锂电池管理系统的研究与实现 — 锂电池的原理特性及剩余电量研究

2.1影响电池剩余容量的因素

在电池的使用过程中电池容量受许多不确定因素的影响，因而如何根据可测的电池参数对现存电池容量状态作出准确的估算是一个难题。目前，国内外较为普遍采用电池的荷电状态SOC（State of Charge）作为电池容量状态描述参数，反映电池的剩余容量，其数值定义为电池的剩余容量占电池容量的比值：



式中：C_Q是电池的剩余能量，0_C为电池标称容量，即在规定电流和温度下处于理想状态时的所能放出的容量。通常把一定温度下电池充电到不能再吸收能量的状态定义为荷电状态100%，而将电池再不能放出能量的状态定义为荷电状态0% 。

蓄电池的放电过程是个复杂的电化学变化过程，蓄电池的剩余容量受到电池温度、放电率、自放电、充放电循环次数等多种因素的影响，使得对于剩余容量的估算十分困难。当电池放电时，以下的一些因素将会给电池的实际剩余容量带来主要的影响。

（1）放电率。放电电流直接影响放电终止电压。在规定的放电终止电压下，放电电流越大，电池所能放出的电量越小。

（2）电池温度对容量的影响。电池温度对其容量影响较大。这是因为随着电池温度升高，极板活性物质的化学反应逐步改善，因此放电时较高的电池温度会使电池放出更多的电量。

但充电时过高的温度会使更多的氧气析出，电极电压更容易达到最大值，反而会降低充电效果。

（3）自放电率。电池在贮存期间，由于电池内杂质的作用，如正极活性的金属离子与负极活性物质组成微电池，发生负极金属溶解与氢气析出。又如溶液中从正极板溶解的杂质，若其标准电极电位介于正极与负极标准电极电位之间，则会被正极氧化，又会被负极还原。

所以有害杂质的存在，使正极和负极的活性物质被逐渐消耗，从而造成电池容量损失，这种现象称为自放电。

（4）寿命。电池经历一次充电和放电称为一次循环或一个周期。在一定放电条件下电池工作至某一规定容量值之前，电池所能承受的循环次数，称为循环寿命。对于锂离子电池，随电池寿命的变化，电池容量也会发生变化。

2.2剩余容量估计常用方法

简介在剩余容量估计中常用的方法一般有：

1.开路电压测量法。

利用电池的开路电压与电池放电深度的对应关系，通过测量电池的开路电压来估算SOC.对于锂离子电池其开路电压与它的SOC有一定的正比关系，可以用这种方法较为直接的得到电池的SOC.开路电压法比较简单，但是充放电进行的过程中开路电压是无法检测到的，因此这种方法不能用于动态估算电池的SOC。

2.电量累积法（安时积分法）。

电量累积法的直观表达式是：蓄电池的剩余电量=（总电量）-（已放出的电量）。这里，我们不用去研究相对较为复杂的电化学反应及电池内部各参数之间的关系，而把电池看作为一个封闭系统，仅关注系统的外部特征。这样，在电量监测中，将进出电池这个封闭系统的电量进行累加，通过累积电池在充电或放电过程中的电量来估测电池的SOC.同时，根据电池的温度、放电率对SOC进行补偿。放电容量和放电电流是密切相关的，当电池以某一电流放电到截止电压后，并不意味着剩余容量已经为零，此时，如果改用稍小的电流继续放电，则仍能放出一部分的电量，所以在提供剩余容量预测的同时必须给出放电电流的大小。电量累计法（安时积分法）采用积分法实时计算充入电池和从电池放出的电量，对电池的电量进行长时间的记录和监测，这样可以和满电量进行任意时刻下的比较，从而就能得到对应于该时刻的剩余电量。该方法实现起来较简单，受电池本身情况的限制小，宜于发挥微机监测的优点。但是用安时法得到的SOC估计，会随着时间的推移其误差越来越大。

3.测量内阻法。

这一方法是由日本的CHUGOKU Electric Power Co.Inc.提出用于混合动力电动汽车蓄电池荷电状态SOC的检测。该方法用不同频率的交流电激励电池，并测量电池内部的交流电阻，然后，通过建立的计算模型得到SOC估计值。应指出，该方法得到的电池荷电状态反映了电池在某特定恒流放电条件下的SOC值。这种方法实现比较困难，因为电池的工作条件对电池的内阻影响很大，内阻的计算需要考虑电动势的大小、端电压、放电电流值，用传统的数学方法很难建模。因此，在电池管理系统中较少应用这种方法来确定电池的荷电状态。

4.建立蓄电池的数学模型。

主要做法是通过实验获得电池数据（整个电池组的电压和电流），建立电池的多输入--单输出的线性模型，通过系统辨识的方法，得出电池的动态模型参数，利用此实验建模的研究结果，探讨实现对蓄电池SOC估算的修正方法。

5.模糊推理和神经网络的方法。模糊逻辑推理和神经网络是人工智能领域的两个分支，它们共同的特点就是均采用并行处理结构，均是无模型的预报器，可从系统的输入、输出样本中获取系统的输入输出关系。在蓄电池剩余容量的预测中，考虑到影响电池状态的因素很多，系统模型难以建立的问题，用模糊逻辑推理和神经网络的方法来判断电池的荷电状态一直是研究的热点。这些复杂算法在单片机系统上难以实现，所以在实际应用中还不多见，但这是未来发展的方向。