汽车纵向动力学研究现状之SOC
前 言
动力电池是电动汽车的能量载体，长期以来电动汽车的发展受到动力电池的制约。电动汽车用动力电池希望具有使用寿命长，储能量大，安全性高等特点。国内外研究人员一方面研究新型材料制备高性能电池，来满足电动汽车的需求。另一方面，对车载电池进行有效管理，保证电池高效、安全使用。 动力电池的性能受工作条件及电池状态的影响。无论是纯电动汽车，还是混合动力汽车，动力电池都处于变电流、变温度的放电工况，如果不对动力电池组进行有效的管理，不但不能发挥电池的原有性能，还会造成电池使用寿命下降、安全性降低。电池管理系统主要是对动力电池进行检测与管理。整个管理系统的设计是以动力电池状态估算为核心，通过获取电池的状态来制定相应的控制策略，使电池高效、安全工作。
能量估算的重要意义如下：
1．进行电池的SOC估计，可以评估电池的输出电流、功率，以保证整车的动力性能和续驶里程需求。
2．SOC是电池管理系统中能量管理分配的重要参数。能量管理系统是实现整车能量优化的一个重要途径，能量状态是能量管理实现的一个重要依据，依据能量状态制定与其相适应的控制策略了实现能量合理分配的目标，在满足车辆的动力性时提高经济性。
3．SOC是反应电池工作能力及预测续驶里程的重要参数，依据能量状态可计算动力电池的剩余能量与续驶里程。
综上所述，电池管理系统是电动汽车的核心部件，负责电池的检测、管理与保护，而电池能量状态是实现管理与保护的基础与关键。长期以来由于能量状态研究较少导致其定义存在差异。常温、小电流下电池放电较为平稳，剩余能量的计算容易且准确，而纯电动汽车用动力电池使用工况复杂，电流、环境温度变化较大，这使得电池工作过程中电压波动较大，导致能量状态的获取难度增大。因此选择合适的算法估算电池能量状态成为一个重点，这对电池管理系统的完善具有重要的意义。
1.电动汽车SOC估计方法
林成涛，王军平，陈全世《电动汽车SOC估计方法原理与应用》[1] SOC估计是电动汽车电池管理系统的重要功能。研究人员为了提高电动汽车电池SOC估计的准确性做了大量研究工作，采用的主要方法有：放电实验法、Ah计量法、开路电压法、负载电压法、内阻法、线性模型法、神经网络法和卡尔曼滤波法。
1.1安时计量法：
清华大学林成涛等《电动汽车S OC估计方法原理与应用》[1]
Ah计量法是最常用的SOC估计方法。如果充放电起始状态为SOCo，那么当前状态的SOC为：
1SOC?SOC0?CN?T0?Idt
其中，CN为额定容量；I为电池电流；?为充放电效率，不是常数。 安时计量法通过负载电流的积分估计SOC，简单易用、算法稳定，是目前电动汽车上使用最多的SOC估计方法。但是安时计量法仍然存在3个主要问题：第一，方法本身不能估汁SOCo；第二，库仑效率难于准确测量；第三，非常温状态SOC估计误差较大(主要为电池可用容量误差)。
清华大学陈全世等在《用改进的安时计量法估计电动汽车动力电池SOC》
[2]
一文中提出折算库仓效率的定义，建立开路电压法、Kalman滤波法和安时计
量法的组合方法估计电池SOC,简称OcvKalAh法，解决安时计量法不能估计初始荷电状态(SOC)、难于准确测量库仑效率和电池可用容量变化的问题。
OcvKalAh法估计电池SOC的具体算法如下：第一步(t0时刻)，用开路电压法计算t0时刻的SOC0；第二步(t0～t1时刻)，以SOC0为初值用Kalman滤波法使SOC迅速向真值收敛，在Kalman滤波法结束时刻t1得到SOC1；第三步(t1-t时刻)，以SOC1为初值使用安时计量法估计在后续时刻t时的电池SOC。在第二步和第三步的计算过程中，使用折算库仑效率?E代替库仑效率?，并实时计算CA的变化。
陈全世提出开路电压法、Kalman滤波法与安时计量法组合的SOC估计方
法改进安时计量法，有针对性地解决了安时汁量法不能估计SOC、库仑效率和可用容量变化难于准确测量的问题。方法中使用的折算库仑效率实现了对充电库仑效率和放电库仑效率的分别计量，也初步解决了电流差异对库仑效率的影响问题。通过11085 s的镍氢电池组FUDS试验证明了OcvKalAh法精度显著优于安时计量法。
On battery State of Charge estimation: a new mixed algorithm[3] 对电池的充电状态估计：一种新的混合算法
估计是混合库仑计数和基于模型的估计方法。该算法是一种全新的锂离子电池，使用一个能够给予一个比目前市场上的电池纳米测试技术更强大和更安全的锂离子电池SOC估计算法。确定一个等效电路模型，它通常被称为第二路兰德尔模型，描述其使用和识别过程。一个全新的SOC估计的状态，并简要给出了通常使用方法的缺点。最后介绍了新的混合估计算法：该算法方案和结果。通过仿真试验分析，该方法估计误差在设计目标范围以内，符合目标要求。
1.2开路电压法
厦门大学徐欣歌等《一种基于预测开路电压的SOC 估算方法》[4]
开路电压法是利用电池的开路电压与电池的荷电状态之间的对应关系（如图1 所示），通过测量电池的开路电压来估计SOC。开路电压法精度高、简单，但是需要静置较长时间后才能得到稳定的开路电压值， 只适用于电动汽车驻车状态，而不适用于动态的电池SOC 估计。
图1 SOC-OCV 关系曲线
在安时法的基础上提出一种新方法，即通过建立电池等效模型，用电池停止放电后的某时刻电压估计电池的开路电压， 解决了开路电压法需要长时间静
置的问题。
采用华锂40 Ah 磷酸铁锂电池，在充满电后充分静置的条件下，电池容量为100%。以11.6 A 的电流放电，40 分钟后撤除电流，将部分得到的实验数据代入已经拟合出来的开路电压公式（6），得到的开路电压和误差如表1 所示。其中实验测得开路电压为3.326 V，对应的电池容量SOC 为99.7%。
厦门大学徐欣歌采用了二阶RC 电路模拟电池极化效应的电池模型，对电池放电后静置的曲线进行多次实验，找出规律进行分析。并在开路电压的估算上采用了一种新思路，即通过寻找规律公式，短时间内计算出电池的开路电压，从而解决了SOC 估算中开路电压法用时长的困难。经实验表明估算出的开路电压值准确，能够达到动力汽车的要求。
1.3线性模型法
湖南大学朱浩等《动力电池SOC 估算的模糊最小二乘支持向量机法》[5] 朱浩,基于结构风险最小化原理利用模糊最小二乘支持向量机理论，引入拉格朗日算子建立了，模糊最小二乘支持向量机模型：
f(x)??0aik?xi,x??b（1）
n式中：k?xi,x?为和函数，ai为拉格朗日算子，b为偏置。
文章主要考虑了在运行过程中电池的电压、电流及温度作为模型的输入，电池的SOC 作为输出建立测量模型，其用数学表达式可以写成式：
SOC?f?I,U,T?（2）
以电池的电流、电压、温度为输入，SOC为输出建立如图的电池SOC的FLSSVM测量模型。该模型采用一个FLSSVM模型来回归测量式（1）的非线性关系，输出的即为所关注的SOC值。训练算法单元功能使用样本数据训练FLSSVM，求得式(2)的决策函数。
湖南大学朱浩应用prius 车型在日本10-15 循环工况下所得的测试数据采用模糊最小二乘支持向量机法对电池SOC 进行了估算研究，以运行中的电池电压、电流及工作温度作为输入，电池SOC作为输出进行模型的训练，使估算的精度达到1%，适用于动力电池变电流工作的情况下，符合电动汽车运行中电池的工作情况。
1.4神经网络方法
电子科技大学廖恩华《基于神经网络的电动汽车磷酸铁锂电池SOC估算方法研究》[6]
电子科技大学廖恩华，结合电动汽车对动力电池性能的要求，选择采用 BP神经网络对电池 SOC 进行估算。通过对具体问题的分析，确定了 BP 网络各层结构，经过大量试探实验确定了网络中间层的节点数。在 MATLAB 上对网络进行训练，并用训练好的网络对测试样本和恒流放电实验进行 SOC 估算，取得了较好的效果。 针对动力电池在实际工况中参数时变性的特点，对 SOC 估算网络进行了改进，在网络的输入中加入估算前几个时刻的电池电压、电流和温度参数。设计了改进后网络的训练样本的获取实验。在建立训练样本时，提出了对训练样本参考 SOC加入温度和电流影响因子的方法。对改进后网络输入向量中时间点个数进行了分析，并采用试探的方法进行确定。对网络输入向量中各个时间点参数对 SOC 估算值影响权重系数进行了讨论分析，并用遗传算法对各时间点数据权重系数进行寻优。通过大量网络训练试探确定改进后网络的隐层节点数，建立新的 SOC 估算网络。
通过试验对比得出结论：改进后的网络在恒流和变电流情况下对 SOC 估算的误差均能满足 5%的技术指标。通过对网络输入结构改进，引入多个时间点电池参数，改进后网络对于时变工况下的电池 SOC 估算相对改进前网络更加精确，改进后的网络对于 SOC 的估算性能更好。
浙江工业大学黄耀波等《基于遗传神经网络的电动汽车锂电池SOC 预测》[7]
基于遗传算法求解神经网络最优权值与阈值的步骤如下：
（1）给定网络输入电压、电流和输出SOC样本，确定适应度函数，随机产生权值、阈值并编码；
（2）通过网络对输入样本进行运算，产生相应染色体的网络输出； （3）根据适应度函数计算染色体的适应度； （4）进行选择、交叉、变异产生新一代种群；
（5）返回步骤（3），直到满足性能要求为止，获取最优权值和阈值。 遗传神经网络求电池SOC最优解时，先是由遗传算法搜索连接权值至全局最优解附近，然后用神经网络局部求解，最终求得全局最优的连接权值，从而得到对电池SOC的最优估计。
黄耀波使用遗传神经网络预测电池SOC值，结合了遗传算法群体搜索全局