蓋世汽車訊 據外媒報道，一國際團隊進行比較研究，探討用于評估鋰離子電池電量狀態（SOC）的不同在線算法。參與此項研究的包括來自德國、印度、馬來西亞、澳大利亞和沙特阿拉伯的研究人員。

（圖片來源：MDPI）

SOC評估

(資料圖片)

鋰離子電池具有能量密度高、自放電低和循環壽命長等優點，在電動汽車中得到廣泛應用。對鋰離子電池進行SOC評估，具有重要意義，可防止出現過充、熱失控和深度放電等關鍵問題。SOC是電池剩余容量與實際容量的比率。因為不能直接測量，電池管理系統采用算法來監測電池SOC。

SOC評估方法分為間接法和直接法。直接法包括開路電壓法和安培計數法。在電池管理系統中，這些方法易于實施，但有可能出現錯誤，影響SOC評估。

非直接方法包括數據驅動和基于模型的方法。已開發的基于模型的方法包括ECM、EM、EECM和ECTM等。近年來，研究人員開發了很多先進的算法，以提供精確的SOC評估能力，例如卡爾曼濾波器、粒子濾波器、龍貝格觀測器和滑模觀測器。

為了進一步提升基于模型的評估方法，改進算法已經成為研究重點，如擴展卡爾曼濾波（extended KF，EKF）、無跡卡爾曼濾波（unscented KF，UKF）和改良LO。數據驅動方法通常使用機器學習算法，如前饋神經網絡（feedforward neural networks）和遞歸神經網絡（recurrent neural networks）。然而，這些機器學習方法主要受限于數據集的質量和數量。

此項研究

近年來，基于模型的SOC評估方法具有較高的準確性，引起許多研究人員的關注。在自適應算法方面，對卡爾曼濾波器的研究，超過了其他類型濾波器。受益于機器學習的最新進展，數據驅動方法也倍受關注。

研究人員指出，為了對SOC評估和算法進行詳細的比較評估，必須考慮相同的測試環境。因為具體評估結果可能因實際操作條件而有所不同。

根據最近的研究趨勢，研究人員對7種不同的算法進行了評估，分別是LO、EKF、SMO、 AEKF、UKF、BPNN和LO。在相同的操作條件下對各算法進行評估，以在復雜度和SOC評估誤差方面提供準確的比較結果。

研究人員還分析了溫度對兩種RC電池模型參數的影響，將這些信息用于基于模型的SOC評估方法。對商用鋰離子基方形電芯進行測試，將所得的實驗數據集用于進行SOC評估。研究人員對數據集采用了不同的算法，此外還比較了計算量和評估電量狀態的精確度。

研究結果

這些研究結果可用于為未來的SOC評估提供建議。此外，可用于研究其他操作，以及設備狀態和參數。

通過比較評估結果，研究人員認為，序列最小優化算法（SMO）和擴展卡爾曼濾波（EKF）是實現實時電池管理的最合適算法。EKF算法的評估誤差最小，計算時間最短；而SME算法的計算時間最長，但誤差最小。此外，研究人員證實，2-RC電池模型具有卓越的精確度。

未來視角

此項研究對未來的研究方向提出若干建議，包括利用基于模型的方法，通過同步評估參數來提高SOC評估精確度，以減少計算量并提高精度，將數據驅動和基于模型的方法相結合，以及創建混合模型來提高在線評估方法的精確度。

其他建議包括開發數字孿生體和基于云的電池管理系統。雖然在線SOC評估仍存在一些挑戰，但這是一個有前景的領域，可提高鋰離子電池的商業可行性、安全性和性能，以用于汽車等行業。

關鍵詞：