Internal Combustion Engine &Parts
0引言
纯电动汽车具有零污染、零排放等特点，并且电机、电控和电池是电动汽车的三个关键技术，而BMS 是电池的关键技术。其中动力电池荷电状态（State of Charge ，SOC ）估算是电池管理系统（Battery Mangement System ，BMS ）的重要功能之一，因此，高效的BMS 管理能力是SOC 准确估算的基础。荷电状态不能直接通过传感器测量的，而是靠电池外特性参数、动力电池模型及一些算法间接的计算出来的。因此，准确的估算动力电池SOC 值，不仅可以延长动力电池的使用寿命，还可以提高电动汽车的整车性能。
1SOC 定义
美国先进电池协会（United States Advanced Battery Consortium ，USABC ）在《电动车实验手册》中将荷电状态（SOC ）定义为：在特定放电倍率条件下，电池剩余容量与其额定容量的比值，它表征动力电池的剩余电量，反映动力电池状态的重要参数[19]。其SOC 值一般
用百分比来表示为：
电动汽车电池（1）
式（1）中Q 1、Q 2分别代表电池的剩余电量与额定容量。
2动力电池模型2.1简化电化学模型
电化学模型是以电池内部的电化学反应特性为依据，用数学的方法得到反映电池工作特性的化学方程[19]。该模型具有很高的仿真精度，但是由于该模型比较复杂，所以在电动汽车上的应用很难实现。
2.2等效电路模型
电路模型基本都属于等效电路模型，该模型利用电感、电阻及电容等等效电器元件模拟电池的输出特征，等效元件的数值只代表电池内部通过化学反应所表现出来的电压、电流之间的基本函数。常用的等效电路模型有：
——————————————————————
—作者简介：李凯凯（1992-），男，硕士研究生，研究方向为车辆电
气与电子控制技术。
线工况下横摆角速度、质心侧偏角和侧向加速度的值与理
想值偏差甚小。说明设计的驱动协调控制策略可以适用于车辆低速和高速行驶状态下，保证车辆在不同工况下可以平稳行驶。
参考文献:
[1]SPERLING D,GORDON D.Two billion cars:driving toward
sustainability[M].New York:Oxford University Press,2009.
[2]MITCHELL W J,BORRONI -BIRD C E,BURNS L D.Reinventing the automobile:personal urban mobility for the 21st century[M].Cambridge:The MIT Press,2010.
[3]袁月.两轮独立驱动电动汽车驱动控制研究[D].西安科技
大学，2017.
图9
质心侧偏角
图10侧向加速度
纯电动汽车动力电池SOC 研究综述
李凯凯
（重庆交通大学机电与车辆工程学院，重庆400074）
摘要：荷电状态(State of Charge ,SOC )是纯电动汽车动力电池的一个重要参数。准确的SOC 值不仅为驾驶员提供有效的剩余电
量参考，还可以提高动力电池能量的使用效率。由于动力电池充放电过程受多个因素的影响，所以主要研究了SOC 的定义、动力电池模型及对比了各种SOC 估算方法的优缺点，目的是寻出高效可靠的SOC 估算方法，给出未来动力型锂电池SOC 的研究方向。
关键词：纯电动汽车;SOC 估算方法；动力电池模型;SOC
Rint模型、Thevenin模型、PNGV模型[14]。
图1三种常见的等效电路模型
Rint模型用一个理想的电压源Uoc和电池直流内阻R0串联在一起来描述动力电池的动态特性，此模型结构较简单、易于实现，但该模型精度低，且未能描述动力电池内部的极化现象。Thevenin模型是在Rint模型基础上，添加了一个并联RC回路网络模型，此模型结构相对简单、仿真精度高，还可以描述动力电池内部的极化效应。其中R P为电池极化电阻；C p为电池极化电容；U t为电池端电压，U oc为电池开路电压。在Thevenin模型的基础上，再串联一个电容C b就可以构成PNGV模型。但该模型参数辨识较为复杂，不适于实时的SOC估算，并且实用性差。
2.3神经网络模型
动力锂离子型电池具有高度的非线性特征。神经网络模型用来描述非线性系统具有较好的效果，并且具有多输入多输出、容错性、自学习性及使用范围广等特点[13]。神经网络模型的结构一般为输入层（输入实验数据）、中间层（隐含层：对实验数据进行加权处理）以及输出层（输出预测数据）；但该模型的不足之处就是需要大量的实验数据来预测电池性能，并且对电池历史数据的依赖性较大。
3SOC估算方法
3.1安时积分法
安时积分法，也称安时计量法（AH法）。传统的安时积分法估算电池SOC值是利用放电电流对时间的
积分得到放出的电量，再结合电池初始电量就可以得到电池的剩余电量。但AH法存在累积误差，SOC的估算误差将会随时间推移不断增大，并且难以消除。
3.2开路电压法
开路电压法（Open-Circuit Voltage methond，简称OCV 法），就是当电池处于静态或者无负载状态时，电池端电压和SOC存在一定的数学比例关系。开路电压法简单可靠，受环境温度、电池老化程度影响较小；但该算法的最大缺点就是需要长时间的静置条件下，才使得动力电池的开路电压达到稳定状态。
3.3卡尔曼滤波法
卡尔曼滤波（Falman Filtering，FF）法是由卡尔曼（Rudolph E.Kalman）在1960年提出的一种适合数字计算机计算的递推滤波方法，能得到线性系统状态变量的最优估计。针对非线性系统的问题，产生了一种围绕滤波值线性化的扩展Kalman滤波（EKF）算法，用来对非线性系统模型进行状态估计和参数辨识。该算法能够在线对锂离子电池进行SOC估计，同时可以获得估算误差，但缺点是结构复杂、计算难度大以及估算能力要求高，以致于不能进行SOC估算。
3.4组合算法
单一的SOC估算法都有一定的缺陷，不能满足SOC 的估算精度。因此，结合两种及两种以上的SOC估算方法，不仅弥补单一算法的缺点，还能提高动力电池SOC的估算精度。
毛华夫、万国春等人提出了一种基于卡尔曼滤波修正算法的电池SOC估算[1]。为了综合考虑动力电池充放电倍率、温度和电池老化程度对SOC的影响，本文结合SOC定义，提出了一种对SOC估算过程中进行补偿和修正的计算公式
：
（2）式中ηi、ηT、ηn分别为电池充放电倍率、环境温度和电池老化程度对锂离子电池容量Q t的修正系数。
孔祥创、赵万忠和王春艳等人提出了一种基于BP—EKF算法的锂电池SOC联合估计[1]。基于RC等效电路模型的基础上，采用含有遗忘因子的递推最小二乘法和BP—EKF算法对动力电池模型参数辨识及SOC进行在线估计。与单纯的EKF相比，BP—EKF的SOC估计方法具有很好的抑制发散和鲁棒性能，可以有效地提高SOC的估计精度。
4结论
本文主要分析了SOC的定义以及对SOC的主要影响因素，并且还分析了各种动力电池模型和SOC估算方法的优缺点。但由于动力电池主要受电池充放电倍率、温度和电池老化程度等主要因素的影响，所以单一的SOC估算方法有一定的缺点。例如：开路电压法估算SOC时，其缺点是需要长时间的静置条件下，才使得动力电池的开路电压达到稳定状态。因此，在锂离子型动力电池SOC的众多估算方法中，组合估算法一直是电动汽车SOC估算方法的研究热点。
参考文献院
[1]谢旺.基于Thevenin等效电路模型的锂离子电池组SOC估算研究[D].上海交通大学，2013：19-20.
[2]邹金校.纯电动汽车SOC估算方法研究[D].长安大学，2017：13-15.
[3]罗玉涛，谢斌，何小颤.电动汽车锂离子电池组参数辨识与SOC估计[J].华南理工大学学报，2012，40（12）：79-84.
[4]鲍慧，于洋.基于开路电压法的电池荷电状态估计误差校正[J].中国民航飞行学院学报，2014，25（5）：77-80.
[5]毛华夫，万国春，汪镭，张谦.基于卡尔曼滤波修正算法的电池SOC估算[J].电源技术，2014，138（2）：298-302.
[6]孔祥创，赵万忠，王春艳.基于BP—EKF算法的锂电池SOC联合估计[J].汽车工程，2017，39（6）：648-652.