h1_key

  基于锂离子 (Li-ion) 电池单元的电池组广泛用于各种应用，例如：混合动力汽车 (HEV)、电动汽车 (EV)、可供日后使用的再生能源储存以及用于各种目的(电网稳定性、调峰和再生能源时移等)的电网能源储存。在这些应用中，测量电池单元的充电状态 (SOC)非常重要。SOC定义为可用容量(单位为Ah)，以额定容量的百分比表示。SOC参数可看作一个热力学量，利用它可评估电池的潜在电能。估计电池的运行状态 (SOH) 也很重要;SOH以新电池为比较标准，衡量电池储存和输送电能的能力。ADI公司的功率控制处理器ADSP-CM419是处理所讨论的电池充电技术的处理器典范。

考察基于库仑计数的SOC和SOH估计所用的算法，界定了库仑计数的技术环境要求，并且概要阐述了SOC和SOH参数的估计方法，具体说来有库仑计数法、电压法和卡尔曼滤波器法，同时介绍了多种用于SOC和SOH估计的商业解决方案。此外，详细说明了同类最佳的SOC和SOH估计算法，尤其是增强型库仑计数算法、通用SOC算法和扩展卡尔曼滤波器算法。最后说明了评估程序及所选SOC和SOH算法的仿真结果。

  电池SOC测量原理

确定电池SOC是一个很复杂的任务，与电池类型及其应用有关，所以近年来开展了许多旨在提高SOC估计精度的开发和研究工作。精确估计SOC是电池管理系统的主要任务之一，其有助于改善系统性能和可靠性，并且还能延长电池寿命。事实上，精密估计电池SOC可以避免意料之外的系统中断，防止电池过度充电和放电(这可能导致电池永久损坏，具体取决于电池的内部结构)。然而，电池充电和放电涉及到复杂的化学和物理过程，在不同工作条件下精确估计SOC并不是轻而易举的事。

测量SOC的一般方法是非常精确地测量所有工作条件下流入和流出电池组的电量(库仑)和电流，以及电池组中各电池单元的电压。然后利用此数据和先前加载的与被监测电池完全相同的电池组数据，得出SOC的精确估计。这种计算需要的其他数据包括：电池温度、电池模式(测量时电池是充电还是放电)、电池年龄，以及从电池制造商那里获得的其他相关电池数据。有时候可以从制造商那里获得关于锂离子电池在不同工作条件下的性能的特性数据。确定SOC之后，便由系统负责在后续运行中更新SOC，基本上就是计数流入和流出电池的电量(库仑)。如果初始SOC的精度不够高，或者受其他因素影响，比如电池自放电和漏电效应，那么这种方法的精度可能无法令人满意。

  技术要求

  为了测量典型储能模块的SOC和SOH，涉及一个库仑计数评估平台的设计和开发。中的储能模块是24 V模块，通常由7只或8只锂离子电池组成。评估平台由以下部分构成：硬件系统，包括MCU及所需的接口和外设;嵌入式软件，用于SOC和SOH算法实现;以及基于PC的应用软件，用作用户界面以进行系统配置、数据显示和分析。

评估平台通过适当的ADC和传感器周期性测量各电池单元的电压值以及电池组的电流和电压，并且实时运行SOC估计算法。此算法会使用测得的电压和电流值、温度传感器收集到的和/或PC软件程序提供的一些其他数据(例如来自数据库的建造商规格)。SOC估计算法的输出会被送到PC图形用户界面以供动态显示和数据库更新。

  SOC和SOH估计方法概述

SOC和SOH估计主要使用三种方法：库仑计数法、电压法和卡尔曼滤波器法。这些方法适用于所有电池系统，尤其是HEV、EV和PV，下面几节将分别讨论这些方法。

  01库仑计数法

  库仑计数法也称为安培时计数和电流积分法，是计算SOC最常用的技术。这种方法通过电池电流读数对使用时间的积分来计算SOC值，如下式所示：

  其中，SOC(t0)为初始SOC，Crated为额定容量，Ib为电池电流，Iloss为损耗反应消耗的电流。

然后，库仑计数法通过累计传入或传出电池的电荷来计算剩余容量。这种方法的精度主要取决于对电池电流的精密测量和对初始SOC的精确估计。利用一个预知容量(可以是存储器记忆的或通过工作条件初始估计的)，电池的SOC可以通过充电和放电电流对运行时间的积分来计算。然而，可释放的电荷总是少于充放电周期中储存的电荷。换言之，充电和放电期间会有损耗。这些损耗加上自放电，会引起累计误差。若要更精确地估计SOC，就必须考虑这些因素。此外，应当定期重新校准SOC，并应考虑可释放容量的衰减以使估计更准确。

  02电压法

电池的SOC(即其剩余容量)可利用受控条件下的放电测试来确定。电压法利用电池的已知放电曲线(电压与SOC的关系)将电池电压读数转换为等效SOC值。然而，由于电池的电化学动力学和温度，电池电流对电压的影响更严重。利用一个与电池电流成比例的校正项来补偿电压读数，并使用电池开路电压 (OCV) 与温度的查找表，可以使这种方法更准确。由于电池需要一个稳定的电压范围，所以电压法实现起来很困难。此外，放电测试通常包括一次连续充电，这太费时，故大多数应用不会考虑。还有一个缺点是测试期间需中断系统功能(离线方法)，这在库仑计数法(在线模式)中可以避免。

  03卡尔曼滤波器法

  卡尔曼滤波器是一种可估计任何动态系统内部状态的算法，也可用来估计电池SOC。卡尔曼滤波器于1960年问世，用以提供最优线性滤波的递归解，适合处理状态观测和预测问题。与其他估计方法相比，卡尔曼滤波器可自动提供关于自身状态估计的动态误差界。通过电池系统建模以将所需的未知量(如SOC)包含在其状态描述中，卡尔曼滤波器估计其值并给出估计的误差界。然后，它便成为一个基于模型的状态估计技术，利用误差校正机制来提供对SOC的实时预测。它可以进行扩展，利用扩展卡尔曼滤波器可以提高其实时估计SOH的能力。特别是电池系统为非线性而需要线性化步骤时，应运用扩展卡尔曼滤波器。虽然卡尔曼滤波器是一种在线式动态方法，但它需要适当的电池模型和精确测定的参数;还需要大规模计算能力和精确的初始化。

有些文献中还介绍了其他用于估计SOC的方法，例如阻抗谱法，这种方法基于电池单元阻抗测量，利用阻抗分析仪实时分析充电和放电情况。虽然这种技术可以用于锂离子电池的SOC和SOH估计，但它基于仪器外部测量，故不予考虑。基于电解质物理特性和人工神经网络的方法不适用于锂离子电池。

  如何选择SOC和SOH估计方法

  选择合适的SOC估计方法时，应考虑多项标准。首先，SOC和SOH估计技术应可用于HEV和EV应用、可供日后使用的再生能源储存、电网能源储存所用的锂离子电池。此外关键的一点是，所选方法应当是计算复杂度低、精度高(估计误差低)的在线式实时技术。另外还要求估计方法使用电压、电流测量值，以及温度传感器收集到的和/或PC软件程序提供的其他数据。

增强型库仑计数算法为了克服库仑计数法的缺点并提高其估计精度，有人已提出一种增强型库仑计数算法来估计锂离子电池的SOC和SOH参数。初始SOC从加载的电压(充电和放电)或开路电压获得。损耗通过考虑充电和放电效率来补偿。通过对工作电池的最大可释放容量进行动态再校准，电池的SOH也可以同时估算出来。这又会进一步提高SOC估计的精度。