Ước lượng trạng thái sạc của pin trong hệ thống quản lý năng lượng cho xe điện

TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ NĂNG LƯỢNG - TRƯỜNG ĐẠI HỌC ĐIỆN LỰC 
(ISSN: 1859 - 4557) 
Số 21 23 
ƯỚC LƯỢNG TRẠNG THÁI SẠC CỦA PIN 
TRONG HỆ THỐNG QUẢN LÝ NĂNG LƯỢNG CHO XE ĐIỆN 
STATE OF CHARGING ESTIMATION IN A BATTERY MANAGEMENT SYSTEM 
FOR ELECTRIC VEHICAL 
Đỗ Ngọc Quý, Nguyễn Kiên Trung 
Trường Đại học Bách khoa Hà Nội 
Ngày nhận bài: 25/10/2019, Ngày chấp nhận đăng: 25/12/2019, Phản biện: TS. Nguyễn Quốc Minh 
Tóm tắt: 
Ước lượng trạng thái sạc pin là một trong những chức năng quan trọng nhất trong hệ thống quản lý 
năng lượng của xe điện. Bài viết này tâp trung xem xét các cách thức ước lượng SOC, những vấn đề 
và thách thức của nó bằng cách tìm hiểu các phương pháp ước lượng khác nhau. Tính chính xác của 
các phương pháp phụ thuộc chủ yếu vào đặc tính pin, mô hình pin, thuật toán ước lượng và sự mất 
cân bằng giữa các tế bào pin. Cuối cùng, bài viết này kết luận những thách thức của ước lượng SOC 
và những hướng phát triển trong lĩnh vực nghiên cứu này. 
Từ khóa: 
Trạng thái sạc, hệ thống quản lý năng lượng, xe điện. 
Abstract: 
State of charging (SOC) estimation is one of the most important functions in the electric vehicle’s 
battery management system (BMS). This paper focuses on ways to estimate SOC, its problems and 
challenges by exploring different estimation methods. The accuracy of the methods depends mainly 
on battery characteristics, battery model, estimation algorithm and cell unbalance. Finally, this paper 
concludes the challenges of SOC estimates and development in this research field. 
Keywords: 
State of charging, battery management system, electric vehicle. 
1. GIỚI THIỆU CHUNG 
Trong những năm gần đây, việc nghiên 
cứu về hệ thống quản lý năng lượng pin 
đã và đang thu hút nhiều nhà nghiên cứu 
trên thế giới do pin là thành phần đặc biệt 
quan trọng và ngày càng phổ biến trong 
nhiều hệ thống cấp nguồn khác nhau như 
hệ thống năng lượng mặt trời, hệ thống 
cấp nguồn liên tục UPS, hệ thống tích trữ 
năng lượng trong các lưới điện thông 
minh,và đặc biệt là trong các loại xe 
điện[1]. Các loại pin có thể được sử dụng 
trên xe điện như pin axit chì, NiMH, pin 
lithium-ion [2]. Trong số đó, pin lithium-
ion được sử dụng rộng rãi do mật độ năng 
lượng cao, hiệu suất cao, vòng đời dài, tốc 
độ tự xả thấp và điện áp cao [3]. Do 
những đặc điểm nổi trội đó nên đã có rất 
TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ NĂNG LƯỢNG - TRƯỜNG ĐẠI HỌC ĐIỆN LỰC 
(ISSN: 1859 - 4557) 
24 Số 21 
nhiều những nghiên cứu để tăng tính ổn 
định và tin cậy của pin lithium-ion [4]. Sử 
dụng BMS trong khi sử dụng pin lithium-
ion là bắt buộc để pin có thể hoạt động an 
toàn và đáng tin cậy, ngăn ngừa mọi vấn 
đề về quá nhiệt, mất cân bằng điện áp 
giữa các cell pin gây hỏng pin [3-5]. Hơn 
nữa, BMS giúp kiểm soát và cập nhật dữ 
liệu, phát hiện lỗi, cân bằng điện áp pin là 
những yếu tố quan trọng để đạt được độ 
chính xác cao trong việc ước lượng SOC 
của pin [5]. 
SOC trong hệ thống quản lý pin được coi 
là một trong những yếu tố quan trọng và 
đã được tập trung nghiên cứu nhiều trong 
những thập kỷ gần đây. Ước lượng chính 
xác SOC không chỉ giúp cung cấp thông 
tin về dung lượng còn lại của pin mà còn 
đảm bảo cho hoạt động đáng tin cậy và an 
toàn cho xe điện. Tuy nhiên, ước lượng 
SOC là một trong những thách thức chính 
của các loại xe điện do các đặc tính phi 
tuyến, giá trị thay đổi theo thời gian, các 
phản ứng điện hóa phức tạp và không thể 
quan sát trực tiếp [5]. Hơn nữa, dung 
lượng của pin bị ảnh hưởng rất nhiều bởi 
sự lão hóa pin, thay đổi nhiệt độ, chu kì 
sạc/xả khiển cho việc ước lượng chính 
xác SOC rất khó khăn [6]. 
Trong bài viết này, các phương pháp 
chính phổ biến để ước lượng trạng thái 
pin được phân tích kỹ lưỡng. Bên cạnh 
đó, các vấn đề và thách thức của việc ước 
lượng SOC cũng được đưa ra. Cuối bài 
viết sẽ tổng kết các hướng phát triển của 
các phương pháp ước lượng SOC. Bài 
viết này mang đến cái nhìn tổng quan 
trong việc ước lượng SOC, giúp cho các 
nhà nghiên cứu, nhà sản xuất xe điện lựa 
chọn phương pháp ước lượng phù hợp 
nhất, đặc biệt quan trọng để phát triển hệ 
thống quản lý năng lượng pin mới hoặc 
nâng cấp hệ thống quản lý pin cho xe điện 
trong tương lai. 
2. CÁC PHƯƠNG PHÁP ƯỚC LƯỢNG 
SOC 
2.1. Phương pháp cơ bản 
2.1.1. Phương pháp đếm dung lượng 
theo thời gian 
Phương pháp này sử dụng tích phân dòng 
xả hoặc sạc để tính dung lượng còn lại 
trong pin [7]: 
0
( ) (0) ( . ( ) )
k
d
n
T
SOC k SOC I t S dt
C
 (1) 
Trong đó: SOC(0) là giá trị SOC ban đầu, 
I(t) là cường độ dòng điện tại thời điểm 
t, T là chu kì trích mẫu đo, Cn là dung 
lượng danh định của pin,  là hiệu suất 
coulombic và Sd là tốc độ tự xả. 
Ưu điểm lớn nhất của phương pháp này là 
tính toán đơn giản nên nó được sử dụng 
rất rộng rãi. Tuy nhiên, nhược điểm là 
không chính xác trong thời gian dài. Khó 
khăn khi xác định giá trị SOC ban đầu, 
ảnh hưởng do quá trình tự xả của pin và 
sai số của cảm biến 
Theo Zheng [8], để cải thiện độ chính xác 
của phương pháp, dung lượng ban đầu, 
giá trị SOC và sai lệch đo dòng phải điều 
chỉnh thường xuyên. 
2.1.2. Phương pháp OCV 
OCV (Open Circuit Voltage) là phương 
pháp sử dụng sức điện động ổn định của 
pin ở trạng thái hở mạch, mối quan hệ 
TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ NĂNG LƯỢNG - TRƯỜNG ĐẠI HỌC ĐIỆN LỰC 
(ISSN: 1859 - 4557) 
Số 21 25 
giữa OCV và SOC để ước lượng giá trị 
SOC [8]. Mối quan hệ này thường là gần 
tuyến tính nhưng với các loại pin khác 
nhau thì mối quan hệ này sẽ khác nhau 
bởi nó phụ thuộc vào dung lượng và vật 
liệu điện cực của pin [9]. Pin axit chì có 
mối quan hệ SOC và OCV tuyến tính, 
trong khi pin lithium-ion không có mối 
quan hệ này [10]. Phương pháp OCV là 
một phương pháp đơn giản và có độ chính 
xác cao. Tuy nhiên, nhược điểm chính của 
phương pháp này là phải mất thời gian 
nghỉ đủ dài để đạt được điều kiện cân 
bằng cho OCV [11]. 
Do đó, phương pháp này chỉ áp dụng khi 
các phương tiện được đặt trong bãi đỗ xe 
thay vì vận hành trên đường giao thông. 
Không những thế, hình 1 thể hiện đặc tính 
trễ của pin dẫn đến giá trị OCV cao hơn 
khi được sạc và thấp đi khi xả, do đó cần 
phải đo đạc cẩn thận trong trường hợp xả 
và sạc [12]. 
Hình 1. OCV và SOC khi sạc và xả (25
o
C,3h) 
2.1.3. Phương pháp dựa trên mô hình 
pin 
Các mô hình pin được dùng phổ biến nhất 
bao gồm mô hình điện hóa và mô hình 
mạch tương đương. Mô hình mạch tương 
đương (ECM) chủ yếu sử dụng điện trở 
và thành phần RC để thể hiện các đặc tính 
điện cho pin lithium-ion. Một mô hình 
mạch tương đương lý tưởng có thể mô 
phỏng điện áp pin thực tế dưới bất kì tác 
động nào. 
Tuy nhiên, một số đặc điểm của pin 
Lithium-ion thực tế không thể được mô tả 
tốt bằng các phần tử trong mạch tương 
đương, ví dụ như hiệu ứng trễ hoặc hiệu 
ứng Warburg. Do đó, việc phát triển các 
mô hình toán học thuần túy có độ trễ được 
sử dụng để cải thiện độ chính xác của mô 
hình pin [8]. 
Nhìn chung, các phương pháp cơ bản 
mang đến sự đơn giản trong việc ước 
lượng SOC. Giá trị SOC này tương đối 
chính xác trong điều kiện không khắc 
nghiệt như ít chịu ảnh hưởng của nhiệt độ, 
độ lão hóa của pin không lớn, nhiễu từ 
môi trường ngoài, cảm biến đo lường 
chính xác. Vì vậy, các phương pháp này 
thường được sử dụng trong các thiết bị 
điện tử thông thường. Đối với xe điện 
dưới sự tác động của môi trường làm việc 
khắc nghiện thì các phương pháp thông 
thường này không còn chính xác. 
2.2. Thuật toán lọc thích nghi 
Để cải thiện độ chính xác và độ tin cậy 
của ước lượng SOC của pin và giảm ảnh 
hưởng nhiễu lên mô hình pin, các thuật 
toán lọc thích nghi được sử dụng. 
2.2.1. Lọc Kalman (KF) 
KF kết hợp các phương trình toán học, dự 
đoán và chỉnh sửa trạng thái mới nhiều 
lần khi hệ thống hoạt động. Thuật toán 
cung cấp một giải pháp đệ quy thông qua 
bộ lọc tối ưu tuyến tính để ước lượng các 
TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ NĂNG LƯỢNG - TRƯỜNG ĐẠI HỌC ĐIỆN LỰC 
(ISSN: 1859 - 4557) 
26 Số 21 
biến trạng thái. Các phương trình được 
thể hiện ở dạng không gian trạng thái. 
Phương pháp so sánh dữ liệu đầu vào đo 
và dữ liệu đầu ra để tính độ lệch bình 
phương trung bình tối thiểu của trạng thái 
thực. Giả sử không có nhiễu quá trình và 
nhiễu đo. Mô hình tuyến tính KF bao gồm 
một phương trình (2) dự đoán trạng thái 
hiện tại xk từ trạng thái trước đó xk-1 và 
phương trình (3) cập nhật trạng thái hiện 
tại để hội tụ nó về trạng thái thực [13]. 
1 wk k k k k kx A x B u (2) 
k k k k k ky C x D u v (3) 
Trong đó x là trạng thái hệ thống, u là đầu 
vào điều khiển, w là nhiễu quá trình, y là 
giá trị đo đầu vào, v là nhiễu đo, A, B, C 
và D là các ma trận hiệp phương sai thay 
đổi theo thời gian và mô tả động lực học 
của hệ thống. 
Trong [14] đã sử dụng BMS bao gồm mô 
hình RC để mô hình hóa KF. Các phương 
trình toán học được lấy từ mô hình RC, 
được chuyển đổi thành mô hình không 
gian trạng thái để giải thích các đặc tính 
động của pin. Kết quả chỉ ra rằng lỗi 
của SOC khi sử dụng KF (1,92×10-4 V) 
rất nhỏ so với lỗi khi không sử dụng 
(1,0013 V). 
Urbain và Rael [15] đã sử dụng kỹ thuật 
tương tự trên một mô hình tương đương 
đơn giản của pin Lithium-ion có chứa 
nguồn điện được nối tiếp với điện trở. Với 
sự trợ giúp của phần mềm Matlab-
Simulink và việc mô phỏng thời gian thực 
trên card dSPACE, SOC được ước lượng 
với sai số nhỏ hơn 5%. Ưu điểm của việc 
sử dụng KF là nó ước lượng chính xác 
trạng thái bị ảnh hưởng bởi các nhiễu loạn 
bên ngoài. Tuy nhiên, KF không thể sử 
dụng trực tiếp để dự đoán trạng thái của 
hệ phi tuyến. Ngoài ra, nó đòi hỏi tính 
toán rất phức tạp. 
2.2.2. Lọc Kalman mở rộng (EKF) 
EKF sử dụng mở rộng chuỗi Taylor bậc 
nhất để tuyến tính hóa mô hình pin. Mô 
hình không gian trạng thái được tuyến 
tính hóa tại mỗi khoảng thời gian, so sánh 
giá trị ước lượng với điện áp đo được của 
pin để điều chỉnh các tham số ước lượng 
cho SOC. Tuy nhiên, sai số tuyến tính hóa 
có thể lớn nếu hệ thống có độ phi tuyến 
cao [16]. Hoạt động chi tiết của EKF 
được minh họa như hình 2 [17]. 
Lee [17] đã triển khai EKF kép trong mô 
hình điện hóa để ước lượng SOC và công 
suất trên mối quan hệ OCV-SOC. Kết quả 
mô phỏng cho thấy mô hình đạt được độ 
chính xác tốt hơn, sai số nhỏ hơn 5%. 
Trong [18], một mô hình pin phi tuyến sử 
dụng EKF được sử dụng để ước lượng 
SOC của pin lithium-ion. Mô hình phi 
tuyến được xây dựng bằng cách sử dụng 
mô hình RC phi tuyến, điện áp hở mạch 
và mô hình RC bậc hai nối tiếp nhau. 
EKF được thực hiện để giảm ảnh hưởng 
của nhiễu. Mô hình đề xuất đạt được kết 
quả chính xác hơn khi không sử dụng. 
Trong [19], EKF đơn và kép được kết hợp 
sử dụng trong pin LiFePO4 để ước lượng 
SOC theo hai mô hình khác nhau, cụ thể 
là có trạng thái trễ và không có trễ. Kết 
quả cho thấy phương pháp được đề xuất 
có thể ước lượng chính xác SOC trong 
môi trường động với sai số 4%. 
Trong phần này tóm tắt các phương pháp 
ước lượng SOC dựa trên lý thuyết điều 
TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ NĂNG LƯỢNG - TRƯỜNG ĐẠI HỌC ĐIỆN LỰC 
(ISSN: 1859 - 4557) 
Số 21 27 
khiển hiện đại, sử dụng phương pháp đếm 
dung lượng theo thời gian, mô hình hóa 
pin và các thuật toán lọc, những ước 
lượng này có thể đáng tin cậy, với độ 
phức tạp tính toán có thể chấp nhận được 
cho các ứng dụng trực tuyến. Do đo, nó 
trở thành một phương pháp ước lượng 
SOC cho pin được nghiên cứu và thực 
hiện rộng rãi. 
1. Dự đoán trạng thái trước
2. Dự đoán sai lệch hiệp phương sai
Dự đoán
1. Tính toán hệ số Kalman
2. Cập nhật ước lượng thông qua zk
Đo lường
3. Cập nhật sai lệch hiệp phương sai
Ước lượng ban đầu k=0
Hình 2. Hoạt động của EKF 
2.3. Thuật toán machine learning 
2.3.1. Mạng Neural (NN) 
Mạng nơron (NN) sử dụng dữ liệu được 
đào tạo để ước lượng SOC mà không cần 
biết thông tin về cấu trúc bên trong của 
pin và SOC ban đầu. Ba lớp được sử dụng 
để hình thành mạng NN, bao gồm lớp đầu 
vào, lớp đầu ra và một hoặc nhiều lớp ẩn, 
như trong hình 3 [20]. NN lấy dòng xả, 
điện áp đầu cuối và nhiệt độ làm đầu vào 
và SOC làm đầu ra để xây dựng cấu trúc 
mạng NN của pin LiFePO4. Ưu điểm của 
phương pháp này là nó có khả năng hoạt 
động trong điều kiện phi tuyến của pin 
trong khi pin đang sạc/xả. Tuy nhiên, 
thuật toán cần lưu trữ một lượng lớn dữ 
liệu để đào tạo, điều này không chỉ đòi 
hỏi bộ nhớ lớn mà có thể còn làm quá tải 
toàn bộ hệ thống. 
Chen [21] đề xuất một mô hình pin dựa 
trên EKF với tham số là điện áp hở mạch. 
Sau đó, NN được tích hợp với EKF để 
ước lượng SOC. Mô hình kết hợp được đề 
xuất mang lại hiệu quả tốt nhất trong việc 
ước lượng độ chính xác với sai số nhỏ 
hơn 1%. Trong [22], điện áp ở trạng thái 
trước, SOC và dòng điện ở trạng thái hiện 
tại được sử dụng làm đầu vào và điện áp ở 
trạng thái hiện tại được coi là đầu ra để 
tìm ra một mô hình thích hợp được đào 
tạo bởi NN. Mô hình được đào tạo được 
chuyển đổi sang phương trình không gian 
trạng thái và sau đó SOC được ước lượng 
bằng cách sử dụng EKF. Phương pháp 
này rất hiệu quả trong việc phát triển một 
mô hình pin về tốc độ và độ chính xác. 
Hình 3. Cấu trúc mạng Neural nhiều lớp 
2.3.2. Thuật toán di truyền (GA) 
Thuật toán di truyền (GA) đã được áp 
dụng thành công trong lĩnh vực kỹ thuật, 
vật lý, toán học để xác định các tham số 
mô hình tối ưu của một hệ phi tuyến. 
Chức năng cơ bản là biến đổi các tham số 
theo cách hiệu quả nhất để nâng cao hiệu 
quả của hệ thống. Zheng [23] đề xuất một 
giả thuyết biểu đồ điện áp pin sạc để ước 
lượng dung lượng của bộ pin LiFePO4 
bằng cách sử dụng một mô hình tương 
đương đơn giản thể hiện mối liên hệ giữa 
TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ NĂNG LƯỢNG - TRƯỜNG ĐẠI HỌC ĐIỆN LỰC 
(ISSN: 1859 - 4557) 
28 Số 21 
điện áp và dung lượng. GA được sử dụng 
để tìm tham số tối ưu. Mô hình được đánh 
giá bằng cách sử dụng bốn pin LiFePO4 
được ghép nối song song và các báo cáo 
cho thấy sai lệch dưới 1%. Xu [24] đã ước 
lượng SOC dựa trên mô hình RC bậc một 
của pin lithium-ion bằng việc kết hợp 
phương pháp đếm coulomb và phương 
pháp ước lượng SOC dựa trên mô hình. 
Các thông số pin được tối ưu hóa bằng 
cách sử dụng GA. Mô hình đề xuất được 
xác thực bằng cách sử dụng các chu kỳ 
hoạt động khác nhau và các báo cáo thể 
hiện ước lượng tốt hơn trong việc đánh 
giá độ chính xác với sai số dưới 1%. 
Sai số của các phương pháp ước lượng SOC 
Phương 
pháp 
Tác giả Tham 
khảo 
Sai số 
OCV Truchot [25] 
Không xác 
định 
KF Yatsui [26] ≤ ± 1,76% 
EKF Jiang [27] ≤ ± 1% 
UKF Tiang [28] ≤ ± 4 % 
NN Affanni [29] ≤ ± 4,6% 
GA Zheng [30] ≤ ± 2% 
Thuật toán machine learning giúp ước 
lượng chính xác SOC mà không cần tham 
số bên trong hệ thống pin, làm việc ngay 
cả đối với hệ thống phi tuyến, có thể làm 
việc trực tuyến. Tuy nhiên, phương pháp 
này đòi hỏi cần bộ xử lý nhanh, dung 
lượng lưu trữ lớn đủ để lưu trữ dữ liệu 
huấn luyện. 
Bảng 1 tóm tắt kết quả ước lượng SOC 
khi sử dụng các phương pháp khác nhau. 
3. THÁCH THỨC TRONG ƯỚC LƯỢNG 
SOC 
3.1. Đặc tính trễ của pin lithium-ion 
Do pin lithium-ion có hiện tượng phân 
cực, hiện tượng này sẽ dẫn đến các đặc 
tính trễ động của pin. Do đặc tính trễ động 
của pin, đường cong OCV của quá trình 
sạc và xả là khác nhau, như trong hình 1. 
Ngay cả đối với pin trong cùng một lần 
xả/sạc, mối quan hệ SOC-OCV ở nhiệt độ 
khác nhau và lão hóa ở các SOC khác 
nhau được thể hiện trong hình 4. 
3.2. Lão hóa pin 
Do lão hóa pin, SOC không thể ước lượng 
chính xác. Suy giảm điện trở và điện dung 
bên trong là những yếu tố chính dẫn đến 
lão hóa pin. Nguyên nhân lão hóa chính 
của pin li-ion là sự phân hủy xen kẽ chất 
điện phân, lắng đọng ở cực dương, hòa 
tan kim loại từ cực dương, mất vật liệu 
hoạt động và mạ lithium [31]. 
Hình 4. Mối quan hệ OCV-SOC phụ thuộc vào 
nhiệt độ và độ lão hóa của pin lithium-ion 
3.3. Cân bằng các cell pin 
Mất cân bằng giữa các cell pin có thể dẫn 
đến sự thiếu chính xác của ước lượng 
SOC. Các cell pin trong xe điện được nối 
tiếp để cung cấp điện áp cao, kết nối song 
song để cung cấp công suất cao. Mỗi tế 
bào có các đặc tính hóa học và sản xuất 
riêng, có thể khác nhau trong khi sạc và 
TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ NĂNG LƯỢNG - TRƯỜNG ĐẠI HỌC ĐIỆN LỰC 
(ISSN: 1859 - 4557) 
Số 21 29 
xả. Trong quá trình sạc, một cell pin có 
thể dễ dàng đạt đến mức sạc đầy nhanh 
chóng do độ lão hóa lớn và có thể gây 
nguy hiểm. Tương tự như vậy, một cell 
pin có thể bị quá tải nếu nó bị xả quá tải 
liên tục trong khi các tế bào còn lại đạt 
mức xả hoàn toàn. Quá tải trong pin 
lithium-ion gây ra sự biến dạng, rò rỉ, tăng 
áp suất, dẫn đến cháy nổ của các cell pin. 
Mặt khác, xả quá mức có thể rút ngắn 
vòng đời, do dòng điện quá cao và xả quá 
thường xuyên [32]. Hơn nữa, một sự mất 
cân bằng có thể xảy ra do sạc lặp đi lặp lại 
và xả làm giảm công suất và tuổi thọ của 
các cell pin [33]. 
4. KẾT LUẬN 
Bài viết mô tả sự phát triển của ước lượng 
SOC và các thuật toán ước lượng SOC 
khác nhau. Việc phát triển và triển khai hệ 
thống quản lý pin EVs với ước lượng 
SOC cho xe điện là một thách thức lớn do 
các phản ứng điện hóa phức tạp và suy 
giảm hiệu suất gây ra bởi nhiều yếu tố. 
Đặc tính trễ động của pin, tự xả, nhiệt độ 
môi trường, lão hóa pin và mất cân bằng 
tế bào là những yếu tố làm ảnh hưởng đến 
độ chính xác của các phương pháp ước 
lượng SOC. Từ đó, bài viết này đã đem 
đến một cách nhìn tổng quan nhất giúp 
cho các nhà khoa học và doanh nghiệp có 
thể chọn lựa hướng nghiên cứu phương 
pháp ước lượng SOC phù hợp cho từng 
đối tượng nhất định. Với sự phát triển của 
dữ liệu lớn hiên nay và sự cần thiết của 
ước lượng trực tuyến thì phương pháp sử 
dụng trí tuệ nhân tạo, mạng Neural đang 
là xu hướng phát triển. 
TÀI LIỆU THAM KHẢO 
[1] Daud MZ, Mohamed A, Hannan MA. An improved control method of battery energy storage 
system for hourly dispatch of photovoltaic power sources. Energy Convers Manag 2013. 
[2] Manzetti S, Mariasiu F. Electric vehicle battery technologies: From present state to future 
systems. Renew Sustain Energy Rev 2015. 
[3] Conte FV. Battery and battery management for hybrid electric vehicles: a review. Elektro Und Inf 
2006. 
[4] Scrosati B, Garche J. Lithium batteries: Status, prospects and future. J Power Sources 2010. 
[5] Watrin N, Blunier B, Miraoui A. Review of adaptive systems for lithium batteries State-of Charge 
and State-of-Health estimation. 2012 IEEE Transp Electrif Conf Expo, IEEE 2012. 
[6] Yang N, Zhang X, Shang B, Li G. Unbalanced discharging and aging due to temperature 
differences among the cells in a lithium-ion battery pack with parallel combination. J Power 
Sources 2016. 
[7] Zhang, C.; Li, K.; Pei, L.; Zhu, C. An integrated approach for real-time model-based state-of 
charge estimation of lithium-ion batteries. J. Power Sources 2015. 
[8] Zheng, Y.; Ouyang, M.; Han, X.; Lu, L.; Li, J. Investigating the error sources of the online state of 
charge estimation methods for lithium-ion batteries in electric vehicles. J. Power Sources 2018. 
TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ NĂNG LƯỢNG - TRƯỜNG ĐẠI HỌC ĐIỆN LỰC 
(ISSN: 1859 - 4557) 
30 Số 21 
[9] Dong T, Li J, Zhao F, Yi Y, Jin Q. Analysis on the influence of measurement error on state of 
charge estimation of LiFePO4 power Battery. ICMREE2011 – Proc 2011 Int Conf Mater Renew 
Energy Environ 2011. 
[10] Tang X, Wang Y, Chen Z. A method for state-of charge estimation of LiFePO4 batteries based on 
a dual-circuit state observer. J Power Sources 2015. 
[11] Zheng L, Zhang L, Zhu J, Wang G, Jiang J. Co Estimation of state-of-charge, capacity and 
resistance for lithium-ion batteries based on a high-fidelity electrochemical model. Appl Energy 
2016. 
[12] Roscher MA, Sauer DU. Dynamic electric behavior and open-circuit-voltage modeling of LiFePO4-
based lithium ion secondary batteries. J Power Sources 2011. 
[13] Xu L, Wang J, Chen Q. Kalman filtering state of charge estimation for battery management 
system based on a stochastic fuzzy neural network battery model. Energy Convers Manag 2012. 
[14] Ting TO, Man KL, Lim EG, Leach M. Tuning of Kalman Filter Parameters via Genetic Algorithm for 
State-of-Charge Estimation in Battery Management System; 2014. 
[15] Urbain M, Rael S. State estimation of a lithium ion battery through kalman filter. Conference 2007 
PESC. 
[16] Hu X, Sun F, Zou Y. Comparison between two model-based algorithms for Li-ion battery SOC 
estimation in electric vehicles. Simul Model Pract Theory 2013. 
[17] Plett GL. Extended Kalman filtering for battery management systems of LiPBbased HEV battery 
packs. J Power Sources 2004. 
[18] Chen Z, Fu Y, Mi CC. State of charge estimation of lithium-ion batteries in electric drive vehicles 
using extended Kalman filtering. IEEE Trans Veh Technol 2013. 
[19] Mastali M, Vazquez-Arenas J, Fraser R, Fowler M, Afshar S, Stevens M. Battery state of the 
charge estimation using Kalman filtering. J Power Sources 2013. 
[20] He W, Williard N, Chen C, Pecht M. State of charge estimation for Li-ion batteries using neural 
network modeling and unscented Kalman filter-based error cancellation. Int J Electr Power 
Energy Syst 2014. 
[21] Chen Z, Qiu S, Masrur MA, Murphey YL. Battery state of charge estimation based on a combined 
model of extended Kalman filter and neural networks. 2011 Int Jt Conf Neural Netw 2011. 
[22] Charkhgard M, Farrokhi M. State-of-charge estimation for lithium-ion batteries using neural 
networks and EKF. IEEE Trans Ind Electron 2010. 
[23] Zheng Y, Lu L, Han X, Li J, Ouyang M. LiFePO4 battery pack capacity estimation for electric 
vehicles based on charging cell voltage curve transformation. J Power Sources 2013. 
[24] Xu J, Cao B, Chen Z, Zou Z. An online state of charge estimation method with reduced prior 
battery testing information. Int J Electr Power Energy Syst 2014. 
[25] Truchot C, Dubarry M, Liaw BY. State-of-charge estimation and uncertainty for lithium-ion battery 
strings. Appl Energy 2014. 
[26] Yatsui MW, Bai H. Kalman filter based state-of charge estimation for lithium-ion batteries in 
hybrid electric vehicles using pulse charging. Veh Power Propuls Conf (VPPC), 2011 IEEE 2011. 
[27] Jiang C, Taylor A, Duan C, Bai K. Extended Kalman Filter based battery state of charge(SOC) 
estimation for electric vehicles. 2013 IEEE Transp Electrif Conference Expo Components, Syst 
Power Electron - From Technol to Bus Public Policy, ITEC 2013. 
TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ NĂNG LƯỢNG - TRƯỜNG ĐẠI HỌC ĐIỆN LỰC 
(ISSN: 1859 - 4557) 
Số 21 31 
[28] Tian Y, Xia B, Sun W, Xu Z, Zheng W. A modified model based state of charge estimation of 
power lithium-ion batteries using unscented Kalman filter. J Power Sources 2014. 
[29] Affanni A, Bellini A, Concari C, Franceschini G, Lorenzani E, Tassoni C. EV battery state of charge: 
neural network based estimation. IEEE International Electr Mach Drives Conference, vol. 2, p. 
684–688; 2003. 
[30] Zheng Y, Lu L, Han X, Li J, Ouyang M. LiFePO4 battery pack capacity estimation for electric 
vehicles based on charging cell voltage curve transformation. J Power Sources 2013. 
[31] Wu, C.; Zhu, C.; Ge, Y.; Zhao, Y. A review on fault mechanism and diagnosis approach for Li Ion 
batteries. J. Nanomater. 2015. 
[32] Kim J, Shin J, Chun C, Cho BH. Stable configuration of a li-ion series battery pack based on a 
screening process for improved voltage/SOC balancing. IEEE Trans Power Electron 2012. 
[33] Bragard M, Soltau N, Thomas S, De Doncker RW. The balance of renewable sources and user 
demands in grids: power electronics for modular battery energy storage systems. IEEE Trans 
Power Electron 2010. 
Giới thiệu tác giả: 
Tác giả Đỗ Ngọc Quý tốt nghiệp đại học chuyên ngành tự động hóa tại Trường Đại 
học Bách khoa Hà Nội năm 2019. Hiện nay tác giả làm việc tại Viện Điều khiển và 
Tự động hóa - Trường Đại học Bách khoa Hà Nội. 
Lĩnh vực nghiên cứu chính: điện tử công suất và quản lý năng lượng cho xe điện. 
Tác giả Nguyễn Kiên Trung tốt nghiệp Trường Đại học Bách khoa Hà Nội chuyên 
ngành điều khiển và tự động hóa năm 2008; nhận bằng Thạc sĩ cùng chuyên 
ngành vào năm 2011; năm 2016 nhận bằng Tiến sĩ tại Viện công nghệ Shibaura 
Tokyo, Nhật Bản với đề tài nghiên cứu về hệ thống sạc không dây cho ô tô điện; 
tiếp tục nghiên cứu sau tiến sĩ đến năm 2017. Hiện nay tác giả là giảng viên Bộ 
môn Tự động hóa công nghiệp - Viện Điện- Trường Đại học Bách khoa Hà Nội; là 
thành viên của IEEE, IEE of Japan. 
Lĩnh vực nghiên cứu chủ yếu bao gồm các bộ biến đổi tần số cao, hệ thống sạc và 
quản lý năng lượng cho xe điện, hệ thống sạc điện không dây cho xe điện. 
TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ NĂNG LƯỢNG - TRƯỜNG ĐẠI HỌC ĐIỆN LỰC 
(ISSN: 1859 - 4557) 
32 Số 21 
 . 
TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ NĂNG LƯỢNG - TRƯỜNG ĐẠI HỌC ĐIỆN LỰC 
(ISSN: 1859 - 4557) 
Số 21 33