传统 SOC 估算方法（库仑计数法、开路电压法、数字滤波法）

coderCatIce
314 阅读7分钟

在动力电池 State of Charge（SOC，荷电状态）估算领域，传统 SOC 估算方法（即库仑计数法、开路电压法、数字滤波法）因原理直观、工程实现成本低，至今仍是工业界基础方案或复合算法的核心组成部分。以下从原理、优缺点、适用场景三个维度，对三种方法进行详细解析：

一、库仑计数法（Coulomb Counting，CC）

库仑计数法是最经典的 SOC 估算方法之一，核心思想是 “通过统计电池充放电的总电荷量，反推剩余电量”，类似 “给电池装一个‘电量流量计’”。

1. 核心原理

基于 “电荷守恒定律”，SOC 的计算公式如下：SOC(t)=SOCinit−1Cn∫0tI(t)⋅η(t)dtSOC(t) = SOC_{init} - \frac{1}{C_n} \int_{0}^{t} I(t) \cdot \eta(t) dt

  • SOC(t)SOC(t)：t 时刻的荷电状态（%）；

  • SOCinitSOC_{init}：初始荷电状态（估算起点的 SOC 值，需预先确定）；

  • CnC_n：电池额定容量（Ah，需根据电池类型、温度等修正）；

  • I(t)I(t)：t 时刻的充放电电流（放电为正，充电为负）；

  • η(t)\eta(t)：充放电效率（充电时 η<1，放电时 η≈1，受电流、温度影响）；

  • 积分项：0 到 t 时刻的总充放电电荷量（Ah）。

简单来说，只要知道 “初始剩余电量” 和 “一段时间内充放的总电量”，就能算出当前 SOC。

2. 优缺点分析

库仑计数法 优点

  1. 原理简单，无需复杂模型，工程实现成本低（仅需电流传感器 + 积分电路）。

  2. 动态响应快，能实时跟踪充放电过程中的 SOC 变化。

  3. 短期估算精度高（若初始 SOC 准确、电流测量误差小）。

库仑计数法 缺点

  1. 初始 SOC 依赖性强：若SOCinitSOC_{init}误差大（如电池静置后未校准），后续估算会持续偏差。

  2. 累计误差问题：电流测量噪声（如传感器漂移）、充放电效率修正偏差会随时间累积，长期（如循环 100 次后）误差可能超过 10%。

  3. 无法修正 “容量衰减”：电池老化后CnC_n下降，若未实时更新额定容量，会导致估算偏差扩大。

3. 适用场景

  • 短期、动态充放电场景：如电动汽车加速 / 减速过程中，需实时反馈 SOC 变化；

  • 作为复合算法的 “动态部分”：与开路电压法（OCV）结合（OCV 修正初始 SOC，CC 跟踪实时变化），抵消各自缺点；

  • 低精度需求场景：如便携式设备（充电宝、小型家电）的 SOC 粗略显示。

二、开路电压法（Open Circuit Voltage，OCV）

开路电压法利用 “电池开路电压（OCV，即电池静置后正负极间的电压）与 SOC 存在固定对应关系” 来估算 SOC，类似 “通过‘电压刻度’读取剩余电量”。

1. 核心原理

  • OCV-SOC 特性：动力电池（如锂离子电池）在完全静置（无充放电电流，通常需静置 1-24 小时）后，OCV 与 SOC 呈单调递增的非线性关系（不同电池类型的曲线不同，如三元锂电池 OCV-SOC 曲线较陡，磷酸铁锂电池在 30%-70% SOC 区间曲线平缓）；

  • 估算流程：

    1. 让电池静置至电压稳定（OCV 稳定）；

    2. 测量此时的 OCV 值；

    3. 通过预先标定的 “OCV-SOC 对应表 / 拟合公式”，查询得到当前 SOC。

2. 优缺点分析

开路电压法 优点

  1. 长期估算精度高（若 OCV-SOC 曲线标定准确，误差可控制在 2%-5%）。

  2. 无累计误差：每次静置校准均可重置 SOC，抵消其他方法的偏差。

  3. 无需复杂参数：仅需标定 OCV-SOC 曲线，对硬件要求低。

开路电压法 缺点

  1. 依赖长时间静置：动态充放电过程中无法使用（电流存在时，测量的是端电压而非 OCV）。

  2. 温度敏感性强：不同温度下 OCV-SOC 曲线偏移（如低温下相同 OCV 对应的 SOC 更低），需分温度区间标定。

  3. 部分电池曲线平缓：如磷酸铁锂电池在 30%-70% SOC 区间，OCV 变化仅 0.1V 左右，电压测量误差（如 ±5mV）会导致 SOC 估算误差扩大至 10% 以上。

3. 适用场景

  • 电池静置时的 SOC 校准：如电动汽车停车过夜后，通过 OCV 修正库仑计数法的累计误差；

  • 高精度静态场景：如储能电站（电池长期处于静置或慢充慢放状态）的 SOC 估算；

  • 复合算法的 “校准模块”：与库仑计数法、卡尔曼滤波结合，解决初始 SOC 偏差和累计误差问题。

三、数字滤波法（Digital Filtering）

数字滤波法并非单一方法，而是通过 “滤波算法” 处理电池端电压、电流等信号，抑制噪声干扰，提升 SOC 估算精度的一类方法， 核心代表是 “卡尔曼滤波（Kalman Filter，KF）” 及其衍生算法（如扩展卡尔曼滤波 EKF、无迹卡尔曼滤波 UKF）。

1. 核心原理

数字滤波法的本质是 “基于电池等效电路模型（如 Thevenin 模型、PNGV 模型），通过滤波算法实时估计 SOC”，以最常用的扩展卡尔曼滤波（EKF）  为例：

  • 两步核心流程：

    1. 预测步：根据电池等效电路模型，结合上一时刻的 SOC 和电流，预测当前时刻的 SOC 和端电压；

    2. 更新步：对比 “预测端电压” 与 “实际测量端电压” 的偏差，通过滤波增益调整 SOC 预测值，抑制测量噪声（如电流传感器噪声、电压测量噪声）的影响；

  • 关键前提：需建立准确的电池模型（描述 SOC 与端电压、电流的动态关系），并确定模型参数（如欧姆内阻、极化电阻、极化电容）。

2. 优缺点分析

数字滤波法 优点

  1. 抗干扰能力强：能有效抑制电流、电压测量中的噪声，提升动态场景下的估算精度。

  2. 兼顾动态与静态：无需长时间静置，可在充放电过程中实时估算 SOC。

  3. 适应性广：可与库仑计数法、OCV 法结合，适配不同电池类型（通过调整模型参数）。

数字滤波法 缺点

  1. 依赖准确的电池模型：模型参数（如内阻、电容）随 SOC、温度、老化程度变化，若参数未实时更新，估算精度会下降。

  2. 计算复杂度高：卡尔曼滤波需实时求解矩阵方程，对控制器算力要求较高（如需 32 位 MCU 或专用芯片）。

  3. 初始值敏感：若初始 SOC 或模型参数误差大，滤波收敛速度慢，甚至出现发散。

3. 适用场景

  • 动态复杂场景：如电动汽车频繁加速、减速、快充（电流波动大，噪声干扰强）的 SOC 估算；

  • 高精度需求场景：如新能源汽车（SOC 估算误差需控制在 5% 以内）、无人机（电池容量小，对 SOC 精度要求高）；

  • 多变量耦合场景：需同时估算 SOC、电池健康状态（SOH）、温度的场景（如复合电池管理系统 BMS）。

三种方法的核心对比与工程应用建议

对比维度库仑计数法开路电压法数字滤波法（以 EKF 为例）
估算精度（理想条件）短期 ±3%，长期 ±10%+静态 ±2%-5%，动态不可用动态 ±3%-8%
响应速度实时（ms 级）慢（小时级，需静置）实时（ms 级）
累计误差有（随时间增大）无（静置可重置）小（滤波抑制误差累积）
硬件成本低（仅需电流传感器）低（仅需电压传感器）中（需高性能 MCU）
工程复杂度低（积分计算）中（OCV-SOC 标定）高（模型建立 + 滤波算法）

应用建议：

工业界极少单独使用某一种传统方法，而是采用 “复合算法” ：

  • 主流方案：库仑计数法（实时跟踪）+ 开路电压法（静置校准）+ 卡尔曼滤波（抑制噪声）  ；

  • 例：电动汽车 BMS 中，日常行驶时用 “库仑计数 + EKF” 实时估算 SOC；停车静置后，用 OCV 修正 SOC，抵消累计误差；低温环境下，通过温度补偿修正 OCV-SOC 曲线和 EKF 模型参数，保证精度。

avatar
文章
阅读
粉丝