电动汽车动力电池SOC和SOH状态估计研究

1. 引言

动力电池作为电动汽车的动力来源，是整车技术的重中之重，对于电动汽车来说，“谁掌控了动力电池，谁就掌控了未来”。国务院明确提出要加强动力电池技术的开发，并大力发展新能源汽车的动力电池，健全电池研发体系、重点突破锂电池在能量密度、安全性、寿命等方面所处的技术瓶颈[1-2]。

2. 研究现状

以 SOC 与SOH 为核心的电池管理系统是目前动力电池发展的热点问题与难点问题，具有重要的研究价值。动力电池 SOC 估计是电池管理系统实现的基础，涉及到电池组的健康状态和均衡管理。早期的研究方法包括安时积分法、基于表征参数测量值的估计方法等。这些方法操作简单但是存在不可避免的缺陷。例如，安时积分法具有计算简便，适用范围广泛的特点，但是其需要事先明确 SOC 的初始值，初始值未知的情况下后续的 SOC就会偏离实际值且无法回归[3]。表征参数主要是指剩余容量、阻抗谱、开路电压（OCV）等参数。其中，剩余容量通过放电实验得到，然而电动汽车在实际运行过程中难以通过长时间恒流放电的方法获得剩余容量，因此该方法仅适用于实验室特定环境。基于阻抗谱的方法通过测试动力电池不同SOC 值的阻抗，建立SOC 与参数之间的关系完成 SOC 的确定[4]。该方法需要昂贵的设备并且计算方法繁复，无法进行实时在线估计。

随着科技的发展与人工智能的迅速普及，国内外的学者和研究人员在表征参数的基础上建立了新的模型，引入了新的算法，其中在 SOC 估计上最常用的方法包括自适应滤波估计算法、数据驱动以及多种方法相融合的方法等。

动力电池的健康状况是电池状态估计的一个主要难点。SOH 的表现主要体现在电池容量的衰退及内阻的增加。准确估计动力电池 SOH 可以使用户适时做出替换已老化动力电池的选择，提高了电动汽车的安全性，能够有效减少安全隐患的出现。因此与SOC 相同，SOH 的准确估计也是学术界研究的热门话题[5]。目前的国内外动力电池 SOH 状态预测方法，大致包括以下两种，1）离线测量 SOH 的估算方法。2）基于模型的 SOH 估计方法。

3. SOC 和 SOH

SOC 作为电动汽车电池管理、能量管理系统中最重要的决策因素之一，对于优化电动汽车能量管理、提高电池容量及能量利用率、避免过充过放等异常工况、保障的安全性和循环寿命等方面有着极为重要的作用。其研究意义具体包括：

1）精准估计车辆续航里程。用户在驾车过程中，需要对车辆的各项行驶状态信息有足够了解，这些信息会直观地反映在汽车仪表盘上供用户参考，对电动汽车而言，车辆的续航里程是一项非常重要的指标，汽车在某时刻下的后续行驶距离将是驾驶者重点关心的问题。SOC 值会直接影响电动汽车的行驶公里数的计算，因此SOC 值的大小以及SOC 估值精度对电动汽车而言都是极其重要的参数。

2）延长动力电池使用寿命。动力电池的寿命与其处于工作状态的时间长短有关。在电动汽车用户实际使用过程中，动力电池过度充放电是一个很常见的问题。该现象的发生往往会使动力电池发生一些内部反应，损耗电池寿命。准确地估计 SOC 值可以有效避免这种状况的发生。

3）保障电池组安全工作。若某一单体电池出现故障则会导致其所在的电池组发生故障。因此为了避免这种情况，需要对单体动力电池的 SOC 进行精准估计，发现某单体动力电池损坏及时更换，从而达到保护电池组的目的。

SOH 主要评估汽车电池组的安全特性和容量衰减程度，电池容量的衰减涉及到一系列复杂的化学变换过程，与许多外界影响因子相关。其中包括电池自制工艺、内部电化学反应、电池的工作环境及其负载条件等。与SOC一样，动力电池SOH 也无法直接使用仪器仪表测量得到，因此准确地估计动力电池SOH 同样意义重大，具体包括：

1）修正预测的SOC 值。对动力电池组SOH 的准确评估能够对预测的 SOC 进行修正，使动力电池组的预测更贴近于现实状况，对电动汽车控制性能以及预测续航里程都具有正面影响。

2）给予电动汽车安全保障。SOH 值的准确预估，可以知道目前电池处于何种健康状态，若发现某个电池出现老化现象，需要对用户进行预警提示，要求用户及时更换问题电池，避免安全事故发生。从而提高了电动汽车的安全性能，使用户能够安全出行。

4.电池模型建立

为模拟动力电池内部特性，建立合适的电池模型是一种优选的解决方案，模型可以为SOC 和 SOH 估计算法提供可应用框架，提高算法估计的准确度。为提高模型对SOC 与SOH 的估计精度，型内的动力电池参数必须具有时变性。因此选择 DP 等效电路模型作为建模对象。温度会对电池的可用容量、开路电压等参数造成影响，因此在DP 等效电路模型中加入温变参数，使其能更好地模拟电池内部特性，如图1.1 为DP 等效电路模型。

图 1.1 DP 等效电路模型

在DP 等效电路模型，Uoc为开路电压，R0（Tamb）为欧姆内阻，R1（Tamb）与C1（Tamb）为电化学极化电阻与电容，R2（Tamb）与C2（Tamb）为浓度差极化电阻与电容。DP 等效电路模型终端电压计算公式如1-1 所示：

5.SOC 与 SOH 联合估计仿真及分析

建立 DP 等效电路模型，在恒流工况及城市循环工况（UDDS ）工况下利用联合估计的方法得出电池的SOC 与最大可用容量，并通过最大可用容量与 SOH 的关系来表征动力电池的 SOH。SOC 估计值由 SOC 观测器获得，而 SOH 估计器用来获得电池的可用容量，其中通过容量与 SOH 的关系计算得出SOH。图 1.2 为UDDS 工况下联合估计容量变化曲线图，图 1.3% UDDS 工况下联合估计 SOH 值，图 UDDS 工况下联合估计SOH 误差。

图 1.2 UDDS 工况下联合估计容量变化

图 1.3 UDDS 工况下联合估计 SOH 值

图 1.4 UDDS 工况下联合估计 SOH 误差

6. 结论

在 UDDS 工况下，联合估计的容量值变化趋势如图 1.2 所示。从图中数据能够清晰地观察到，当环境温度处于低温 0℃时，容量估计值始终保持在 2.6Ah 以内；在常温 25℃条件下，容量估计值稳定于 2.9Ah 以内；而高温 50℃环境下，容量估计值则维持在 3.1Ah 以内。基于上述容量估计结果，进一步绘制出 UDDS 工况下联合估计 SOH 值的变化曲线（图 1.3）。通过对曲线的分析可以发现，无论在哪种温度条件下，SOH 值均在 1附近波动，未出现明显的大幅起伏，表现出良好的稳定性。进一步计算得到 UDDS 工况下联合估计 SOH 的误差曲线（图 1.4）。研究该曲线可知，在放电初始阶段，不同温度下的 SOH 误差均较小，数值接近 0，显示出算法在初始阶段具备较高的准确性。然而，随着放电过程持续推进，由于算法需要不断更新数据，且在运行过程中涉及对 SOC 的估计环节，由此产生的累计误差导致估计精度有所降低。尽管如此，整个放电过程中，SOH估计误差始终控制在 1.5% 以内，这一误差范围完全符合本实验预先设定的误差标准，充分验证了 DP 等效模型能够满足设计需求。

[1]张小利.锂电池荷电状态估计及其管理系统设计[D].合肥工业大学，2021.

[2]Lin Cheng， Yu Quanqing， Xiong Rui， et al. A study on the impact of open circuit voltage tests on state of charge estimation for lithium-ion batteries[J]. Applied Energy，2017，205.

[3]Yang K， Tang Y， Zhang S， et al. A deep learning approach to state of charge estimation of lithium-ion batteries based on dual-stage attention mechanism[J]. Energy， 2022， 244： 123-133.

[4]颜湘武，邓浩然，郭琪，等.基于自适应无迹卡尔曼滤波的动力电池健康状态检测及梯次利用研究[J]. 电工技术学报， 2019， 034（018）： 3937-3948.

[5] 高昕，韩嵩. 基于分数阶模型的锂离子电池 SOC 与 SOH 协同估计[J]. 电源技术， 2021， 45（9）：5.

（本研究成果受科研基金资助（立项编号：2024d13）