浅谈EV电池SOC估算和电流检测需求-电子发烧友网

单位：浙江巨磁智能技术有限公司作者：王维维

一、引言

随着全球气候环境及能源供需的变化，越来越多的国家认识到能源的重要性。习总书记指出，“十四五”时期，我国生态文明建设进入了以降碳为重点战略方向、推动减污降碳协同增效、促进经济社会发展全面绿色转型、实现生态环境质量改善由量变到质变的关键时期。随着相关技术日渐成熟，以纯电动汽车、混合动力汽车和燃料电池汽车为代表的新能源汽车，得到了蓬勃的发展。

资料来源：国家统计局

以蓄电池为动力的纯电动汽车，简称EV（Electric Vehicle）。因其节能环保、零排放、低噪声等优点，正逐步取代传统燃料汽车的地位。电池管理系统作为电动汽车的核心部件，对保护电池安全、提高车辆性能及延长使用寿命至关重要。电池管理系统的关键功能有电池性能管理、安全保护、均衡管理、信息通讯以及充电管理等等。大家最关心的电动汽车续航问题，其关键就在于对电池荷电状态（State of charge, SOC）估算的准确性。

电池SOC反映了电池中的剩余电量，对电池 SOC估算的准确性直接影响了整车续航里程、可输出最大功率等整车核心性能和安全功能。又因为电池本身内部机理复杂，车辆运行工况多变，电池 SOC的精确估算存在着很大的挑战。

二、电池SOC估计方法

SOC一般以美国先进电池联合会的定义为标准，表示为当前时间环境下电池的剩余电量与额定容量的比值，具体的计算表达式为：

其中，Qremain为电池剩余电量，Qn表示当前条件下电池的额定容量。与电流、电压等参数不同，电池的SOC无法直接测量得到，而需要根据可测量的电流、电压、温度等物理量间接进行估计。锂电池在实际使用过程中，SOC会随着电池容量、内部阻容参数、温度、放电率和老化程度等特征参数不断变化，因此准确且实时地估计SOC一直是相关技术研究领域的重点和难点。经过国内外专家学者十几年的研究，不同类型的SOC估计方法陆续被提出。在大量的文献检索基础上，对电池SOC估算方法进行分类，结果如下图所示。

图1 电池SOC估算方法分类

2.1基于表征参数的估算方法

指利用电池外部特性参数与SOC之间的映射关系，通过实验来表征电池行为，将电池参数与SOC的关系列表化，俗称查表法。这种方法能够简单快速的求得SOC值，但是有两个限制条件，其一是表征参数与SOC之间的关系需稳定，否则一一对应的查表法会带来极大的估计误差；其二是所选择的参数必须是较容易获得的，太难获取或者与SOC值之间关系不明确的参数不予考虑。

目前常用的基于表征参数的估算方法有放电实验法、开路电压法、内阻法和电化学阻抗谱。

2.2基于定义式的估算方法

又称作电流积分法或库伦计数法，是目前应用最广泛的锂离子电池SOC估计方法之一。主要通过计算一段时间内电流和充放电时间的积分，进而计算一段时间内放出的电量，估计电池的SOC。

与其它SOC估算方法相比，安时积分法相对简单易行，但该方法也存在着两方面的局限性：其一，该方法更适合用于放电电流比较稳定的情况，在实际应用中，电动汽车在行驶状态下电池的放电电流很难达到持续稳定的状态；其二，该算法对SOC的初始值依赖性大，由于电流传感器精度不够、采样频率低、信号受干扰等原因，长期使用会导致测量误差不断累积扩大，因此需要引入相关修正系数对累积误差进行纠正。

2.3基于模型的估算方法

该方法基于控制理论，根据研究对象的机理不同，对电池进行建模，再根据电池模型设计相应的滤波器或者估计器。主要包括电化学模型、等效电路模型等电池数学模型。

①电化学模型（EM）：根据电化学反应过程计算电池的端电压和SOC，是一种基于多孔电极和溶液浓度理论的电池模型。主要反映电池内部化学反应机理，模型准确度高，但是很难确定所有的参数，具有巨大的计算复杂度和耗时性。

②电化学阻抗模型（EIM）：可以准确描述电池特性，但在实际应用中匹配过程难度大、复杂并且不直观，并且阻抗模型只有在特定的SOC和温度有用，无法预测直流反应及电池运行时间。

③等效电路模型（ECM）：用来描述和模拟电池的动态特性，它将电池看作一个二端口网络，用电压源、电阻、电容等器件组成电路，来模拟电池内部特性

为了实现动态SoC估计，常将滤波器和观测器与电池模型相结合，构成基于模型的SoC估算方法。常用的滤波器和观测器有：

①卡尔曼滤波器(KF)

②粒子滤波器（PF）

③H∞滤波器（HIF）

④其他状态观测器（滑模观测器等）

基于模型的估算方法使用闭环结构，通过不断不断的修正SOC估算值，使得SOC估算值不断的向真实值靠近，进而使算法具有一定的鲁棒性。具体如下图所示。

图2 基于模型的锂电池SOC估计方法结构图

2.4基于数据驱动的估算方法

基于数据驱动的估算方法无需考虑电池内部复杂的化学反应机理，而是基于大量电池实验测试数据，来建立并训练电流、电压、温度等外部特性参数与SOC之间的映射关系模型。

以神经网络模型为典型代表，该方法在忽略电池内部化学反应细节的同时具备极高的拟合能力，适用于各种动力电池的SOC估计，且估计精度高。但是训练需要大量的数据，计算量大，在实际应用中，必须配备高性能的芯片，使得BMS成本增加。

图3 基于数据驱动的估算方法

2.5混合方法

将两种或多种方法结合应用，形成一种混合方法，可以利用不同算法的优点来有效提高SOC的估计性能。如利用数据驱动方法的优化方法结合基于模型的算法来提高SOC估计的准确性、鲁棒性和估算速度。

对5类电池SOC估算方法的性能进行总结，结果如下表所示。

表1 各类SOC估算方法性能对比

在对上述SOC估算方法的分析中可以发现，不同的估算方法各自的优缺点明显。目前国内实际应用的实时在线估算SOC的方法仍然以安时积分法为主，考虑到安时积分法自身的局限性，往往结合不同的修正方法共同完成对锂电池初始荷电状态的检测，在此过程中，传感器检测性能的优劣直接关系到电动汽车电池组的稳定性和可靠性。

三、电流检测需求

根据《GB/T 38661-2020电动汽车用电池管理系统技术条件》标准中定义的BMS检测精度，对相关功能项目性能指标提出了要求。

CSM系列电流传感器，基于MAGTRON自主知识产权iFluxgate®技术，具有高精度、低温漂、发热量低、响应速度快、模块化设计等特点。通过CE、RoHS认证，能够准确获取充放电电流，有效优化传统的充放电方式，延长电池使用寿命，节约能量。该系列电流传感器可广泛应用于需要精确测量电流的电池管理（SOC、SOE、SOF等）等应用场合，以及纯电动车、插电混合动力汽车及储能设备等领域，如新能源电动汽车的PACK、BMS、BDU、PDU等。