SOC算法统筹

对于BMS来说，目前各个公司的产品功能几乎都是大同小异，要区分好坏，主要还是要看核心算法，包括控制策略、SOX等，这方面能力强的公司会甩能力弱的公司好几条街，相应的放到车辆上，从使用舒适感和使用寿命上慢慢的就会体现出来。

  SOC，英文全称为State of Charge，表示电池的电荷状态，一直是行业追求的热点，目前已经形成了一定的算法体系，我们要了解，对于SOC算法来说，不是一套吃遍天，一成不变的，应对不同的使用场景，不同材料的电芯，根据电池特性，处理方式有所改变。这里我们介绍一下SOC算法框架。

1，安时积分：即电池容量的积累，是计算SOC的基础，计算公式如下：

图片

其中CN为电池额定容量，I为电池电流，η为充放电效率（实际使用中经常设置为固定值，如：1或0.999）。

2，OCV：Open Circuit Voltage，即开路电压，根据电压与SOC有特定的对应关系，通过查表，由开路电压值，推导出此时的SOC值。

3，电池建模：最常见的就是一阶RC和二阶RC电池卡尔曼滤波模型。

图片

通过HPPC实验获取到系统噪声和观测噪声等，建立协方差矩阵、系数矩阵、状态转移函数、系统观测函数等辅助函数，具体实现包括：状态空间方程建立、卡尔曼增益、状态估计值更新、误差协方差更新。

4，BP神经网络：特点是信号是前向传播的，而误差是反向传播的。采用神经网络算法可以省去电芯建模环节，避免引入模型误差。其可以根据所提供的的数据，通过学习和训练，找出和输出的内在联系，具有很好的适应性。同时具有很高的容错能力，能够处理测试样本中出现的噪音数据或不完全数据。BP神经网络模型的训练与验证分为以下步骤：

确定网络样本集：利用电芯积累数据，进行数据整理。

数据的归一化处理：BP神经网络只能处理[0 1]范围内的参数，对整理的数据做归一化处理。

网络设计与训练：确定输入维度，隐含层和输入层之间神经元关系和传递函数，训练函数的选择，最大迭代次数、期望误差最小值、学习效率的确定。

神经网络模型测试：选取实车采样数据进行电芯数据神经网络测试。

测试数据的反归一化处理：对输出的神经网络SOC结果进行反归一化处理。

BP神经网络必须接受完善的数据积累，不断地优化，才能保证其准确定。

图片

5，辅助性策略处理：

注意：为了满足实车设计需求，真实SOC允许跳变，显示SOC不允许跳变。

跟随策略：真实SOC和显示SOC出现差值，会通过增加或者减慢变化速度来进行调整，逐渐消除两者的差值。。

末端矫正：电池特性所致，充电达到截止条件后，电流消失后，电池电压会有所恢复，实际电池并未真正满充。需要通过控制电流等方式，实现接进满充，最后修正真实SOC、显示SOC达到100%。

  各算法都有自己的长处和短处，实际应用当中，BP神经网络由于需求数据复杂，目前满足条件有限，市面上还没有多少产品使用这一算法。有经验的工程师经常会在开发算法框架的时候将各种算法融合到一起使用，从而更好地提高SOC精度，满足产品的要求。