对SOC、SOH算法的一些思考
一、经典SOC算法（安时法）--误差产生的途径
SOC
定义：
SOC，State of Charge，荷电状态，也叫剩余电量，代表的是电池使用一段时间或长期搁置不用后的剩余容量与其完全充电状态的容量的比值，常用百分数表示。
方法：
安时法、开路电压法…
kalman滤波法、粒子滤波法、模糊神经网络法、基于SVM的估算方法、混合方法…
适合于所有使用环境、所有电池状态的高精度SOC算法。
SOH
定义：
SOH，State of Health，电池健康状态，代表电池在使用一段时间后其健康状态与新出厂时电池健康状态的比值，常用百分数表示。
方法：
基于经验的方法：充放电循环次数、累计充放电安时数…
基于特征估算的方法：电池的内阻（欧姆内阻与极化内阻）、电池的容量…
基于统计信息的方法：利用大量历史数据采用SVM、深度机器学习等机器学习算法对电池健康状态进行分类和预测。
一、经典SOC算法（安时法）--误差产生的途径
误差产生的途径：
1.电流采样造成的误差
?采样精度造成的误差
?采样间隔造成的误差
3. SOC保存过程中取舍造成的误差 2. Cmax变化造成的误差
?温度造成Cmax变化
?电池衰减造成Cmax变化
一、经典SOC算法（安时法）--解决办法
解决办法：
遇到的问题：
1.何时进行开路电压校准
2.磷酸铁锂电池平台期如何解决
2. 满充满放校准Cmax
遇到的问题：
1.在实际使用过程中，无法强求客户进行
满充满放
1. 开路电压校准
二、Kalman滤波算法
定义：
卡尔曼滤波（Kalman filtering）一种利用线性系统状态方程，通过系统输入输出观测数据，对系统状态进行最优估计的算法。由于观测数据中包括系统中的噪声和干扰的影响，所以最优估计也可看作是滤波过程。（源自百度百科）
应用：
卡尔曼在NASA埃姆斯中心访问时，发现他的方法对解决阿波罗计划的轨道预测很有用。
目前广泛应用于通信、导航、制导与控制等多领域。（源自百度百科）
二、Kalman滤波算法
估算SOC初始值：100%估算SOC初始值：86%实际SOC初始值：86%设定满充容量值：142Ah
实际满充容量值：133Ah
红色实线—安时法计算的SOC值
蓝色虚线—我们算法计算的SOC值
从图中可以看出，算法具有很好的
收敛性，即使初始SOC误差50%，
也可以收敛过来。
同时，算法考虑客户的感受，兼顾
收敛的平顺性。
全程最大误差4%。
二、Kalman滤波算法
估算SOC初始值：100%实际SOC初始值：86%设定满充容量值：142Ah
实际满充容量值：133Ah
红色实线—安时法计算的SOC值
蓝色虚线—我们算法计算的SOC值
从图中可以看出，算法具有很好的
收敛性，即使初始SOC误差50%，
也可以收敛过来。
同时，算法考虑客户的感受，兼顾
收敛的平顺性。
全程最大误差4%。
二、Kalman滤波算法
估算SOC初始值：100%
估算SOC初始值：86%估算SOC初始值：30%实际SOC初始值：86%设定满充容量值：142Ah 实际满充容量值：133Ah
红色实线—安时法计算的SOC值
蓝色虚线—我们算法计算的SOC值
从图中可以看出，算法具有很好的
收敛性，即使初始SOC误差50%，
也可以收敛过来。
同时，算法考虑客户的感受，兼顾
收敛的平顺性。
全程最大误差4%。
红色实线—我们算法计算的SOC值
绿色实线—安时法计算的SOC值
紫色实线—实际SOC值
蓝色实线—电流值
这个是磷酸铁锂电池实际测试效果图。
实际SOC为80%，错误标定SOC为
65%，存在15%的误差。
从图中可以看出，针对磷酸铁锂电池算
法仍具有很好的收敛性，初始SOC误
差15%，也可以收敛过来。
二、Kalman滤波算法
二、Kalman滤波算法
通常关注的几个问题：
采样精度问题：
什么样的精度能够满足算法计算的要求？
电芯采样精度：±5~±10mV（三元材料）、±1~±5mv（磷酸铁锂）
电流采样精度：±1%
温度采样精度：±1℃
采样速率：
电芯采样速率：太快增加CPU开销，太慢无法反映电压变化，10ms~100ms
电流采样速率：太快增加CPU开销，太慢无法反映电流变化，10ms~100ms
温度采样速率：1s
运算速度：
运算周期100ms~1s
采用Kalman滤波算法是否还需要开路电压修正SOC
Kalman滤波算法本身具有SOC修正功能，采用开路电压修正需要电池静置固定长的时间才能比较准确，对磷酸铁锂电池平台期会受采集精度影响（这也是为什么要求高精度电压采集的部分原因）。
二、Kalman滤波算法
通常关注的几个问题：
温度对SOC精度的影响：
1. 大部分情况无法做到每个电芯对应一个温度采集点
2. 温差可能较大
3. 需要建立大量的不同温度下的电池模型，增大系统开销
只估算最低最高电芯电压的SOC还是估算全部电芯的SOC
1. 最高最低电芯电压的位置在充放电过程中会发生变化，所以估算得到的最高最低SOC在整
个过程中不是对应唯一电芯。
2. 算法无法扩展，只能做SOC估算。
二、Kalman滤波算法
通常关注的几个问题：
收敛速度
快速收敛好还是慢速收敛好？
A算法：
优点：快速收敛。
缺点：用户体验比较差，会被认为SOC突变
容易受电池REST时间影响B算法：优点：用户体验好一些，不易受电池REST影响缺点：收敛速度慢
三、SOC算法发展方向
SOC算法发展方向
提供更高精度的算法
1. 确保不同使用场景下SOC的精度（电动车、储能）
2. 确保不同使用环境下SOC的精度（温度、大倍率充放电）
3. 确保电池整个生命周期内SOC的精度
集成与整合
1. SOC、SOH算法与整车控制器进行整合
测试与规范
1. 形成更好的测试标准与测试规范
四、SOH算法—基于经验的方法
SOH
定义：
SOH，State of Health，电池健康状态，代表电池在使用一段时间后其健康状态与新出厂时电池健康状态的比值，常用百分数表示。（记录电池充放电循环次数或者累计充放电安时数与电池最大充放电循环次数或者最大累计充放电安时数的比值）
方法：
基于经验的方法：充放电循环次数、累计充放电安时数…
优点：
方法简单、易于实现缺点：
开环控制、无法反映电池真实健康状态
四、SOH算法—基于特征估算的方法
SOH
定义：
SOH，State of Health，电池健康状态，代表电池在使用一段时间后其健康状态与新出厂时电池健康状态的比值，常用百分数表示。（用使用一段时间后电池容量或者内阻、或者二者的加权值与新出厂时的容量、内阻或者二者加权值的比值）
方法：
基于特征估算的方法：电池的内阻（欧姆内阻与极化内阻）、电池的容量…
方法A. 计算整个电池组的容量→计算整个电池组的SOC
方法B. 计算逻辑上单个电芯的容量→计算逻辑上单个电芯的SOC
方法A：
优点：
实现简单
缺点：
不能反映每节电芯的健康状态方法B：
优点：
可以反映每节电芯的健康状态
影响SOH计算的因素
1.温度造成容量值、内阻的变化（可逆）
2.驾驶习惯造成容量值、内阻的变化（可
逆）
3.充电习惯造成容量值、内阻的变化（可
4.电池自然衰减造成容量值、内阻的变化（不可
逆）
5.电池异常造成容量值、内阻的变化（不可逆）
四、SOH算法—实车测试结果与分析实际运行车辆的满充容量值：
1.抽取实际运行两年车辆的满充容量值，蓝色的点表示最高满充容量值，红色的点表示最低满充容
量值。
2.低于127Ah的容量值显示为127Ah。
1, 1382, 1418, 13111, 13312, 14113, 14014, 14015, 13517, 13718, 13819, 13622, 14123, 13129, 14131, 13132, 13533, 13635, 14238, 12941, 13044, 13545, 13746, 14147, 14150, 13052, 1421, 1372, 135
3, 1274, 1405, 1276, 1277, 1278, 1289, 12710, 12711, 13112, 13713, 13514, 13815, 13216, 12717, 13318, 13419, 12720, 12721, 12722, 13723, 12724, 12725, 12726, 13927, 12728, 12729, 13930, 12731, 12732, 13033, 12834, 12735, 14136, 14137, 12738, 12739, 12740, 12741, 12742, 12743, 12744, 13145, 13646, 14047, 13948, 12749, 12750, 12751, 127
52, 135126
128
130
132
134
136
138
140
142
144
0102030405060实际运行两年车辆的满充容量值
四、SOH算法—基于统计信息的方法
SOH
定义：
SOH，State of Health，电池健康状态，代表电池在使用一段时间后其健康状态与新出厂时电池健康状态的比值，常用百分数表示。（此时的电池健康状态应该不仅仅是一个比值，而是真正的电池健康状态，包含对电池产生某种异常行为概率的估算，是对电池剩余使用寿命的估算）方法：
基于统计信息的方法：利用大量历史数据采用SVM、深度机器学习等机器学习算法对电池健康状态进行分类和预测。
四、学术与工程
2004年电池SOC、SOH的计算
从2004年第一篇利用Kalman 滤波方法进行SOC估算的文章开始，包括国内许多高校和研究机构发表了大量利用kalman滤波以及变种方法对电池SOC、SOH进行估算的文章。2011年电池本体能量密度的提升和安全性的改进
从2011年开始，学术界开
始关注电池本体能量密度
提升的方法、电池新型材
料的研究以及为提高电池
安全性而对电池材料的改
进，这一阶段的主要研究
热点在于电池本体。
2015年电池出错机理的描述
从2015年开始，开始有研
究者关注电池的出错机
理，建立电池出错机理与
电池表现出来的外特性
（比如容量、电压曲线）
之间的联系。