比较研究：通过在线算法评估锂离子电池的电量状态

据外媒报道，一国际团队进行比较研究，探讨用于评估锂离子电池电量状态（SOC）的不同在线算法。参与此项研究的包括来自德国、印度、马来西亚、澳大利亚和沙特阿拉伯的研究人员。

（图片来源：MDPI）

SOC评估

锂离子电池具有能量密度高、自放电低和循环寿命长等优点，在电动汽车中得到广泛应用。对锂离子电池进行SOC评估，具有重要意义，可防止出现过充、热失控和深度放电等关键问题。SOC是电池剩余容量与实际容量的比率。因为不能直接测量，电池管理系统采用算法来监测电池SOC。

SOC评估方法分为间接法和直接法。直接法包括开路电压法和安培计数法。在电池管理系统中，这些方法易于实施，但有可能出现错误，影响SOC评估。

非直接方法包括数据驱动和基于模型的方法。已开发的基于模型的方法包括ECM、EM、EECM和ECTM等。近年来，研究人员开发了很多先进的算法，以提供精确的SOC评估能力，例如卡尔曼滤波器、粒子滤波器、龙贝格观测器和滑模观测器。

为了进一步提升基于模型的评估方法，改进算法已经成为研究重点，如扩展卡尔曼滤波（extended KF，EKF）、无迹卡尔曼滤波（unscented KF，UKF）和改良LO。数据驱动方法通常使用机器学习算法，如前馈神经网络（feedforward neural networks）和递归神经网络（recurrent neural networks）。然而，这些机器学习方法主要受限于数据集的质量和数量。

此项研究

近年来，基于模型的SOC评估方法具有较高的准确性，引起许多研究人员的关注。在自适应算法方面，对卡尔曼滤波器的研究，超过了其他类型滤波器。受益于机器学习的最新进展，数据驱动方法也倍受关注。

研究人员指出，为了对SOC评估和算法进行详细的比较评估，必须考虑相同的测试环境。因为具体评估结果可能因实际操作条件而有所不同。

根据最近的研究趋势，研究人员对7种不同的算法进行了评估，分别是LO、EKF、SMO、 AEKF、UKF、BPNN和LO。在相同的操作条件下对各算法进行评估，以在复杂度和SOC评估误差方面提供准确的比较结果。

研究人员还分析了温度对两种RC电池模型参数的影响，将这些信息用于基于模型的SOC评估方法。对商用锂离子基方形电芯进行测试，将所得的实验数据集用于进行SOC评估。研究人员对数据集采用了不同的算法，此外还比较了计算量和评估电量状态的精确度。

研究结果

这些研究结果可用于为未来的SOC评估提供建议。此外，可用于研究其他操作，以及设备状态和参数。

通过比较评估结果，研究人员认为，序列最小优化算法（SMO）和扩展卡尔曼滤波（EKF）是实现实时电池管理的最合适算法。EKF算法的评估误差最小，计算时间最短；而SME算法的计算时间最长，但误差最小。此外，研究人员证实，2-RC电池模型具有卓越的精确度。

未来视角

此项研究对未来的研究方向提出若干建议，包括利用基于模型的方法，通过同步评估参数来提高SOC评估精确度，以减少计算量并提高精度，将数据驱动和基于模型的方法相结合，以及创建混合模型来提高在线评估方法的精确度。

其他建议包括开发数字孪生体和基于云的电池管理系统。虽然在线SOC评估仍存在一些挑战，但这是一个有前景的领域，可提高锂离子电池的商业可行性、安全性和性能，以用于汽车等行业。