出現過擬合現象，因此神經網絡的研究也逐漸轉移到了泛化能力更強的深度學習網絡上。同時，訓練完成的神經網絡模型結構較為復雜，計算量較大，在實車應用時往往需要高性能芯片，因此大量的神經網絡/深度學習專用芯片也逐漸被投入市場。1.5四類方法對比11122SOH估算動力電池的存儲能力與快速充放電能力均會隨著老化而不斷下降，而SOH正是用于評價動力電池老化程度的量化指標。動力電池SOC的準確估計依賴于精確的SOH值，預知SOH開展的SOC估計不具有實用性，僅能為SOC估計方法提供初步借鑒。動力電池的SOH與動力電池的老化過程密切相關，而老化最直觀的表現為動力電池可釋放能量降低和功率等級下降，內部反映為動力電池容量衰減和內阻增加，因此，常將動力電池容量和內阻作為SOH的評價指標。

一般來說，新動力電池的SOH被設定為100%，對于以動力電池容量需求為主的純電動汽車而言，可認為動力電池容量達到初始容量的80%時動力電池不能滿足正常需求；而對于以動力電池功率需求為主的混合動力汽車而言，則常采用2倍的初始內阻值作為動力電池終止使用條件。13SOH估計方法可分為兩大類，即實驗分析法與基于模型的方法。前者指通過對采集到的動力電池電流、電壓、溫度等實驗數據進行分析，相對直接地獲取某些能反映動力電池衰退的特征參數，從而實現動力電池SOH的標定，根據所選動力電池參數的不同，它又可分為直接測量法與間接分析法；而后者則需采用動力電池模型對所選動力電池參數進行估計，以實現動力電池SOH的標定，根據所選估計算法的不同，它又可分為自適應狀態估計算法與基于數據驅動的方法。2.1SOH估算方法分類14（1）容量/能量測量法指通過動力電池容量或能量的準確、直接測量，來確定動力電池SOH。顯然，容量和能量的準確測量至少需要兩個前提條件：①保證充放電過程的完整性。②保證采集精度足夠高，這就意味著此方法只能在實驗室或其他相對穩定的條件下使用。對于實車環境而言，則往往需要用到容量在線辨識的方法。（2）歐姆內阻測量法指通過實時測量動力電池歐姆內阻來評價動力電池SOH，動力電池電壓變化量與電流變化量之比。相對動力電池容量而言，歐姆內阻更容易測量，在實車過程中突然制動或者加速均會引起較大的動力電池電流與電壓的變化。但是，除了動力電池SOH與溫度的影響外，歐姆內阻也會隨著SOC的變化而變化，且它受電流、電壓采樣間隔的影響較為顯著，即采樣間隔越小，越接近于歐姆內阻真實值。（3）阻抗測量法借助電化學工作站或其他相似功能的交流電激勵設備來測量動力電池EIS。圖2-32給出了不同老化狀態下的動力電池EIS，可以發現動力電池EIS與動力電池老化狀態之間存在著明顯的關系。而且在不同頻率的激勵下，動力電池的反饋也有所不同。對于高頻階段，動力電池布線與多孔結構的誘導效應占主導地位，即阻抗更多表現為歐姆特性；而在低頻階段，電容效應則會變得更為顯著。因此，在獲取動力電池EIS后，即可通過對動力電池EIS中某些特征參數的提取來標定動力電池SOH。2.2直接測量法15

間接分析法是一種典型的多步推導方法，它不會直接計算出動力電池容量或內阻值，而是通過設計或測量某些能反映動力電池容量或內阻衰退的過程參數，來標定動力電池SOH。通常將這些過程參數稱為健康因子，主要包括SEI膜阻抗、動力電池容量-OCV-SOC響應面、電壓響應軌跡或恒壓階段充電時間、增容(IncrementalCapacity,IC)曲線或差分電壓(differentialVoltage,DV)曲線、超聲波響應特征等。當然，也可以選取兩個及兩個以上的健康因子共同評價動力電池SOH。①動力電池端電壓響應直接反映了動力電池內部反應特性，因而可基于控制變量法，分析特定SOC、溫度以及電流輸入下的電壓響應軌跡，從而完成SOH的標定。這一方法即為電壓響應軌跡法。同時考慮到動力電池放電工況較為復雜、多變，因而這一方法常用相對穩定的充電過程作為分析對象。②容量增量法(ICAnalysis,ICA)與差分電壓法(DVAnalysis,DVA)指分別利用IC曲線與DV曲線分析動力電池的衰退過程與老化機理，進而實現SOH的標定。2.3間接分析法16

自適應算法一般需要借助電化學模型或等效電路模型，它通過對模型參數進行辨識，完成SOH的標定。這類方法的特點在于閉環控制與反饋，以實現估計結果隨動力電池電壓的自適應調整，其包括聯合估計法、協同估計法以及融合估計法等。（1）聯合估計法需要同時在線估計動力電池的模型參數和SOC，因而所用的自適應算法一般包括兩個及其以上的濾波器或觀測器，其中模型參數主要包括內阻、阻抗、OCV等。鑒于動力電池SOC與容量密切相關，在獲取相對準確的SOC值后，可根據SOC估計值來確定動力電池容量，進而完成動力電池SOH的標定。（2）協同估計法同樣需要實現動力電池模型參數與SOC的同時在線估計，但是這里模型參數相比聯合估計法增加了動力電池容量一項，即直接完成了動力電池容量與SOC的同時估計。從通用的算法基本框架來看，協同估計法與聯合估計法的區別主要體現在兩個方面：①對于兩類估計算法，新息(輸出預測電壓誤差)序列的使用模式是不同的。協同估計法中的兩個估計器共用同一個新息序列。但在聯合估計法中，兩個估計器的電壓誤差則是不相關的。②