車用鋰離子動力電池SOC的研究

　　1.3.2 庫侖效率η的計算

　　放電庫侖效率定義為電池以特定電流和溫度（可以為任意的）進行恒流恒溫放電，放完為止，用放出的電量與電池未放電前的電量相比。

　　充電庫侖效率定義為電池在空電量狀態下以特定的電流（一般為定義好的）和溫度進行充電，充到放電前電量為止，用充入的電量與電池放電前電量相比。

　　由于內阻及極化現象的存在，電池的充放電過程會有電量的損失，從而造成安時法計算的電量不能完全反映電池充放電真實電量的情況，庫侖效率則反映了兩者間差別。

　　傳統定義下的庫侖效率沒有考慮充放電差異、電流大小、運行溫度等因素的影響。為了克服傳統庫侖效率的缺點，本文用神經網絡對庫侖效率進行估算，因為神經網絡具有表示任意非線性關系和學習能力的優點，這樣可以得到較為準確的結果。

　　本文采用自適應模式的神經網絡，如圖3所示，其結構為輸入層兩個節點，電流和溫度；中間層節點數根據實際情況而定（本文采用19個節點）；一個輸出層節點η。采用電流和溫度作為輸入節點的原因是庫侖效率η主要是受其影響，特別是受電流的影響較大。

　　圖3 自適應神經網絡模型

　　用神經網絡估算庫侖效率η的過程是：（1）通過實驗獲得經驗數據；（2）用獲得的經驗數據對神經網絡進行訓練；（3）將訓練好的神經網絡應用于SOC估算中實時估算η。

　　圖4，圖5是充放電庫侖效率與電流、溫度的關系曲線圖。圖4、5 中連線表示從充放電實驗中得出的曲線，“+”表示神經網絡估算的結果。

　　圖4 放電庫侖效率與電流、溫度的關系曲線圖

　　圖5 充電庫侖效率與電流、溫度的關系圖

　　從兩圖可以看出充放電庫侖效率的仿真結果與實驗值相符，說明可以用神經網絡估算庫侖效率η。

　　最后，鋰電池隨著充放電次數的增加會逐漸老化，其表現是電池的實際容量會減少，對此可以用公式 ：Q=100×Qch/（SOCsf-SOCsi）對電池的實際容量進行修正。式中：Q表示修正后的實際容量；SOCsf表示充電前在靜止狀態時的SOC值，SOCsi表示充電后在靜止狀態時的SOC值；Qch表示在充電狀態下充入電池的電量。經過對電池的實際容量的修正將會進一步減少SOC的計算誤差，使其更加接近實際值。

　　2、實驗結果

　　圖6 電池工作電流曲線

　　為了檢驗此方法的準確性，我們以龍門旅游區旅游用電動車（電池標準容量60Ah）為實驗對象。實驗前以0.3C的電流向電池充入49.12Ah電量（對應SOC值為0.816），將硬件測試系統（電壓、電流、溫度傳感器精度是0.5%，采樣時間為0.5s/次）安裝在電動車上，在常規路況下行駛進行試驗。試驗后用0.1C放出21.61Ah電量（對應SOC為0.358）。圖6、圖7分別為硬件系統所記錄的電池電流、溫度曲線圖。圖8為硬件系統記錄的各種SOC估計方法比較，Ah曲線表示安時計量法計算的SOC;Ah-K曲線表示加上庫侖效率因子后安時計量法計算的SOC;Ah-K-D表示加上庫侖效率因子和電量的動態恢復量后安時計量法計算的SOC.

　　圖7 電池工作溫度曲線圖

　　實驗表明，單純的安時計量法（Ah法）計算的SOC誤差較大，這是因為電池在工作過程中會發生極化現象；經過庫侖效率修正后（Ah-K法）可以大大消除極化現象的影響，提高了安時計量法計算SOC的準確度，終止時刻的SOC值接近真實值；在此基礎上通過增加電量的動態恢復量（Ah-K-D法）進一步提高了SOC的準確度，終止時刻的SOC值最接近真實值（0.358），從而說明了Ah-K-D 法效果良好。

　　圖8 不同SOC 方法計算結果對比圖

　　3、結論

　　本文在SOC估算上采用了一種新思路，即將鋰電池的工作狀況分為三個狀態，每一狀態應用適合其情況的方法估算SOC，從而完成了電池在整個工作過程中的SOC的計算。

　　此方法最大可能地消除了影響SOC估算的因素，從而提高了SOC估算的精度。文章還特別針對充放電過程中的極化現象以及電池長時間使用所表現出的老化現象提出了改進措施，并產生了較好的效果。經實驗表明本文提出的方法易于在嵌入式系統中實現，估算出的SOC 值準確，能夠達到動力汽車的應用要求。