下载文档原格式
一种电动汽车SOC修正方法研究电动汽车的SOC（State of Charge）修正方法研究一、引言随着环境保护意识的提高和能源危机的严重，电动汽车已经成为了未来汽车发展的一个重要方向。
随着电动汽车的普及，对电池的管理和控制变得尤为重要。
SOC的准确测量和修正是电池管理系统的关键问题之一。
本文将探讨一种新的电动汽车SOC修正方法，以提高电动汽车的续航能力和使用寿命。
二、电动汽车SOC的研究现状目前，电动汽车的SOC估算方法主要包括开路电压法、卡尔曼滤波法、等效电路法等。
由于电池系统的复杂性和不确定性，传统的SOC估算方法存在一定的误差和不准确性。
提高SOC估算的准确性和可靠性是当前研究的热点问题之一。
三、一种新的电动汽车SOC修正方法基于目前SOC估算存在的问题和电池系统的复杂性，本文提出了一种基于神经网络的SOC修正方法。
该方法将通过建立一个适用于不同类型电池的神经网络模型，并结合实时监测的电池温度、放电电流、充电电流等参数，对实时的SOC进行修正和校正。
具体步骤如下：1.建立神经网络模型：收集不同类型电池的充放电数据，构建一个适用于多种电池类型的神经网络模型。
通过神经网络的学习和训练，建立起一个相对准确的SOC估算模型。
2.实时监测参数：利用电池管理系统实时监测电池温度、放电电流、充电电流等参数，并输入到神经网络模型中。
3.SOC修正和校正：根据实时监测的参数和神经网络模型的输出，对实时的SOC进行修正和校正。
通过不断更新神经网络模型，提高SOC的准确性和可靠性。
四、实验验证及结果分析为了验证该方法的有效性，我们进行了一系列的实验。
我们使用不同类型的电池进行了充放电实验，并收集了大量的数据。
然后，我们利用神经网络进行训练和学习，建立了一个适用于各种电池类型的SOC估算模型。
我们进行了实时监测和修正实验。
实验结果表明，基于神经网络的SOC修正方法相比传统的SOC估算方法具有更高的准确性和可靠性。
一种电动汽车SOC修正方法研究电动汽车的电池容量估计是电动汽车SOC（State of Charge）控制和能量管理的关键信息。
SOC是指电池当前的剩余电量的百分比。
准确地估计SOC对于电动汽车的可靠性、续航里程预测等至关重要。
由于电池性能的不确定性以及系统测量误差等因素的影响，实际SOC的估计可能会出现偏差。
为了解决这一问题，研究人员提出了一种电动汽车SOC修正方法。
电动汽车SOC修正方法的基本思路是在实时监测SOC的基础上，通过对电池容量的修正来实现准确的SOC估计。
修正方法可以分为两个步骤：建模和修正。
建立电池容量的数学模型。
该模型主要基于电池充放电过程中的电流和电压等参数。
电流和电压是可以测量得到的，因此可以利用这些参数来估计电池容量。
常用的模型包括开路电压法、卡尔曼滤波法、神经网络法等。
这些模型可以根据电池的特性和实际情况来选择，以达到较高的准确性。
然后，通过修正方法对估计的SOC进行修正。
修正方法的选择主要取决于电池的充放电特性和实际使用情况。
常见的修正方法包括残余派生法、自适应修正法、置信度修正法等。
残余派生法基于电池容量的自放电特性，通过在静态条件下对SOC进行修正。
自适应修正法基于电池容量的动态变化，通过在动态条件下对SOC进行修正。
置信度修正法综合考虑了电池的状态和测量误差，通过计算修正系数来修正SOC。
研究表明，电动汽车SOC修正方法可以显著提高SOC的准确性。
通过对电池容量进行修正，可以减小SOC估计的偏差，并提高估计的精度。
这对于电动汽车的能量管理和续航里程预测等是非常重要的。
目前的研究还存在一些问题。
不同的电池型号和充放电条件可能会导致不同的修正方法的适用性。
需要根据具体情况选择合适的修正方法。
修正方法需要对电池的动态变化进行实时监测，这对系统的实时性有较高的要求。
修正方法需要考虑电池的寿命和安全等因素，以避免对电池性能产生负面影响。
电动汽车用动力锂电池 SOC 估计算法研究综述一、SOC 估计算法的概述SOC 估计算法是指通过测量电池的电压、电流等参数，结合电池模型和电路分析等方法，对电池的 SOC 进行估计的算法。
在电动汽车中，SOC 估计算法的重要性不言而喻，它是能源管理、电池寿命预测和车辆安全等方面的基础。
二、基于测量参数的 SOC 估计算法基于测量参数的 SOC 估计算法是指通过测量电池的电压、电流等参数来估计 SOC 的算法。
该类算法具有较高的准确性和可靠性，是当前 SOC 估计算法研究的主流方向。
(1) 基于电压的 SOC 估计算法电压是电池的重要特性参数，其与电池的 SOC 密切相关。
基于电压的 SOC 估计算法主要包括线性算法和非线性算法两种。
线性算法主要是通过对电压进行线性变换，来估计 SOC。
非线性算法则是通过建立电压与 SOC 的非线性关系，来估计 SOC。
该类算法具有较高的精度和鲁棒性，在电动汽车中得到广泛应用。
(2) 基于电流的 SOC 估计算法电流是电池的另一个重要特性参数，其与电池的 SOC 也密切相关。
基于电流的 SOC 估计算法主要包括平均电流法和峰值电流法两种。
平均电流法主要是通过对电流进行平均值计算，来估计 SOC。
峰值电流法则是通过测量电流的峰值，来估计 SOC。
该类算法具有较高的准确性和可靠性，在电动汽车中得到广泛应用。
三、基于模型的 SOC 估计算法基于模型的 SOC 估计算法是指通过建立电池模型，来对 SOC 进行估计的算法。
该类算法具有较高的精度和鲁棒性，能够应对电池参数的不断变化和电池状态的不断变化。
(1) 基于电压模型的 SOC 估计算法电压模型是电池模型中最常用的模型之一，它通过对电压进行建模，来估计 SOC。
基于电压模型的 SOC 估计算法主要包括线性模型法和非线性模型法两种。
线性模型法主要是通过对电压进行线性变换，来估计 SOC。
非线性模型法则是通过建立电压与 SOC 的非线性关系，来估计 SOC。
动力电池组SOC估算及均衡控制方法研究共3篇动力电池组SOC估算及均衡控制方法研究1动力电池组SOC估算及均衡控制方法研究随着电动汽车的普及，如何保证电动汽车的续航里程成为了一个热门话题。
电动汽车的续航里程需要依赖电池组的能量储存，因此动力电池组的管理非常重要。
其中，动力电池组SOC估算及均衡控制方法的研究是管理电池组的核心问题之一。
本文将探讨动力电池组SOC估算及均衡控制方法的研究进展。
动力电池组SOC估算SOC（State of Charge）是动力电池组的电量状态，表示电池组剩余电能与总容量的比值。
因此，动力电池组SOC的估算是很有必要的。
SOC的估算方法大致可以分为开路电压法、能量平衡法、卡尔曼滤波法、神经网络法等。
其中能量平衡法和卡尔曼滤波法被广泛应用于电动汽车动力电池SOC的估算。
能量平衡法是将电池组内外流的能量总和与动力电池的容量进行比较，通过能量平衡方程进行SOC估算。
这种方法可以有效地避免电池内部参数的变化，较为稳定可靠。
但是，能量平衡方法需要获得电池组的状态变化信息，且需要考虑电池组的温度、内阻等因素对SOC的影响。
卡尔曼滤波法是一种基于状态空间模型的线性滤波方法，通过对测量值进行加权平均，得到对系统状态的精确估计。
卡尔曼滤波法在动力电池组SOC估算中可以减小误差和噪声的影响，提高SOC估算的准确度。
但是，该方法需要预先定义一个状态空间模型，且需要测量电流、电压等多个物理量，系统复杂度较高。
动力电池组均衡控制方法动力电池组的均衡控制可以有效地减少电池组内部的SOC差异，延长电池组的使用寿命。
目前，动力电池组均衡控制方法主要分为被动平衡和主动平衡。
被动平衡方法是利用电阻、电感、二极管等元件来消耗电池组内部SOC差异，使得电池组能够达到均衡状态。
该方法的优点是结构简单，成本低。
但被动平衡方法对电池组的使用和控制有一定的局限性，难以实现精确控制。
主动平衡方法是通过控制电池组中的开关器件，实现电池组内部的SOC均衡。
动力电池管理系统之SOC核心技术分析动力电池管理系统（Battery Management System，简称BMS）在电动车辆领域扮演着极为重要的角色。
State of Charge（SOC），即电池的电量状态，是BMS的核心指标之一、对于电动车辆的使用者来说，了解电池电量的情况可以让他们更好地管理车辆的使用。
SOC的核心技术分析主要涉及电池的充放电过程的监测与计算方法。
常用的SOC计算方法有开路电压法、响应面法和卡尔曼滤波法等。
开路电压法（open-circuit voltage，简称OCV）利用电池的伏安特性曲线，在没有电流通过电池的情况下，通过测量电池的开路电压来估算电池的SOC。
这种方法简单直接，只需通过查找电池的伏安特性曲线对应的SOC值即可。
但是，由于电池工作过程中，电池内部电阻的影响导致电池的开路电压与SOC之间存在一定的不确定性，因此这种方法的准确性有一定局限性。
响应面法是通过测量电池在不同SOC下对电流的响应，建立SOC与电流响应之间的关系模型，从而实现SOC的估算。
这种方法可以通过实验得到电池的响应面数据，再根据电流响应的特征通过插值法来计算SOC值。
响应面法相对于OCV法在准确性和稳定性上有所提升，但是需要大量的实验数据以及复杂的计算过程，算法的实时性差。
卡尔曼滤波法（Kalman Filter）是一种基于状态估计的算法，通过对系统模型和测量模型的线性化，结合上一时刻的测量数据和预测数据，实时地对电池SOC进行估算。
该方法不依赖于电池的特性曲线，具有良好的实时性和准确性。
但是，卡尔曼滤波法对电池模型的准确性要求较高，并且算法复杂度相对较高。
随着电池技术的不断发展，SOC的估算方法也在不断演进。
例如，基于神经网络（Neural Network）的SOC估算方法，在训练阶段使用大量的电池测试数据，通过神经网络的学习能力来建立SOC估算模型，从而提高估算精度。
除此之外，也有一些基于深度学习的SOC估算方法，通过对电池工作过程中的多个特征参数进行监测和学习，实现对SOC的准确估算。
收稿日期:1999 08 09作者简介:朱元(1976 ),男,江苏省人,博士生。
Biography:ZHU Yuan (1976 ),male,can didate for Ph D.电动汽车动力电池SOC 预测技术研究朱 元, 韩晓东, 田光宇(清华大学汽车工程系汽车安全与节能国家重点实验室,北京100084)摘要:电动汽车的电池管理系统需要一个精确和可靠的电池荷电状态(SOC)预测器。
由于铅酸蓄电池真实的SOC 受许多因素如电池温度、充放电次数、电池老化等因素的影响,传统的SOC 预测技术很难达到理想的效果。
描述了一种闭环模糊推理方法在铅酸蓄电池SOC 预测技术方面的应用。
其中,闭环反馈环节采用了一个经验公式来调节铅酸蓄电池SOC 的预测值。
重新定义了一种容易从放电曲线中获得的电池内阻,利用这个电池内阻值可以很容易地把不同工况下的电池端电压等效到一个固定工况下的端电压,从而可以简化模糊规则的设计。
经仿真证明这种方法能够获得蓄电池精确和可靠的SO C 预测值。
关键词:铅酸蓄电池;模糊推理;荷电状态(SO C)中图分类号:T M 912.1 文献标识码:A 文章编号:1002 087X(2000)03 0153 04Research on estimation technology of traction battery SOC for electric vehicleZHU Yuan, HAN Xiao dong, T IAN Guang yu(S tate Key L aboratory of Au tomobile Saf ety and Energy Conser vation ,A utomotiv e Engineering Departmentof Qing hua Univ ersity ,Beij ing 100084,China )Abstract:Accurate and reliable state of charge (SOC)estimation for battery is necessary for the battery mana gement system in electric vehicles.Since the actual SOC of lead acid battery is influenced by many factors,such as temperature,cycle of discharge and ag ing of battery,it is difficult to obtain ideal results by traditional methods.T he application of fuzzy inference method w ith closed loop control for the SOC estimation of lead acid bat tery w as described.T he closed loop feedback adopted an empirical equation to adjust the estimation value of SOC for lead acid battery.A new internal resistance,w hich could be obtained simply from the discharg e curves of battery,was also redefined.Battery voltag e at different conditions could be equivalent to the voltag e at a certain condition by means of the new internal resistance.Therefore,the design of fuzzy regulation could the sim plified.The com puter simulation proved that accurate and reliable battery SOC estimation of battery could be obtained by adopting the new method.Key words:lead acid battery;fuzzy inference;state of charge(SOC)蓄电池是电动汽车的能量来源,管理好蓄电池对于电动车来说是至关重要的,因此相当数量的电动车研究人员把精力集中在蓄电池充放电特性的研究上。
96AUTO TIMEAUTOMOBILE DESIGN ｜ 汽车设计1 引言近年来，我国的新能源汽车飞速发展，动力电池作为电动汽车的核心。
对于其技术要求的提高也日益增加。
而动力电池的SOC 显示则是动力电池管理工作的关键内容。
电池内部的化学反应涉及电流大小、反应时间、电压、温度以及内阻等多种因素的影响，是一种非常复杂的非线性关系[1]。
因此准确的SOC估计已成为电动汽车发展中亟待解决的问题。
本文主要从电池参数的选取到软件策略的优化，提供了一种高效、准确的安时积分法用于电动汽车的SOC估算。
2 实验设计2.1 实验对象三元锂离子电芯、电池系统。
电芯容量为100Ah，充电最高电压保护值为4.25V，充电最低电压保护值为2.8V；电池系统工作温度：-20~55℃。
实验设备：高低温交变湿热试验箱（汉克），型号：ATH-F2-80；安捷伦五位半万用表；型号：TW48080332；迅湃充放电设备，型号：EVBT-500-300-2ISO。
2.2 实验方法2.2.1 可用容量测试随机选取两支量产电芯测试不同温度不电动汽车SOC 估算方法的设计策略研究简述叶明 陈宾 朱红 奚杰 曾祥兵奇瑞新能源汽车技术有限公司 安徽省芜湖市 ２４１００２摘 要： S OC 是电动汽车运行过程中非常重要的参数。
不仅可以给终端使用者提供产品续航工作的里程参考；也可以作为电池充放电保护设计的参考数据。
人们利用电池的电压、内阻、充放电时间以及容量等参数之间的变化规律推算出电池的工作状态。
为了更好的监控电池的工作状态，电池剩余容量SOC 成为表征电池工作状态的重要指标。
关键词：SOC；不同温度放电容量；OCV；安时积分同倍率下放电容量（-20~55℃，每5℃为间隔选取温度点进行测试；0.5C/0.33C/1C）2.2.2 不同温度SOC~OCV 测试：①常温0.33C CC CV to 4.25V；指定温度搁置3h；②0.33C 放电至3.0V ，0.2C 放电至2.8V，得放电容量C1；③C1 20等分，指定温度下0.33C放电0.05C1，静置2h，得该温度该SOC下OCV；2.2.3 电池系统SOC 精度估算参考行标《QCT 897-2011 电动汽车用电池管理系统技术条件》进行试验3 结果与分析3.1 可用容量测试由图1可知，电芯在下线时，容量存在一定的分布。
基于神经网络的电动汽车电池SOC估算研究摘要：本研究基于神经网络的方法，针对电动汽车电池SOC估算进行了研究。
首先介绍了电动汽车电池SOC估算的重要性和现状，然后详细阐述了神经网络的基本原理及其在电动汽车领域的应用。
提出了一种基于神经网络的SOC估算模型，并详细描述了模型的架构设计、输入特征选择和预处理、输出层设计和目标函数选择以及训练数据的获取和处理等步骤。
通过实验验证了模型的准确性和可靠性。
本研究为电动汽车SOC估算提供了可行的解决方案，并展望了未来的研究方向。
关键词：电动汽车电池；神经网络；SOC估算引言：随着电动汽车的快速发展，电池的状态估算成为了关键问题之一。
准确估算电动汽车电池的SOC（State of Charge）是确保电动汽车性能和安全的重要任务。
近年来，基于神经网络的方法在SOC估算领域引起了广泛关注。
神经网络通过模仿人脑神经系统的工作原理，具备了处理复杂数据和非线性关系的能力。
本文旨在探讨基于神经网络的SOC估算研究，并提出了一种用于准确估算电动汽车电池SOC的模型。
一、神经网络基础1.神经网络的基本原理神经网络是一种模拟生物神经系统工作原理的计算模型。
神经网络由大量相互连接的人工神经元构成，通过权重和激活函数的调节来实现信息的传递和处理。
神经网络的基本原理是通过训练数据来学习权重参数，以实现对输入数据的模式识别和预测。
它通过前向传播将输入数据从输入层传递至输出层，并通过反向传播根据与目标输出的差异来调整权重，从而逐步提升模型的准确性。
神经网络的深度结构和非线性激活函数使其能够处理复杂的非线性关系，使其在估算电动汽车电池SOC等任务中具有广泛的应用潜力。
2.深度学习及其在电动汽车领域的应用深度学习是一种基于多层神经网络的机器学习方法，通过多个隐层的非线性变换和特征提取，实现对复杂数据的高级表示和学习。
在电动汽车领域，深度学习被广泛应用于电池SOC估算、充电优化和电池寿命预测等任务。
一种电动汽车SOC修正方法研究电动汽车的SOC（State of Charge）是指电池组的当前充电状态，它是电动汽车电池管理系统中重要的参数之一。
准确地估计SOC对于电动汽车的性能分析、充电管理以及电池寿命等方面都十分关键。
由于电动汽车的电池特性的变化和测量误差，电池组的SOC估计存在一定的误差。
为了准确地估计SOC，许多修正方法被提出并得到了广泛的研究和应用。
本文将探讨一种电动汽车SOC修正方法。
该方法基于基于电池容量估计模型，结合实际测量数据，通过修正模型参数来准确估计SOC。
具体步骤如下：建立电池容量估计模型。
电池容量估计模型是基于电池的特性曲线、电流和电压等参数来描述电池的容量变化规律的数学模型。
在模型建立过程中，需要考虑电池内部阻抗、放电特性和电池组的特定结构等因素。
然后，收集实际测量数据。
实际测量数据包括电流、电压、温度等参数。
这些参数是估计电池容量的重要依据。
通过实际测量得到的数据，可以更准确地描述电池的特性和性能。
接下来，进行修正模型参数。
修正模型参数是根据实际测量数据和模型预测结果之间的差异来完成的。
通过对模型参数进行修正，可以减小模型与实际测量数据的差异，从而提高SOC估计的准确性。
进行SOC估计。
SOC估计是基于修正后的电池容量估计模型和实际测量数据进行的。
通过对电池容量进行估计，可以计算出SOC的值，并提供给电池管理系统进行充电管理和性能分析。
该方法通过修正电池容量估计模型的参数来提高电动汽车SOC估计的精度。
通过对实际测量数据和模型预测结果的比较和修正，可以减小估计误差，提高SOC估计的准确性和稳定性。
这种修正方法在电动汽车SOC估计中具有很大的潜力和应用前景。
soc状态估计算法研究
SOC状态估计算法是一种重要的电池管理技术，用于估计电池的SOC（State
of Charge）。
目前，SOC状态估计算法已被广泛应用于电动汽车、混合动力汽车、储能系统和太阳能电池组等领域。
SOC状态估计算法通常基于电池模型，并利用电池的电压、电流和温度等参数来估计电池的SOC。
其中，电池模型通常包括电化学模型和等效电路模型。
电化
学模型是一种基于电池内部化学反应的模型，而等效电路模型则是一种将电池抽
象为电路元件来建模的方法。
SOC状态估计算法的研究主要包括基于滤波器的方法、基于卡尔曼滤波的方法、基于神经网络的方法、基于粒子滤波的方法等。
这些方法各有优缺点，应根据具
体应用场景选择合适的方法。
除了算法本身的研究外，SOC状态估计算法还需要考虑到实际应用的环境因素，如电池寿命、温度变化、电荷和放电速率等。
因此，SOC状态估计算法的研究需
要综合考虑电化学、控制、计算机科学等多个学科的知识，才能更好地解决实际
应用中的问题。
电动汽车SOC估计算法与电池管理系统的研究
黄文华;韩晓东;陈全世;林成涛
【期刊名称】《汽车工程》
【年(卷),期】2007(029)003
【摘要】在安时计量方法的基础上,采用基于折算库仑效率的卡尔曼滤波算法估计蓄电池荷电状态(SOC),并将此方法应用于HEV6580混合动力电动汽车镍氢电池管理系统.系统实现的功能包括:数据监测、数据显示、CAN通信、SOC估计、热管理和安全报警.经电池试验台模拟工况试验验证,电池管理系统各子系统达到设计要求且工作稳定.改进SOC估计方法解决了传统安时计量法不能估计初始SOC、难于准确测量库仑效率的问题,为电池管理系统稳定工作提供保证.
【总页数】5页(P198-202)
【作者】黄文华;韩晓东;陈全世;林成涛
【作者单位】清华大学,汽车安全与节能国家重点实验室,北京,100084;清华大学,汽车安全与节能国家重点实验室,北京,100084;清华大学,汽车安全与节能国家重点实验室,北京,100084;清华大学,汽车安全与节能国家重点实验室,北京,100084
【正文语种】中文
【中图分类】U4
【相关文献】
1.电动汽车电池管理系统SOC算法优化研究分析 [J], 张露;韩勇
2.电动汽车动力电池SOC估计算法分析 [J], 杨培善; 白银
3.电动汽车用铅酸电池管理系统SOC算法研究 [J], 李文江; 张志高; 庄益诗
4.基于BP-EKF算法的电动汽车电池管理系统SOC精准估计 [J], 陈江波
5.基于DSP的电动汽车电池管理系统建立及SOC精准估计 [J], 陈天英;侯仰军;栗会峰;杨少波;董靓媛;严敬汝
因版权原因，仅展示原文概要，查看原文内容请购买。
一种电动汽车SOC修正方法研究电动汽车作为新能源汽车的代表，正逐渐成为汽车市场的主流之一。
随着电动汽车的不断普及和发展，其电池管理系统也变得越来越重要。
电动汽车的SOC（State of Charge，电池充电状态）修正是电池管理系统中的一个重要问题，对于准确估计电池的剩余容量和充电状态至关重要，直接影响电动汽车的续航里程和性能。
研究一种电动汽车SOC修正方法具有重要的实际意义。
一般来说，电动车的SOC估算采用两种主要的方法：基于电池特性曲线的计算和基于噪声、模糊逻辑、模型预测控制等方法进行实时修正。
由于电池性能随时间、温度和使用条件等因素的影响，这些方法在一定程度上存在差异和误差。
为了提高电动汽车SOC的准确性，需要对现有的修正方法进行深入研究和改进。
本文旨在探索一种较为全面和实用的电动汽车SOC修正方法，以提高电池管理系统的准确性和可靠性。
本文将分析当前电动汽车SOC修正方法的优缺点，并从理论和实际应用的角度出发，提出相应的改进思路。
本文将通过实验和仿真分析，验证改进方法的有效性和可行性。
本文将总结研究成果，展望未来的研究方向和应用前景。
本文将从理论分析的角度对电动汽车SOC修正方法进行探讨。
目前，基于电池特性曲线的计算方法具有一定的理论基础，但在实际应用中存在一定的误差和不确定性。
基于噪声、模糊逻辑、模型预测控制等方法虽然可以实现实时修正，但也存在一定的复杂性和计算成本。
本文将结合两种方法的优点，提出一种综合利用电池特性曲线和实时修正的修正方法，以提高SOC的准确性和稳定性。
本文还将探讨温度补偿、容量补偿和动态修正等方面的改进方案，以提高修正方法的适用性和实用性。
本文将通过实验和仿真分析，验证改进方法的有效性和可行性。
本文将在实际电动汽车上进行试验，收集电池性能数据和车辆运行数据，并对比不同修正方法的准确性和稳定性。
本文将采用电池模型和车辆动力学模型进行仿真分析，验证改进方法在不同工况下的适用性和优越性。
收稿日期：2010-07-25作者简介：李文江（1951—），男（蒙古族），辽宁省人，教授，博士生导师，主要研究方向为节能型电力传动技术与应用，电机与电器检测技术。
1266
电动汽车用铅酸电池管理系统SOC算法研究李文江，张志高，庄益诗（辽宁工程技术大学电气与控制学院，辽宁葫芦岛125105）
摘要：SOC数据是电动车运行过程中一个重要的参数，它是防止电动车蓄电池过充和过放的主要依据。通过安时(Ah)积分法和开路电压法相结合的方法来估算电池荷电状态（SOC）。利用ADVISOR整车仿真软件，在MATLAB/Simulink仿真平台上搭建了SOC仿真模型验证估算方法的精确性。在电池管理系统硬件设计中，系统采用
了分散采集集中处理的设计方案，采用MC9S12DP128MPV控制芯片进行信息处理计算，得出电池荷电状态和单体电池工作状态、电流、温度等信息,并在软件中实现了算法的嵌入式应用。关键词：电池荷电状态；纯电动汽车；电池管理系统中图分类号：TM912文献标识码：A文章编号：1002-087X(2010)12-1266-03
ResearchonalgorithmofSOCestimationforelectriccar’slead-acidbatterymanagementsystemLIWen-jiang,ZHANGZhi-gao,ZHUANGYi-shi(FacultyofElectricalandControlEngineering,LiaoningTechnicalUniversity,HuludaoLiaoning125105,China)
Abstract:SOC(StateOfCharge)isoneofthemostimportantparametersforEVs,whichisthemainbasistopreventoverchargeandoverdischargeoftheEVbattery.Thebattery'sstateofchargewasestimatedbythemethodwhichcombinedtheamperehourlaw(Ah)withtheopen-circuitvoltagemethods.ThesimulationsoftwareofvehicleADVISORwasappliedtobuildthesimulationmodeltoverifytheaccuracyofestimationbasedontheMATLAB/Simulinksimulationplatform.Thedesignproposalofdispersedgatheringandcentralizedprocessingwasusedtodesignthebatterymanagementsystem'shardware,theMC9S12DP128MPVcontrolchipwasadoptedtocomputetheinformation,andthenthebattery'sstateofcharge,singlebattery'sstatusofwork,current,temperatureandsoonwereobtained.Theembeddedapplicationsinthesoftwarealgorithmswereimplemented.Keywords:SOC;pureelectricvehicle;batterymanagementsystem
对于纯电动汽车（EV）而言，动力蓄电池是汽车动力的唯一来源，因此蓄电池的性能对汽车整体性能起着决定作用。这就要求电池管理系统不仅能够正确监测反应使用过程中消耗的电池能量，而且也能够实时预测电池所剩余的电量，电池的剩余电量直接决定着EV的最大行驶里程，电池管理系统要根据汽车当前行驶路况，预测汽车的续驶里程，减轻驾驶员的心理负担，尽可能地避免半路抛锚。由于目前国内电池生产技术的限制，动力蓄电池为整车成本中较高的部件之一，合理利用电池提高电池使用寿命，必须将SOC控制在一个合理的范围之内[1]。因此，准确的估算电池组的SOC是纯电动和混合动力汽车产业化必不可少的先决条件之一。当前应用的各种电池组SOC实时在线估算方法都存在着不同的缺陷，不能达到实际使用的要求。这主要是因为电池组的SOC和很多因素相关且具有很强的非线性，从而给SOC实时在线估算带来很大的困难[2]。本文通过安时(Ah)积分法和开路电压法相结合的方法来估算电池荷电状态（SOC）。设计了电池管理系统的硬件电路，并在软件中实现了该算法的嵌入式应用。并通过SOC仿真模型验证了估算方法的精确性。1SOC估计方法
电池的SOC值是电池能量管理系统中一个非常重要的参数，同时也是电动汽车与混合动力汽车中制定控制策略的一个关键参数。实时准确的SOC值的确定是提高电池效率有效保护电池的基础。这里，我们将电池的荷电状态分为：标称荷电状态SOCB
和动态荷电状态SOCD两种情况：
（1）标称荷电状态SOCB
特指某恒定温度下，以标称的恒流放电IB时电池所放出
的标称容量QB为基准所确定的SOCB值。SOCB只需对电池不可恢复性容量影响因素进行修正，如式（1）。SOCB＝（SOC0－QB/CB）×K1(1)
式中：CB为电池以标定的电流IB为恒流放电所具有的容量；K1为电池不可恢复性容量影响系数；SOC0为初始电池的剩余
容量。
研究与设计2010.12Vol.34No.121267（2）动态荷电状态SOCD
指随放电电流、温度参数变化的电池荷电状态，SOCD以
标称荷电状态SOCB为基准，根据电流的变化进行换算，温度变化以影响系数的形式予以修正，如式（2）。SOCD＝f(SOCB,K2,I)（2
）
式中:K2为温度影响系数；I为实际放电电流。本设计中不考虑电池不可恢复性容量影响，即K1=1
。是
基于安时积分—开路电压法估计SOC的。
1.1开路电压法
在开始将要放电时，在满足一定条件下，用开路电压法测出初始电池的剩余容量SOC0。
由于对铅酸或者锂电池而言，在其性能完全稳定的时候，其开路电压与剩余电量存在很明显的线性关系，而且这种线性关系受环境温度以及蓄电池的老化因素影响很小[3]。所以：
SOC0＝(Uk－b)/(a－b)(3)
式中：Uk为电池开路电压；a,b为估计系数。1.2安时积分法
试验中除了用开路电压法估计SOC外，其余时间均用安时积分计量法来估计SOC[3]。即：
SOC＝SOC0－QB/CB(4)
，式中：K＝K2×K3，为电流修正系数；K2代表温度修正系数；K3代表在标准温度下，以标准电流IB放电放出的电量QB与以不同放电电流I放电放出的电量Q之比，即K3=QB/Q
，可以通过试验求得。
(1)K2的确定
目前常用的温度补偿公式为式（5）。K2=1+0.008(TB－T)(5)
式中:TB为标准温度；T为设定温度。(2)K3的确定
由派克特（peukert）公式,电池放电时的剩余电量C与放电电流I有式（6）关系。C＝K×I1－n(6)
只要初始条件相同，则K和n是相同的。因此有式(7)。K3=CB/C=(I/IB)n－1(7)
这样，只要测得几组C、I来求得K和n，即可确定K3（n为与蓄电池结构特别是极板厚度有关的常数，其值在1.15～1.42之间；K为与蓄电池中活性物质的量有关的常数）。
Peukert方程说明，放电电流愈大，蓄电池容量愈小；但放电电
流很小时不适用。1.3SOC的确定
开路电压和安时积分法结合可得式（8）。(8)设计中将开路电压法和安时积分法相结合使用，此方案试验阶段要测量的量有：恒定的充放电流，充放电时间，开路电压，温度。实际应用时要测量的量有：开路电压Uk，动态电流I，温度T。SOC估计的程序流程图如图1所示。其中用安时积分法实时估计SOC的过程流程图如图2所示。
1.4SOC估算编程代码
voidChip_init(){Para_init();//自己定义的全局变量参数初始化(例如
K
2
与K3等)
ADC_init();//模数转换模块初始化
CRG_init();//时钟复位产生模块初始化
SPI_init();//串行外设接口模块初始化
//......//主控芯片中你还需要用到的模块都在这里初始化
(例如定时器等)}unsignedintTemperature(){//先用热敏电阻调试
//数据从AD口读入，根据试验标定数值，转换成相应的
温度值
2010.12Vol.34No.12
