BMS算法设计之SOC估算方法总结篇（五）

疫情虽然在国内有好转，但国外的确诊病例却一路飙升，友情提醒：出门戴口罩，不聚集，勤洗手，房间多通风。

大家好！转眼又过了一周，很高兴又跟大家见面啦！本篇文章是【BMS 算法设计】系列文章的第五篇，也是最后一篇。本期主要内容是对前几篇介绍的电池SOC 估算方法做一个小结。以后会开启新的话题，比如SOH算法等。我们一起来学习吧！

先放一张各种SOC算法估算的优势和局限性的对比图。

定性分析

为了优化我们的电池关系系统，我们需要给电池找到一个精确的模型。由于具有灵活的性质和表述动态情况的能力，等效电路模型已经被很多的科研人员改编了。考虑到电池动态响应的能力和较少的复杂性模型，我们可以认为二阶RC等效电路模型是最合适的。前面的文章提到过二阶RC等效电路模型（见下图），通常可控电压源表示随SOC非线性变化的OCV，RC并联网络代表极化响应，Rq欧姆电阻代表电解液的电阻。RC 网络的增加改进了电池动态行为的表示，但模拟起来也更复杂了。

由于二阶ECM 中的OCV 随着SOC 非线性变化，因此在确立上述参数时，我们有必要把电池SOC看做仿真过程的输入。所以电池系统的建模要包含适当的SOC 估算方法。当我们选好其中一种方法后，随之的电池动态建模也必须要保留。采用基于模型的SOC 估算方法来估算SOC 并在同一过程中更新OCV，或者采用非模型法估算SOC并将估算的SOC作为ECM的输入，都可以实现采用适当的SOC估算方法来更新ECM中的OCV（可控电压源）。最常用的基于模型的SOC技术就是卡尔曼滤波算法，包括 EKF， UKF， CKF 以及PF 算法。该算法由估算器和电池模型组成。前几篇文章中提到的其他算法是非ECM基础方法，通常使用物理参数，数学或者人工智能算法。

我们要考虑的最重要的因素是锂离子电池的热性能以及它如何影响电池的性能。从电池寿命退化或者电池性能方面来看，电池的内阻和电池容量受到温度分布的影响。此外，温度还影响往返的效率、电化学反应操作和电荷的接受度。因为电池的SOC和ECM参数随着温度的变化而变化，因此我们也要考虑那些变异。有一种方法是把温度作为估算SOC的一个输入，但是仅仅是环境温度是不够的，因为我们有必要去建立一个热生成和热传递（传导，对流，辐射）的模型来精确的代表电池的热行为。最广泛使用的热模型就是集成电容模型（见下图）。

此模型中，Pth代表了电池内部生成的热。Rth，Rgen，Cth代表电池内阻，对流换热和热电容。由于热行为用与电有关的元素表示，因此这三个因素同样也取决于电池的电流，SOC 和电池内部的温度。因此，我们也可以用下面的图片来表示上述提到的二阶RC等效电路。

当热模型和ECM模型联合时，电池模型的复杂度就增加了。为了实现此目标，本篇文章中推荐大家使用比较简单的SOC估算算法。

由于KF 算法适用于线性系统，EKF， UKF 和CKF 可以被认为是最佳的估算非线性系统的状态估算器，比如锂离子电池系统。KF 方法的优点是不需要在意初始化的SOC误差，但是缺点也很明显