锂电池在实际应用中的SOC新估算方案

锂电池在实际应用中的SOC新估算方案

　　图3 自适应神经网络模型

　　用神经网络估算库仑效率η的过程是：(1)通过实验获得经验数据;(2)用获得的经验数据对神经网络进行训练;(3)将训练好的神经网络应用于SOC估算中实时估算η。

　　图4，图5是充放电库仑效率与电流、温度的关系曲线图。图4、5 中连线表示从充放电实验中得出的曲线，“+”表示神经网络估算的结果。

　　图4 放电库仑效率与电流、温度的关系曲线图

　　图5 充电库仑效率与电流、温度的关系图

　　从两图可以看出充放电库仑效率的仿真结果与实验值相符，说明可以用神经网络估算库仑效率η。

　　最后，锂电池随着充放电次数的增加会逐渐老化，其表现是电池的实际容量会减少，对此可以用公式 ：Q=100×Qch/(SOCsf-SOCsi)对电池的实际容量进行修正。式中：Q表示修正后的实际容量;SOCsf表示充电前在静止状态时的SOC值，SOCsi表示充电后在静止状态时的SOC值;Qch表示在充电状态下充入电池的电量。经过对电池的实际容量的修正将会进一步减少SOC的计算误差，使其更加接近实际值。

　　2、实验结果

　　图6 电池工作电流曲线

　　为了检验此方法的准确性，我们以龙门旅游区旅游用电动车(电池标准容量60Ah)为实验对象。实验前以0.3C的电流向电池充入49.12Ah电量(对应SOC值为0.816)，将硬件测试系统(电压、电流、温度传感器精度是0.5%，采样时间为0.5s/次)安装在电动车上，在常规路况下行驶进行试验。试验后用0.1C放出21.61Ah电量(对应SOC为0.358)。图6、图7分别为硬件系统所记录的电池电流、温度曲线图。图8为硬件系统记录的各种SOC估计方法比较，Ah曲线表示安时计量法计算的SOC;Ah-K曲线表示加上库仑效率因子后安时计量法计算的SOC;Ah-K-D表示加上库仑效率因子和电量的动态恢复量后安时计量法计算的SOC.

　　图7 电池工作温度曲线图

　　实验表明，单纯的安时计量法(Ah法)计算的SOC误差较大，这是因为电池在工作过程中会发生极化现象;经过库仑效率修正后(Ah-K法)可以大大消除极化现象的影响，提高了安时计量法计算SOC的准确度，终止时刻的SOC值接近真实值;在此基础上通过增加电量的动态恢复量(Ah-K-D法)进一步提高了SOC的准确度，终止时刻的SOC值最接近真实值(0.358)，从而说明了Ah-K-D 法效果良好。

　　图8 不同SOC 方法计算结果对比图

　　3、结论

　　本文在SOC估算上采用了一种新思路，即将锂电池的工作状况分为三个状态，每一状态应用适合其情况的方法估算SOC，从而完成了电池在整个工作过程中的SOC的计算。

　　此方法最大可能地消除了影响SOC估算的因素，从而提高了SOC估算的精度。文章还特别针对充放电过程中的极化现象以及电池长时间使用所表现出的老化现象提出了改进措施，并产生了较好的效果。经实验表明本文提出的方法易于在嵌入式系统中实现，估算出的SOC 值准确，能够达到动力汽车的应用要求。