王恒德　許永紅　張紅光　楊富斌

摘 要：本文回顧了電池管理系統(tǒng)（Battery Management System，BMS）在電動(dòng)汽車和可再生能源領(lǐng)域的關(guān)鍵發(fā)展階段，本文重點(diǎn)討論了電池剩余能量監(jiān)測(cè)技術(shù)，即荷電狀態(tài)（State of Charge， SOC）估計(jì)方法。文章概述了常見的SOC測(cè)量方法，包括基于模型法、安時(shí)積分法、放電測(cè)試法和人工神經(jīng)網(wǎng)絡(luò)法等。隨著技術(shù)和時(shí)代的發(fā)展，電池管理系統(tǒng)正朝著智能化方向演進(jìn)，采用更為先進(jìn)的控制方法以提升系統(tǒng)性能。結(jié)合新型互聯(lián)網(wǎng)+的服務(wù)模式，云計(jì)算和大數(shù)據(jù)在BMS中的潛在應(yīng)用也在快速發(fā)展，為BMS和SOC估算帶來(lái)了新的可能性。從未來(lái)發(fā)展趨勢(shì)來(lái)看新型電池技術(shù)和應(yīng)用場(chǎng)景的不斷發(fā)展，將對(duì)SOC估算技術(shù)提出更高要求。在電動(dòng)汽車快速發(fā)展的大背景下，持續(xù)優(yōu)化和創(chuàng)新電池估算方法以滿足各類電池和應(yīng)用環(huán)境的特定需求已成為行業(yè)發(fā)展的必然趨勢(shì)。

關(guān)鍵詞：電池管理系統(tǒng) 鋰離子動(dòng)力電池 荷電狀態(tài) 電池模型

1 電池SOC估計(jì)技術(shù)

SOC表示的是鋰離子動(dòng)力電池所剩余電量占總電量的百分比，類似于燃油車的油表。SOC是指在特定放電倍率下，電池剩余電量與額定電量之比[7]。計(jì)算公式如下：

SOC=100? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?（1）

其中：QC表示電池剩余電量；Qi表示電池額定電量。圖1展示了電池管理系統(tǒng)的整體架構(gòu)。而SOC估計(jì)則在電池管理系統(tǒng)中占據(jù)核心地位。因此，對(duì)電池組SOC的精確計(jì)算對(duì)于整車的安全性能和車輛性能具有至關(guān)重要的作用。

1.1 SOC的測(cè)量方法

1.1.1 基于模型法

基于模型法是一種將電池模型與其他技術(shù)相結(jié)合的模式，其中基于濾波器和觀測(cè)器的方法是當(dāng)前研究和應(yīng)用最廣泛的[9]。濾波器算法的發(fā)展主要包括卡爾曼濾波器、粒子濾波器等[10]。通過(guò)使用這些算法對(duì)電池模型進(jìn)行狀態(tài)估計(jì)，我們可以在線估計(jì)電池的SOC。

1） 擴(kuò)展卡爾曼濾波器

擴(kuò)展卡爾曼濾波器（Extended Kalman Filter，EKF）是一種非線性濾波算法，它是卡爾曼濾波器的擴(kuò)展?？柭鼮V波器是一種線性濾波算法，適用于線性系統(tǒng)的狀態(tài)估計(jì)。然而，在許多實(shí)際應(yīng)用中，系統(tǒng)往往是非線性的[10]。在這種情況下，擴(kuò)展卡爾曼濾波器可以提供一種有效的非線性系統(tǒng)狀態(tài)估計(jì)方法。

2） Sigma 點(diǎn)卡爾曼濾波器

Sigma點(diǎn)卡爾曼濾波器（Sigma-Point Kalman Filter，SPKF）是一類用于非線性系統(tǒng)狀態(tài)估計(jì)的濾波器算法。它通過(guò)使用Sigma點(diǎn)來(lái)近似非線性系統(tǒng)的狀態(tài)和觀測(cè)模型，從而避免了擴(kuò)展卡爾曼濾波器（EKF）中需要求解雅可比矩陣的線性化過(guò)程。具有更好的精度和魯棒性[10]。

SPKF的主要類型包括無(wú)跡卡爾曼濾波器（Unscented Kalman Filter，UKF）和中心差分卡爾曼濾波器。這些濾波器的核心思想是通過(guò)選取一組合適的Sigma點(diǎn)，將非線性系統(tǒng)模型和觀測(cè)模型的近似問(wèn)題轉(zhuǎn)化為線性問(wèn)題。

3） 容積卡爾曼濾波器

容積卡爾曼濾波器（Cubature Kalman Filter，簡(jiǎn)稱CKF）是一種基于高斯－赫爾米特求積法的非線性濾波算法，用于非線性系統(tǒng)的狀態(tài)估計(jì)[11]。CKF通過(guò)使用容積點(diǎn)來(lái)近似非線性系統(tǒng)的狀態(tài)和觀測(cè)模型，從而避免了EKF中需要求解雅可比矩陣的線性化過(guò)程。

4） 無(wú)跡卡爾曼濾波器

UKF是一種用于非線性系統(tǒng)狀態(tài)估計(jì)的濾波算法[12]。它通過(guò)使用一組稱為Sigma點(diǎn)的采樣點(diǎn)來(lái)近似非線性系統(tǒng)的狀態(tài)和觀測(cè)模型，從而避免了EKF中需要求解雅可比矩陣的線性化過(guò)程。

5） 粒子濾波器

粒子濾波器（Particle Filter，PF）是一種基于蒙特卡洛采樣方法的非線性、非高斯?fàn)顟B(tài)空間模型的狀態(tài)估計(jì)算法。粒子濾波器通過(guò)使用大量的樣本來(lái)近似系統(tǒng)的概率分布，從而可以處理具有較強(qiáng)非線性和非高斯特性的系統(tǒng)[13]。粒子濾波器在處理非線性和非高斯問(wèn)題方面具有更好的性能[14]。

1.1.2 安時(shí)積分法

該種方法是獲取電池SOC估算最普遍的方法，其中電池的SOC通過(guò)電流積分計(jì)算。因?yàn)樗鼘儆陂_環(huán)計(jì)算，所以傳感器誤差可能會(huì)累計(jì)，從而使得SOC的誤差增大。

1.1.3 放電測(cè)試法

通過(guò)在特定條件下進(jìn)行放電測(cè)試來(lái)準(zhǔn)確地確定電池的剩余電量。放電測(cè)試法主要在實(shí)驗(yàn)室環(huán)境下用于電池性能的測(cè)試和評(píng)估，它無(wú)法用于電動(dòng)汽車實(shí)際運(yùn)行過(guò)程中的BMS在線估算。

1.1.4 人工神經(jīng)網(wǎng)絡(luò)法

神經(jīng)網(wǎng)絡(luò)具有形成非線性映射的能力，以展示復(fù)雜的非線性模型。目前，應(yīng)用于SOC估計(jì)的常見神經(jīng)網(wǎng)絡(luò)類型包括前饋神經(jīng)網(wǎng)絡(luò)和循環(huán)神經(jīng)網(wǎng)絡(luò)，以及它們的改進(jìn)算法。

1） 前饋神經(jīng)網(wǎng)絡(luò)

前饋神經(jīng)網(wǎng)絡(luò)（Feedforward Neural Network，F(xiàn)NN）是一種廣泛應(yīng)用于回歸和分類問(wèn)題的人工神經(jīng)網(wǎng)絡(luò)。在SOC估計(jì)中，可以使用前饋神經(jīng)網(wǎng)絡(luò)來(lái)建立電池模型并進(jìn)行預(yù)測(cè)[18]。并且神經(jīng)網(wǎng)絡(luò)的內(nèi)部結(jié)構(gòu)由于有多層隱藏層存在以及每一層的權(quán)重難以解釋，可能導(dǎo)致模型不透明和難以理解，神經(jīng)網(wǎng)絡(luò)原理如圖1。

2）卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）廣泛應(yīng)用于圖像識(shí)別、自然語(yǔ)言處理等領(lǐng)域[21]。該方法具有一定的平移不變性，對(duì)于輸入數(shù)據(jù)的噪聲和變化具有較好的魯棒性。

3） 循環(huán)神經(jīng)網(wǎng)絡(luò)

循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Network，RNN）是一種具有自反饋連接的神經(jīng)網(wǎng)絡(luò)，能夠處理時(shí)序數(shù)據(jù)和序列數(shù)據(jù)[22]。循環(huán)神經(jīng)網(wǎng)絡(luò)可以處理多個(gè)輸入?yún)?shù)，可以考慮電流、電壓、溫度等多種影響因素[5]。循環(huán)神經(jīng)網(wǎng)絡(luò)容易出現(xiàn)梯度消失和梯度爆炸問(wèn)題，訓(xùn)練較為困難[23]。為解決這一問(wèn)題，可以采用長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)LSTM等改進(jìn)型循環(huán)神經(jīng)網(wǎng)絡(luò)[23]。

4） 長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)

LSTM通過(guò)引入GRU解決了傳統(tǒng)RNN在處理長(zhǎng)序列時(shí)的梯度消失和梯度爆炸問(wèn)題[24]。因此，LSTM非常適合應(yīng)用于SOC估計(jì)這類時(shí)序數(shù)據(jù)處理問(wèn)題。并且也解決了梯度消失和梯度爆炸問(wèn)題[25]，通過(guò)門控機(jī)制，有效解決了傳統(tǒng)RNN在處理長(zhǎng)序列時(shí)的梯度消失和梯度爆炸問(wèn)題，使得訓(xùn)練過(guò)程更加穩(wěn)定[23]。長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)可以通過(guò)訓(xùn)練不斷調(diào)整權(quán)重和偏置，具有較好的自適應(yīng)性，可以適應(yīng)電池性能隨時(shí)間的變化[26]。

2 結(jié)論和展望

2.1 本文的結(jié)論

本文深入討論了電池SOC估算技術(shù)的幾大類別，以及它們的基本原理和方法。

在所有估算方法中，開路電壓法和安時(shí)積分法實(shí)施簡(jiǎn)單，但由于原理限制，誤差較大。而基于模型的估算方法和基于數(shù)據(jù)驅(qū)動(dòng)的算法雖具有高準(zhǔn)確性和魯棒性的特點(diǎn)，但卻受模型誤差、參數(shù)識(shí)別誤差和計(jì)算量的制約。

2.2 對(duì)未來(lái)研究與應(yīng)用的展望

隨著電動(dòng)汽車和儲(chǔ)能系統(tǒng)等領(lǐng)域的蓬勃發(fā)展，鋰離子電池已變成關(guān)鍵的能源組成部分。為了提升電池性能和安全性，實(shí)時(shí)并精確地估算電池的SOC是至關(guān)重要的。另外，隨著傳感器技術(shù)和計(jì)算能力的提升，大數(shù)據(jù)和機(jī)器學(xué)習(xí)將在SOC估算中起到更大的作用。而且，通過(guò)與云計(jì)算和車聯(lián)網(wǎng)的結(jié)合，SOC估算能夠?qū)崿F(xiàn)遠(yuǎn)程監(jiān)控和診斷，為用戶和系統(tǒng)提供更優(yōu)質(zhì)的服務(wù)。新型電池技術(shù)（如固態(tài)電池、鋰硫電池等）的發(fā)展，為SOC估算帶來(lái)新的挑戰(zhàn)。為滿足未來(lái)能源系統(tǒng)的需求，研究人員需深入理解新型電池的特性，開發(fā)適應(yīng)新型電池的估算方法。

總的來(lái)說(shuō)，未來(lái)SOC估算技術(shù)將在準(zhǔn)確性、實(shí)時(shí)性和智能性等方面取得更大的突破，為電動(dòng)汽車、儲(chǔ)能系統(tǒng)等領(lǐng)域提供更高效、更安全的能源管理方案。

基金項(xiàng)目：北京市自然科學(xué)基金面上項(xiàng)目（3222024）。

參考文獻(xiàn)：

[1]段洋. 電動(dòng)汽車用鋰離子電池SOC估算方法研究[D].長(zhǎng)沙：湖南大學(xué)，2018.

[2]黃凱，郭永芳，李志剛.基于信息反饋粒子群的高精度鋰離子電池模型參數(shù)辨識(shí)[J].電工技術(shù)學(xué)報(bào)，2019，34（S1）：378-387.

[3]方揚(yáng)帆. 電動(dòng)汽車動(dòng)力電池管理系統(tǒng)檢測(cè)平臺(tái)研究[D].杭州：中國(guó)計(jì)量大學(xué)，2019.

[4]楊晨，周冬婉.電動(dòng)汽車電源管理系統(tǒng)綜述[J].科教導(dǎo)刊（中旬刊），2017，No.317（29）：48-49+52.

[5]何劍平. 電動(dòng)汽車電池管理系統(tǒng)抗干擾性研究[D].南昌大學(xué)，2016.

[6]聶偉民，向永坤，蔡之洲.車用鋰電池新型雙向主動(dòng)均衡控制方案設(shè)計(jì)[J].電源技術(shù)，2017，41（08）：1171-1173+1197.

[7]鄧凱鋒. 增程式電動(dòng)汽車電池電量估算策略及管理系統(tǒng)設(shè)計(jì)[D].湖南大學(xué)，2015.

[8]譚澤富，孫榮利，楊芮等.電池管理系統(tǒng)發(fā)展綜述[J].重慶理工大學(xué)學(xué)報(bào)（自然科學(xué)），2019，33（09）：40-45.

[9]熊能. 基于H無(wú)窮觀測(cè)器的鋰電池剩余電量估計(jì)[D].西南交通大學(xué)，2018.

[10]張晉恒. 卡爾曼濾波框架下的多徑估計(jì)研究[D].太原理工大學(xué)，2020.

[11]溫杰茂. 基于深度學(xué)習(xí)的粒子濾波定位算法研究[D].華東交通大學(xué)，2021.

[12]沈振. 粒子濾波算法研究及其在機(jī)動(dòng)目標(biāo)跟蹤中的應(yīng)用[D].電子科技大學(xué)，2012.

[13]朱政. 磷酸鐵鋰電池荷電狀態(tài)估計(jì)方法的研究[D].哈爾濱工業(yè)大學(xué)，2013.

[14]李堯太. 基于AICKF的鋰離子動(dòng)力電池全壽命周期SOC估算研究[D].江蘇大學(xué)，2021.

[15]陳建民，楊富文.基于通信的數(shù)據(jù)驅(qū)動(dòng)分布式預(yù)測(cè)控制[J].華東理工大學(xué)學(xué)報(bào)（自然科學(xué)版），2014，40（01）：113-119.

[16]程明，婁柯.基于模型誤差EKF-HIF算法的鋰動(dòng)力電池SOC聯(lián)合估計(jì)[J].四川理工學(xué)院學(xué)報(bào)（自然科學(xué)版），2018， 31（01）：57-63.

[17]米林，趙孟娜，秦甲磊等.基于徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的電動(dòng)汽車動(dòng)力電池SOC模型[J].重慶理工大學(xué)學(xué)報(bào)（自然科學(xué)），2011，25（10）：1-5.

[18]王光英. 電動(dòng)汽車鋰離子電池建模與SOC估計(jì)研究[D].濟(jì)南大學(xué)，2017.

[19]Qiao Wang， Min Ye， Meng Wei， Gaoqi Lian， Yan Li，Deep convolutional neural network based closed-loop SOCestimation for lithium-ion batteries in hierarchical scena rios，Energy， Volume 263， Part B，2023，125718，ISSN 0360 -5442.

[20]王若恒. 基于LSTM的風(fēng)電功率區(qū)間預(yù)測(cè)研究[D].華中科技大學(xué)，2018.

[21]宋新月. 基于深度學(xué)習(xí)的車用動(dòng)力電池健康狀態(tài)估算研j[D].昆明理工大學(xué)，2019.

[22]張秋霞，陳文皓.電動(dòng)汽車鋰離子動(dòng)力電池健康狀態(tài)的研究現(xiàn)狀[J].科技與創(chuàng)新，2021，No.176（08）：44-46.

[23]肖佳鵬. 純電動(dòng)車用鋰離子電池SOC和電池容量估算研究[D].昆明理工大學(xué)，2020.

[24]郭峰. 新能源汽車電池管理系統(tǒng)荷電狀態(tài)估計(jì)研究[D].西南交通大學(xué)，2020.

[25]吳寬. 鋰離子動(dòng)力電池建模與狀態(tài)估計(jì)研究[D].華中科技大學(xué)，2020.

[26]沈倩. 基于Raspberry Pi的房車電池管理系統(tǒng)研制[D].哈爾濱工業(yè)大學(xué)，2019.