傳統(tǒng)燃油車上有油表，還有多少油，還能跑多遠，看一眼心里就有數(shù)了。換做是電動汽車，駕駛員則需要了解電池包還剩下多少電量。荷電狀態(tài)又叫剩余電量，SOC，StateofCharge，是反應(yīng)電池包內(nèi)當前電量占總體可用容量百分比的一個參數(shù)。駕駛員根據(jù)滿電狀態(tài)總的里程數(shù)，可以推斷出當前電量的續(xù)航能力，也有車型直接顯示續(xù)航距離。

電量估計不準確的電動汽車，往往給車主帶來一些困擾。

電量跳變，即將停車的時候，掃了一眼電量，還剩下50%，估計回程勉強夠用了。過一會回來發(fā)動車子，發(fā)現(xiàn)電量指示在了40%，貌似回不去了……

突然掉電，電量還有30%的時候，一腳加速，驟然報警電量過低，停車了……

SOC的準確性，一直是電動汽車用戶詬病的重點，在網(wǎng)絡(luò)論壇上時常能看到，電動汽車車主說又被放到半路的抱怨帖。發(fā)展多年的電動汽車，SOC的準確估計仍然沒有做的特別好。

1SOC估計干什么用

告知駕駛員剩余里程，是SOC對駕駛員的價值，同時，電動汽車和電池包的管理控制過程，也需要SOC的準確數(shù)據(jù)。

防止過充過放

SOC作為充放電的重要閾值，對電池包起到調(diào)節(jié)和保護作用。充電過程中，如果電池包電量過低，比如低于10%，則充電電流不能馬力全開，而是限流充電，直至達到正常電量范圍，方可放開限制。放電階段，當電量已經(jīng)比較低，但仍然在放電截止電量以上，比如低至20%SOC，一般會限制功率輸出，防止大電流造成系統(tǒng)觸及停車電壓，并且期望以最節(jié)能的方式運行，跑更遠的距離。

作為低電量限流閾值

為什么電池包電量較低的時候，需要設(shè)置限流策略?電量較低時，電池端電壓較低，如果突然發(fā)生大電流放電，電池極化內(nèi)阻會迅速增大，使得內(nèi)阻占壓上升，電池電勢減去內(nèi)阻占壓后的電池端電壓則會相應(yīng)降低。如果電流足夠大，則端電壓可能被拉低到停止供電電壓以下。如果低電壓持續(xù)時間超過延時時間，電池管理系統(tǒng)判斷電池電壓過低，無法繼續(xù)工作，需要斷電。于是主動斷掉電池包主回路接觸器。突然的掉電于是發(fā)生了。當然，有的車型電源主回路接觸器的控制權(quán)限在整車控制器上。

作為整車控制策略閾值

電動汽車上有多種用電器，空調(diào)，音響，轉(zhuǎn)向助力，剎車助力等等。當SOC降低到一定程度，用電器的權(quán)限需要作出排序，比如剎車助力無論什么電量都必須供電，空調(diào)音響，電量少于一定值時必須停止供電等等。

2算法

已經(jīng)為大家熟知的算法有開路電壓法，安時積分法和內(nèi)阻法。新近被研究較多的方法包括卡爾曼濾波法、神經(jīng)網(wǎng)絡(luò)法等。新的方法正在不斷涌現(xiàn)，只是多數(shù)都在研究討論階段，實際應(yīng)用中的算法仍然以舊方法為主。

開路電壓法

鋰電池的開路電壓與電池的荷電量有明確單調(diào)的對應(yīng)關(guān)系，只要獲得準確的開路電壓就可以推算出電池電量。幾款電芯的開路電壓與SOC對應(yīng)曲線如下圖所示。

先離線測量得到不同溫度不同SOC下的開路電壓值，形成表格。電池系統(tǒng)裝車以后，每當出現(xiàn)停止供電狀態(tài)，就可以調(diào)用表格數(shù)據(jù)，根據(jù)測量得到的開路電壓判斷電池荷電狀態(tài)。

開路電壓法，對電池電量的判斷準確，但條件限制比較多。必須在回路斷開的情況下，電池靜置一段時間以后。這個要求使得在線測量不可能實現(xiàn)。

有人針對上述問題展開研究，發(fā)現(xiàn)回路停止供電一定時間后的電池端電壓與開路電壓保持一個穩(wěn)定的關(guān)系。采用這種方法，可以避免長時間靜置的過程，使得開路電壓法的應(yīng)用范圍得到了拓展。

安時積分法

實時測量電池包主回路電流，并將其對時間積分，充電為負放電為正。放電過程，用初始電量減去積分結(jié)果，得到當前電量;充電過程，用初始電量加上積分結(jié)果，得到當前電量。

安時積分法的一個問題是，初始電量的判斷，無法直接得到。另外，由于系統(tǒng)電流的波動性很大，而電流采樣是間隔一定時間進行一次，使得采樣值與一段時間的平均值并不一定近似，長時間累積下來，造成比較明顯的誤差，并且誤差不是安時積分法自己能夠消除的。因此，安時積分的實際應(yīng)用必須與其他方法相結(jié)合，解決初值和累積誤差的問題。

內(nèi)阻法

電芯的SOC與內(nèi)阻之間存在對應(yīng)關(guān)系，實時測量內(nèi)阻，進而得到電池的SOC，理論上是可行的。

但從上面圖中可以發(fā)現(xiàn)，內(nèi)阻跟隨SOC變化的趨勢非常平緩，很小的內(nèi)阻變化或者測量誤差，就可以造成SOC值較大的誤差。并且，內(nèi)阻測量過程也存在著各種出現(xiàn)誤差的可能。測量接觸電阻過大;電池電流較大，出現(xiàn)較大的極化內(nèi)阻的干擾;電池溫升不一致，使得溫度監(jiān)測點的溫度和電池本體溫度不一致，造成溫度補償出現(xiàn)偏差等等。內(nèi)阻法估計SOC，實際應(yīng)用案例比較少。

擴展卡爾曼濾波算法

卡爾曼濾波法，引入時域的概念，就是把一個過程看作是在時間軸上連續(xù)播放的無數(shù)狀態(tài)集合。用狀態(tài)方程描述動態(tài)過程，用測量方程描述觀測信息，用前一時刻的估計值和當前時刻的觀測值相互迭代，更新對狀態(tài)變量的估計。有人把卡爾曼濾波算法描述成：利用安時積分算法計算SOC，并用開路電壓法去校核安時積分的結(jié)果。安時積分法與狀態(tài)相對應(yīng)，開路電壓法與測量相對應(yīng)。想要引入溫度變量，則必須選擇表達內(nèi)阻與電壓關(guān)系的電路模型，因為電池參數(shù)中，內(nèi)阻是相對容易測量并且與溫度密切相關(guān)的量。

卡爾曼濾波基礎(chǔ)上延伸出來的各種算法，在多個計算領(lǐng)域得到應(yīng)用，并且已經(jīng)成為動力電池剩余電量估計的新方法中，最為主流的一種。

神經(jīng)網(wǎng)絡(luò)算法

在人工智能大流行的背景下，神經(jīng)網(wǎng)絡(luò)法同樣被應(yīng)用于SOC估計。輸入?yún)?shù)是回路電流和電池端電壓，輸出結(jié)果是SOC。其余部分為通用神經(jīng)網(wǎng)絡(luò)模型。只要能夠提供足夠數(shù)量的電壓、電流與SOC之間正確對應(yīng)的數(shù)據(jù)，模型的輸出精度就可以不斷提高。

理論上神經(jīng)網(wǎng)絡(luò)算法是非常理想的估計方法，只是應(yīng)用的時機還不成熟，數(shù)據(jù)積累和計算能力的提高，都將推動神經(jīng)網(wǎng)絡(luò)算法在動力電池SOC計算領(lǐng)域的實際應(yīng)用。

3影響SOC準確性的因素

從定義看，直接決定SOC數(shù)值的是兩個參數(shù)，電池的最大可用容量和當前電量。從各種算法都要用到的參數(shù)看，電池端電壓和回路電流是最重要的測量參數(shù)。

最大可用容量

隨著電池循環(huán)次數(shù)的增加，電池逐漸老化。電池的最大可用容量跟著老化程度的加深而變小。系統(tǒng)中用來計算SOC的最大可用容量必須做出實時調(diào)整，才可能得到近似準確的SOC。

電流測量

影響電流測量精度的因素常見的包括：電流傳感器的精度、量程是否適當、電磁干擾的存在以及采樣算法是否合理。

采樣算法，如果沿著時間軸均勻采樣，就會存在采樣點的電流值嚴重偏離這一階段平均值的問題。一種比較合理的方式是，電流變化劇烈的時段，增加采樣密度，電流平緩的階段，減小采樣密度，使得采樣值與真實值更加接近。

電壓測量

電壓測量可以區(qū)分成實時工作端電壓測量和開路電壓測量兩種情況。

工作電壓的實時測量，主要的影響因素是實時電流的大小，電流一方面影響電池極化內(nèi)阻的大小，另一方面又決定了內(nèi)阻占壓的比例。另一個偶然因素是電壓測量點到電池極耳之間的阻值大小，可能是接觸不良，也可能是存在過長的導(dǎo)線，總之，如果這段電阻過大，達到了電芯內(nèi)阻的數(shù)量級，則電壓測量結(jié)果會受到影響。

開路電壓測量，是比較簡單的情形，影響因素比較少，需要提出的是，電池靜置時間需要足夠長。