电动车辆超级电容系统应用技术的发展现状

超级电容器电荷状态（State−of−Charge，SOC），表征超级电容器剩余的可用电量。准确的SOC估计是超级电容系统管理的基础和关键，与安全保护、均衡管理和功率控制等功能息息相关。SOC估计偏差可能导致保护电路误触发、均衡管理失效以及过充过放等问题，从而减小其使用寿命和降低能量利用效率，甚至引发热失控、自燃等安全事故。与普通电容器不同，由于超级电容器工作过程中存在可逆的氧化还原反应，瞬时电容量受电压、温度等影响，并非一个常数，其端电压无法准确表示剩余可用电量，此外，超级电容器能量密度低，使用过程中电荷状态变化范围宽、速度快，因而，快速、准确地估计超级电容器SOC是一个棘手的技术难题。目前，文献提出的SOC估计方法主要包括神经网络模型和基于模型的状态观测器等。

文献中常用超级电容器端电压与标称电压的比值表征其电荷状态，但是，由于超级电容器的容量是受电压和温度等影响的变量，因此，该方法无法准确估计SOC。

神经网络模型常用于估计超级电容器的SOC状态。例如，Zhang等人利用神经网络模型估计超级电容器的剩余容量，模型的输入为电压、电流和温度等参数。Weigert等人同样利用神经网络方法估计电池−超级电容器SOC状态。结果表明该方法仅利用初始时间段内（4%放电总时长）放电数据即可保证SOC预测精度达到95%以上。但是，该类模型的精度严重依赖于模型训练数据的数量和质量。数据样本不足，会严重影响模型的精度。此外，随着超级电容器使用过程中不断老化，其内部物化参数也发生变化，需要重新训练模型，从而降低了该类模型的实用性。(www.xing528.com)

基于模型的状态观测器方法也常用来估计超级电容器的SOC。该类方法具有在线、闭环和自修正等优点，其估计精度往往受模型精度的影响。基于超级电容器动态模型和热模型，Chiang等人设计了一种扩展卡尔曼滤波方法（EKF）在线估计超级电容器的SOC和温度。该作者首先利用电化学阻抗法（Electrochemical Impedance Spectrum，EIS）测得超级电容器在不同温度和电压下的阻抗谱，然后基于最小二乘法估计动态模型和热模型的最佳模型参数，最后，利用标准工况试验验证了基于EKF的SOC估计方法的有效性和准确性。类似地，Nadeau等人基于三支路等效电路模型，设计了一种基于卡尔曼滤波器（KF）的SOC估计方法，仿真结果表明该方法的SOC估计误差可以达到1%以内。Dey等人基于滑动模型原理设计了一种串联式状态观测器，同时估计复合电源中电池和超级电容器的电荷状态，并利用李雅普诺夫方法从理论上证明了该观测器的有效性。需要指出的是，超级电容器SOC估计的模型基础是双支路等效电路模型。