【电动汽车SOC分析的国内外文献综述2600字】

I电动汽车SOC研究的国内外文献综述荷电状态(SOC)被称作是电动汽车电池管理系统（BMS）的最关键功能，而现阶段对于车载动力电池SOC估计仍是有很大偏差。SOC估算难以准确的原因主要是有以下几个方面。电池内部的结构十分复杂，工作状态不断地在变化。例如电池偶尔处于封闭状态，有时处于开通状态，有时候关闭之后再开通。在这些变化中，其中间的相隔时间却很难确定，这些因素都会影响SOC的估算。电池本身的电流、自放电率、温度以及老化程度等也会影响到电池的容量大小。电池的SOC值必须可以在电池工作过程中准确估算。在估算过程中不能存在累计误差，即使在初始条件存在误差的情况下，也要能够收敛到真实值，否则估算的SOC值存在误差[[][]田晓辉.锂离子电池SOC预测方法应用研究[D].河南科技大学,2009.近几年，国内外的学者和专家们也在研究电池SOC估计的适合方法。而国内学者梁嘉宁[[]梁嘉宁,谭霁宬,孙天夫,等.基于容积卡尔曼滤波算法估计动力锂电池荷电状态[J].集成技术,2018,7(06):33-40.]等人运用了容积卡尔曼滤波算法，通过建立的基于数字信号处理器的充放电实验平台，使用三阶容积法则的数值积分的方法实现了稳定的SOC估计，然而该实验限制条件较多，有一定局限性，无法被用于很多锂离子电池的SOC估计。韦振汉[[]韦振汉,宋树祥,夏海英.基于随机森林的锂离子电池荷电状态估算[[]梁嘉宁,谭霁宬,孙天夫,等.基于容积卡尔曼滤波算法估计动力锂电池荷电状态[J].集成技术,2018,7(06):33-40.[]韦振汉,宋树祥,夏海英.基于随机森林的锂离子电池荷电状态估算[J].广西师范大学学报(自然科学版),2018,36(04):27-33.[]夏飞,王志成,郝硕涛等.基于改进扩展卡尔曼粒子滤波算法的锂电池SOC估计[J/OL].系统仿真学报:1-11.国外研究人员L.Gold[[]GoldL.,BachT.,VirsikW.,etal.Probinglithium-ionbatteries'state-of-chargeusingultrasonictransmission-Conceptandlaboratorytesting[J].JournalofPowerSources,2017,343(7):536-544.]等人提出了一种不需要对锂离子电池进行建模，而是利用超声波检测的原理来确定锂离子电池SOC的办法。L.Gold的研究给锂离子电池SOC估计方法打开了一道新的大门。美国的L.P.Gregory[[]GoldL.,BachT.,VirsikW.,etal.Probinglithium-ionbatteries'state-of-chargeusingultrasonictransmission-Conceptandlaboratorytesting[J].JournalofPowerSources,2017,343(7):536-544.[] GregoryL.P.ExtendedKalmanfilteringforbatterymanagementsystemsofLiPB-basedHEVbatterypacks:Part3.Stateandparameterestimation[J].JournalofPowerSources,2004,134(2):277–292.目前，国内外学者专家们在研究SOC问题上经常使用的办法有以下几种：放电实验法、开路电压法、安时积分法、内阻测量法、负载电压法、卡尔曼滤波法以及神经网络法等[[][]于洋.电动汽车用动力锂电池荷电状态估算研究[D].华北电力大学,2014.1、放电实验法的长处在于方法简单，估计准确程度较高。同时也存在缺点，不能带负荷测量，测量使用时间较长，只有放电结束后才可以进行估算，不能进行SOC的实时估计。并且在测试过程时，必须保证电池不进行任何工作。放电实验法无法用于运动中的汽车，但可以被用来检修电池故障和确定电池的参数模型。2、开路电压法的长处在于实验操作过程中简便，因为只需要测量开路电压然后根据对应的特征曲线就可以得到SOC值[[][]费陈.锂离子电池荷电及健康状态预测方法研究[D].广西师范大学,2020.3、安时积分法的长处在于是被电池自身条件影响小，并且计算准确，并且可以实时估算电池荷电状态[[][]李国康,段玲玲,王幼兰.电动汽车锂电池SOC预测方法研究[J].沈阳理工大学学报,2011,30(02):5-7+19.4、内阻测量过程中也可能出现误差，在内阻测量的过程中，有可能会出现一系列影响SOC估计的因素。例如，测量内阻时因内阻过小导致读数不准确；测量电路的电流时，此时电流异常过大的现象；电路运行过程中，会不可避免的产生热量，导致温度升高，从而导致温度检测出现偏差等现象。这几种测量时有可能发生的现象使得SOC的估计值出现偏差，产生的误差较大。因此，这使得内阻测量法的精度不高，而且在不同电流频率下交流阻抗不同。而且电动汽车的车载电池不可能在一定的固定的交流频率下工作。由此可知，电动汽车SOC估算的要求无法被内阻测量法所满足。5、负载电压法的长处是可以在恒定电流状态下实时估计SOC值[[]贾海峰.电动汽车锂电池荷电状态估计方法研究[D].上海工程技术大学,2020.]。其缺点是在真正的实践中，放电的电流是一直不断变化的，从而导致负载电压也在不断地变化，实现负载电压法的条件没有办法得到。因此，[]贾海峰.电动汽车锂电池荷电状态估计方法研究[D].上海工程技术大学,2020.6、神经网络法的优点是这种方法不必要考虑锂离子电池的内部的复杂的电化学反应，而是通过这种方法的样本数据的数量越多，对SOC的估算便越准确，而且适用性范围很大。但其缺点还在于，使用该类方法需要太多的样本数据，并且其中每个数据容易对SOC估计产生很大影响，从而导致最终结果误差。7、卡尔曼滤波被称为是最优的滤波，其可以预测系统不能直接观察到的状态。状态方程被用来描述整个电池系统在状态变化过程中的变化的方向，系统的状态随时间变化一直在更新。系统的观测方程可以用来修正更新后的状态变量，从而达到一个最优的估计过程。最优估计是卡尔曼滤波算法的关键部分，该算法根据预测估计来使用系统输入来校正状态变量。即最优估计等于预测估计和修正的总和。尽管安培积分法以及开路电压法都可以用来进行电池SOC的估计，但它们都是存在一定的缺陷。在安时积分法被用于进行SOC估算时，会存在着误差累积导致估计精度降低的问题。开路电压法需要将电池与外部电路隔离，并且需要大量时间才能使电池保持静置稳定状态，无法很好地完成对SOC的实时预测。而放电实验法的缺点是无法带电进行估计。因而，为使得最终估算出的SOC结果更加的准确且误差范围更小，所以将卡尔曼滤波算法引入到电池SOC估计中。与上述几种方法不同的是，卡尔曼滤波算法是一种闭环估计方法，它可以将在对SOC计算过程中引起的累计误差进行修正，因此经常被应用于电池SOC估计。普通的卡尔曼滤波算法只能用于求解线性问题，而电池组是一个非线性系统[[]朱敏.基于电动车电池组SOC估计方法的研究[D].河南师范大学,2014.]。所以，就上述而言，本篇文章选用扩展卡尔曼滤波算法来进行对锂离子电池SO