一個典型的動力電池管理系統(tǒng),需要實現(xiàn)哪些功能完全篇

1、一個典型的動力電池管理系統(tǒng)，需要實現(xiàn)哪些功能(完全篇)電池管理系統(tǒng)，BMSBMS( (BatteryManagementSystemBatteryManagementSystem),是電動汽車動力電池系統(tǒng)的重要組成。它一方面檢測收集并初步計算電池實時狀態(tài)參數(shù)，并根據檢測值與允許值的比較關系控制供電回路的通斷；另一方面，將采集的關鍵數(shù)據上報給整車控制器，并接收控制器的指令，與車輛上的其他系統(tǒng)協(xié)調工作。電池管理系統(tǒng)，不同電芯類型，對管理系統(tǒng)的要求往往并不一樣。那么，一個典型的動力電池管理系統(tǒng)具體都需要關注哪些功能呢？今天翻譯整理了一篇文章，一起看看 BMSBMS 的關鍵技術，整體內容分成上中下三個

2、部分。一個典型的動力電池管理系統(tǒng)，需要實現(xiàn)哪些功能（上篇）1 簡介電動汽車用鋰離子電池容量大、用并聯(lián)節(jié)數(shù)多，系統(tǒng)復雜，加之安全性、耐久性、動力性等性能要求高、實現(xiàn)難度大，因此成為影響電動汽車推廣普及的瓶頸。鋰離子電池安全工作區(qū)域受到溫度、電壓窗口限制，超過該窗口的范圍，電池性能就會加速衰減，甚至發(fā)生安全問題。目前，大部分車用鋰離子電池，要求的可靠工作溫度為，放電時-2055C,充電時 045C（對石墨負極），而對于負極 LTO 充電時最低溫度為-30;工作電壓一般為 1.54.2V 左右（對于 LiCoO2/C、LiNi0.8Co0.15Al0.05O2/C、LiCoxNiyMnzO2/C 以

3、及 LiMn2O4/C 等材料體系約 2.54.2V,對于 LiMn2O4/Li4Ti5O12 材料體系約 1.52.7V,對于LiFePO4/C 材料體系約 2.03.7V）。溫 度 對 鋰 電 池 性 能 尤 其 安 全 性 具 有 決 定 性 的 影 響 ， 根 據 電 極 材 料 類 型 的 不 同 ， 鋰 電 池（C/LiMn2O4C/LMO,C/LiCoxNiyMnzO2,C/NCM,C/LiFePO4,C/LiNi0.8Co0.15Al0.05O2,C/NCA）典型的工作溫度如下：放電在-20-55C,充電在 0-45C；負極材料為 Li4Ti5O12 或者 LTO 時，最低充電

4、溫度往往可以達到-30C。當溫度過高時，會給電池的壽命造成不利影響。當溫度高至一定程度，則可能造成安全問題。如圖所示圖 1 中，當溫度為 90120C 時，SEI 膜將開始放熱分解13,而一些電解質體系會在較低溫度下分解約 69c40當溫度超過 120C,SEI 膜分解后無法保護負碳電極，使得負極與有機電解質直接反應， 產生可燃氣體將3o 當溫度為 130C,隔膜將開始熔化并關閉離子通道， 使得電池的正負極暫時沒有電流流動5,6。當溫度升高時，正極材料開始分解（LiCoO2 開始分解約在 150C7,LiNi0.8Co0.15Al0.05O2 在約160C8,9,LiNixCoyMnzO2 在

5、名 210C8,LiMn2O4 在約 265C1,LiFePO4 在約 310c7）并產生氧氣。當溫度高于 200c 時，電解液會分解并產生可燃性氣體3,并且與由正極的分解產生的氧氣劇烈反應9,進而導致熱失控。在 0c 以下充電，會造成鋰金屬在負極表面形成電鍍層，這會減少電池的循環(huán)壽命。10過低的電壓或者過放電，會導致電解液分解并產生可燃氣體進而導致潛在安全風險。過高的電壓或者過充電，可能導致正極材料失去活性，并產生大量的熱；普通電解質在電壓高于 4.5V 時會分解12為了解決這些問題，人們試圖開發(fā)能夠在非常惡劣的情況下進行工作的新電池系統(tǒng)，另一方面，目前商業(yè)化鋰離子電池必須連接管理系統(tǒng)， 使

6、鋰離子電池可以得到有效的控制和管理， 每個單電池都在適當?shù)臈l件下工作，充分保證電池的安全性、耐久性和動力性。1 1MrcMrch hiul*cr(fesmiul*cr(fesm*S*C* i,i,brtttkdobrtttkdo 一p-nrrlra*noip-nSjfftASjfftA，小 oopenoopen20112011tootoo1,rw1,rw% %| r.Mr.MegAlhceledrixleegAlhceledrixlecopperfocopperfoilil ixilaixila riinriinlh*i*t*vdlh*i*t*vdI I inprMfiirrhiuhvrinp

7、 f frntperdtHretiiuterrtun1rntperdtHretiiuterrtun15Oi5Oic cC Ct t1 1YbrrAkti4mnYbrrAkti4mnitit廣汕* * 44斛$*hr|Mr*hr|Mr t t rhc*d*mritrhc*d*mritJ J 11KlixkKlixkAbAb nc120nc1200 0(rmImictrdiiihiumrraclwithIbecirri(rmImictrdiiihiumrraclwithIbecirrimHtemHte NFJNFJcncnmHbemHbe rifltheriflthe inlatiidihrinl

8、atiidihr nitdrantithenitdrantitherice!rice!r&hIer&hIe5J-I5J-I氣、Ifilm1Ifilm1 * * *Iodvcon*Iodvcon |Ki*r.ivksctiet*ih|Ki*r.ivksctiet*ih friniMratUixH*friniMratUixH* Hercherer.thefHercherer.thef rrnMrHirrnMrHi *othttn*othttni i mdcndriUmdcndriU i il l，lirni|lirni| vrvr Mrr+lhcM d d鼻triqaf.ftriq

9、af.frfcircwttrfcircwttIhvhIhvh *tvnijKf*tvnijKfM MI IIWVIWVLUhiirntLUhiirnttrnrlvnPtrnrlvnPr rliniclinic圖 1 為鋰離子電池的安全操作窗口2 電池管理系統(tǒng)定義電池管理系統(tǒng)的主要任務是保證電池系統(tǒng)的設計性能，可以分解成如下三個方面：1）安全性，保護電池單體或電池組免受損壞，防止出現(xiàn)安全事故；2）耐久性，使電池工作在可靠的安全區(qū)域內，延長電池的使用壽命；3）動力性，維持電池工作在滿足車輛要求的狀態(tài)下。鋰離子電池的安全工作區(qū)域如圖 1 所示Ivntitrr|htetterllixn*inIvnti

10、trr|htetterllixn*in* *CIifr*!*CIifr*!*ildiLdnrtmttpNlhrcnnixlirfallrn加血JtmnUHurMain也門世Mainrtrtitt1MIjNttrmmumrmiUmnuiik岫力IgktikwndIbtmuJkr(t、donodI)r肉k崛IndkaturSOtlImbcitir5rhantlagHiirJ；、驅怨紛LailartMannimincimiHcurmiimincimiHcurmiEUMrn面kmptnilurt%的(kntnri如.iiutpubnuindnuMdlartwawaJ JFktter)IMNooUdei

11、Hnptnhire、iUttt?tancutimtknHknuruiunrSjtlcPhij口物恥回加lkmptratun；mtusuftmtmtusuftmtinpiibnvduknvduk3.1電池電壓測量（CVM）電池電壓測量的難點存在于以下幾個方面：（1）電動汽車的電池組有數(shù)百個電芯的串聯(lián)連接，需要許多通道來測量電壓。由于被測量的電池電自有累積電勢，而每個電池的積累電勢都不同，這使得它不可能采用單向補償方法消除誤差。圖 3OCV 曲線和每毫伏電壓的 SOC 的變化（在 25c 測量，休息時間 3 小時）()CV所03LTO/NCMcellSOCvariationpermVvoltige

12、ofITO/NCMcell2 26 6t*t*1111*。0202D.4D.40,60,60.80.81 1SOCSOC002000.60808SOCSOC()CvcurvesofC/l.iPcPOjcellS(Kvanalianpercell除2）電壓測量需要高精度（特別是對于 C/LiFePO4 電池）。SOC 估算對電池電壓精度提出了很高的要求。這里我們以 C/LFP 和 LTO/NCM 型電池為例。圖 3 顯示了電池 C/LiFePO4 和 LTO/NCM 的開路電壓（OCV）以及每mV 電壓對應的 SOC 變化。從圖中我們可以看到 LTO/NCM 的 OCV 曲線

13、的斜率相對陡峭，且大多數(shù) SOC 范圍內，每毫伏的電壓變化對應的最大 SOC 率范圍低于 0.4%（除了 SOC6070%）。因此，如果電池電壓的測量精度為 10mV,那么通過 OCV 估計方法獲得的 SOC 誤差低于 4%。因此，對于 LTO/NCM 電池，電池電壓的測量精度需要小于 10mV。但C/LiFePO4OCV 曲線的斜率相對平緩，并且在大多數(shù)范圍內（除了 SOC 1 16 61 16 63 31 1M Mi ix xc ce el ll ls si in ns sf ff fi ij jl l1 12 20 0物 9 96 69 96 63 37 72 2M Ma ax xv v

14、o ol l賽o of f也K Ky yC Ch ha ai in n( (V V: :3 38 80 0 1 1( (D DC CM MA AW WA A附ADrewkiionBU1 12 21 12 2) )4 41 12 21 12 2W Wc co on nv ve er rs si iw wa ar rr re eg g1 10 08 8n ns s即帥1 1。3 3Y Y豈V Ve es sY Ye es sY Ye es sY Ye es sO Op pn n曲叫部敏u u瞪如印1 10 05 540(0854 4m m5 5砒吃4 40 0( (0 01 10 05 5田S S

15、t ta an nd ds sc cu ur rr re en nt t閾4 46 60 01 12 2l lb b立，四1 1工匚I In np pL Li i剛鄴f fi in nf fi if f；V V7 73 3- -3 30 0W W- -5 50 06 6- -3 36 66 6- -3 30 0D D3.2數(shù)據采樣頻率同步性信號的采樣頻率與同步對數(shù)據實時分析和處理有影響。設計 BMS 時，需要對信號的采樣頻率和同步精度提出要求。但目前部分 BMS 設計過程中，對信號采樣頻率和同步沒有明確要求。電池系統(tǒng)信號有多種，同時電池管理系統(tǒng)一般為分布式，如果電流的采樣與單片電壓采樣分別在不

16、同的電路板上；信號采集過程中，不同控制子板信號會存在同步問題，會對內阻的實時監(jiān)測算法產生影響。同一單片電壓采集子板，一般采用巡檢方法，單體電壓之間也會存在同步問題，影響不一致性分析。系統(tǒng)對不同信號的數(shù)據采樣頻率和同步要求不同，對慣性大的參量要求較低，如純電動車電池正常放電的溫升數(shù)量級為 1C/10min,考慮到溫度的安全監(jiān)控，同時考慮 BMS 溫度的精度（約為 1C）,溫度的采樣間隔可定為 30s（對混合動力電池，溫度采樣率需要更高一些）。電壓與電流信號變化較快，采樣頻率和同步性要求很高。由交流阻抗分析可知，動力電池的歐姆內阻響應在 ms級，SEI 膜離子傳輸阻力電壓響應為 10ms級，電荷轉

17、移（雙電容效應）響應為 110s 級，擴散過程響應為 min 級。目前，電動車加速時，驅動電機的電流從最小變化到最大的響應時間約為 0.5s,電流精度要求為 1%左右，綜合考慮變載工況的情況，電流采樣頻率應取 10200Hz0單片信息采集子板電壓通道數(shù)一般為 6 的倍數(shù)，目前最多為 24 個。一般純電動乘用車電池由約 100 節(jié)電池串聯(lián)組成，單體電池信號采集需要多個采集子板。為了保證電壓同步，每個采集子板中單體問的電壓采樣時間差越小越好，一個巡檢周期最好在 25ms 內。子板之間的時間同步可以通過發(fā)送一幀 CAN 參考幀來實現(xiàn)。數(shù)據更新頻率應為 10Hz 以上。一個典型的動力電池管理系統(tǒng)，需要

18、實現(xiàn)哪些功能（中篇）上篇說到，鋰電池系統(tǒng)龐大，需要電池管理系統(tǒng)的監(jiān)督和優(yōu)化，以維護其安全性、耐久性和動力性。上篇中提及的 BMSBMS 功能需求包括電池電壓測量、數(shù)據采樣頻率同步性。本文繼續(xù)，中篇講述溫度估計和 SOCSOC 估計。預報，明天的下篇中會包括電池狀態(tài)包括：SOHSOH（健康狀態(tài)估計）、SOSSOS（安全狀態(tài)估計）、SOFSOF（功能狀態(tài)估計）及SOESOE（可用能量狀態(tài)估計）。這些功能是期望 BMSBMS 具備的，但實際應用中，出于客戶要求、車型要求以及成本等等的考慮，實際設計到系統(tǒng)中的可能只是其中的幾個。3.3電池狀態(tài)估計電池狀態(tài)包括電池溫度、SOC（荷電狀態(tài)估計）、SOH（健

19、康狀態(tài)估計）、SOS（安全狀態(tài)估計）、SOF（功能狀態(tài)估計）及 SOE（可用能量狀態(tài)估計）。各種狀態(tài)估計之間的關系如圖 4 所示。電池溫度估計是其他狀態(tài)估計的基礎，SOC 估計受到 SOH 的影響，SOF 是由 SOC、SOH、SOS 以及電池溫度共同確定的，SOE 則與 SOC、SOH、電池溫度、未來工況有關。電賦放電能力蛇制蛇制）圖 4.BMS 狀態(tài)估計算法框架3.3.1 電池溫度估計1 1( (1 11 11 1溫度對電池性能影響較大，目前一般只能測得電池表面溫度，而電池內部溫度需要使用熱模型進行估計。常用的電池熱模型包括零維模型（集總參數(shù)模型）、一維乃至三維模型。零維模型可以大致計算電

20、池充放電過程中的溫度變化，估計精度有限，但模型計算量小，因此可用于實時的溫度估計。一維、二維及三維模型需要使用數(shù)值方法對傳熱微分方程進行求解，對電池進行網格劃分，計算電池的溫度場分布，同時還需考慮電池結構對傳熱的影響（結構包括內核、外殼、電解液層等）。一維模型中只考慮電池在一個方向的溫度分布，在其他方向視為均勻。二維模型考慮電池在兩個方向的溫度分布，對圓柱形電池來說，軸向及徑向的溫度分布即可反映電池內部的溫度場。二維模型一般用于薄片電池的溫度分析。三維模型可以完全反映方形電池內部的溫度場，仿真精度較高，因而研究較多。但三維模型的計算量大，無法應用于實時溫度估計，只能用于在實驗室中進行溫度場仿真

21、。為了讓三維模型的計算結果實時應用，研究人員利用三維模型的溫度場計算結果，將電池產熱功率和內外溫差的關系用傳遞函數(shù)表達，通過產熱功率和電池表面溫度估計電池內部的溫度，具有在 BMS 中應用的潛力。圖 5 所示為電池內部溫度的估計流程。電流圖 5 電池內部溫度估計流程一般地，鋰離子電池適宜的工作溫度為 1535C,而電動汽車的實際工作溫度為-3050C,因此必須對電池進行熱管理，低溫時需要加熱，高溫時需要冷卻。熱管理包括設計與控制兩方面，其中，熱管理設計不屬于本文內容。溫度控制是通過測溫元件測得電池組不同位置的溫度，綜合溫度分布情況，熱管理系統(tǒng)控制電路進行散熱，熱管理的執(zhí)行部件一般有風扇、水/油

22、泵、制冷機等。比如，可以根據溫度范圍進彳 T 分檔控制。Volt 插電式混合動力電池熱管理分為 3 種模式：主動（制冷散熱）、被動（風扇散熱）和不冷卻模式，當動力電池溫度超過某預先設定的被動冷卻目標溫度后，被動散熱模式啟動；而當溫度繼續(xù)升高至主動冷卻目標溫度以上時，主動散熱模式啟動。3.2 荷電狀態(tài)（SOC）估計SOC（StateofCharge）,可用電量占據電池最大可用容量的比例，通常以百分比表示，100%表示完全充電，0%表示完全放電。端電壓SOC電 池產 熱模型產熱功率電池內外沮差模型內外溫差電池內部溫度實測電池表型感出這是針對單個電池的定義，對于電池模塊（或電池組，由于電池組由多個模

23、塊組成，因此從模塊 SOC 計算電池組的SOC 就像電池電池單體 SOC 估計模塊 SOC 一樣），情況有一點復雜。在 SOC 估計方法的最后一節(jié)討論。目前，對 SOC 的研究已經基本成熟，SOC 算法主要分為兩大類，一類為單一 SOC 算法，另一類為多種單一 SOC 算法的融合算法。單一 SOC 算法包括安時積分法、開路電壓法、基于電池模型估計的開路電壓法、其他基于電池性能的SOC 估計法等。融合算法包括簡單的修正、加權、卡爾曼濾波（或擴展卡爾曼濾波）以及滑模變結構方法等。1）放電測試方法確定電池 SOC 的最可靠方法是在受控條件下進行放電測試，即指定的放電速率和環(huán)境溫度。這個測試可以準確的

24、計算電池的剩余電量 SOC,但所消耗的時間相當長，并且在測試完畢以后電池里面的電量全部放掉，因此這個方法只在實驗室中用來標定驗證電池的標稱容量，無法用于設計 BMS 做車輛電池電量的在線估計。2）安時積分法安時積分計算方法為50c=SOCo-L/1?/drCMJ式中，SOC 為荷電狀態(tài)；SOC0 為起始時刻（t0）的荷電狀態(tài)；CN 為額定容量（為電池當時標準狀態(tài)下的容量，隨壽命變化）；”為庫侖效率，放電為 1,充電小于 1;I 為電流，充電為負，放電為正。在起始荷電狀態(tài) SOC0 比較準確情況下，安時積分法在一段時間內具有相當好的精度（主要與電流傳感器采樣精度、采樣頻率有關）。但是，安時積分法

25、的主要缺點為：起始 SOC0 影響荷電狀態(tài)的估計精度；庫侖效率”受電池的工作狀態(tài)影響大（如荷電狀態(tài)、溫度、電流大小等），“難于準確測量，會對荷電狀態(tài)誤差有累積效應；電流傳感器精度，特別是偏差會導致累計效應，影響荷電狀態(tài)的精度。因此，單純采用安時積分法很難滿足荷電狀態(tài)估計的精度要求。3）開路電壓（OCV）法鋰離子電池的荷電狀態(tài)與鋰離子在活性材料中的嵌入量有關，與靜態(tài)熱力學有關，因此充分靜置后的開路電壓可以認為達到平衡電動勢，OCV 與荷電狀態(tài)具有一一對應的關系，是估計荷電狀態(tài)的有效方法。但是有些種類電池的 OCV 與充放電過程（歷史）有關，如 LiFePO4/C 電池，充電 OCV 與放電 OC

26、V 具有滯回現(xiàn)象（與鍥氫電池類似），并且電壓曲線平坦，因而 SOC 估計精度受到傳感器精度的影響嚴重，這些都需要進一步研究。開路電壓法最大的優(yōu)點是荷電狀態(tài)估計精度高，但是它的顯著缺點是需要將電池長時靜置以達到平衡，電池從工作狀態(tài)恢復到平衡狀態(tài)一般需要一定時間，與荷電狀態(tài)、溫度等狀態(tài)有關，低溫下需要數(shù)小時以上，所以該方法單獨使用只適于電動汽車駐車狀態(tài),不適合動態(tài)估計。4）基于電池模型的開路電壓法通過電池模型可以估計電池的開路電壓， 再根據 OCV 與 SOC 的對應關系可以估計當前電池的 SOC 等效電路模型是最常用的電池模型。對于這種方法，電池模型的精度和復雜性非常重要。華等人收集了 12 個

27、常用等效電路模型，包括組合模型，Rint模型（簡單模型），具有零狀態(tài)滯后模型的 Rint 模型，具有單態(tài)滯后模型的 Rint 模型，具有兩個低通濾波器增強型自校正（ESC）模型，具有四個低通濾波器的 ESC 模型，一階 RC 模型，一個狀態(tài)滯后的一階 RC 模型，二階 RC 模型，具有單態(tài)滯后的二階 RC 模型，三階 RC 模型和具有單態(tài)滯后的三階 RC 模型。電化學模型是建立在傳質、化學熱力學、動力學基礎上，涉及電池內部材料的參數(shù)較多，而且很難準確獲得，模型運算量大，一般用于電池的性能分析與設計。如果電池模型參數(shù)已知，則很容易找到電池 OCV。然后使用通過實驗得出的 OCV-SOC 查找表，

28、可以容易地找到電池SOC。研究人員使用這種方法，并分別采取 RINT 模型，一階 RC,二階 RC 模型，發(fā)現(xiàn)使用二階 RC 模型的最大估計誤差是 4.3%,而平均誤差是 1.4%。3.363.343.323.3Q3.283.263.243.22圖 6 充放電 C/的 LiFePO 的 OCV 曲線 4（在 25c 測量，休息時間 3 小時）5）神經網絡模型方法神經網絡模型法估計SOC 是利用神經網絡的非線性映射特性，在建立模型時不用具體考慮電池的細節(jié)問題，方法具有普適性，適用于各種電池的 SOC 估計，但是需要大量樣本數(shù)據對網絡進行訓練，且估算誤差受訓練數(shù)據和訓練方法的影響很大，且神經網絡法

29、運算量大，需要強大的運算芯片（如 DSP 等）。6）模糊邏輯方法模糊邏輯法基本思路就是根據大量試驗曲線、經驗及可靠的模糊邏輯理論依據，用模糊邏輯模擬人的模糊思維，最終實現(xiàn) SOC 預測，但該算法首先需要對電池本身有足夠多的了解，計算量也較大。7）基于電池性能的 SOC 估計法基于電池性能的 SOC 估計方法包括交流阻抗法、直流內阻法和放電試驗法。交流阻抗法是通過對交流阻抗譜與 SOC 的關系進行 SOC 估計。直流內阻法通過直流內阻與電池 SOC 的關系進行估計交流阻抗及直流內阻一般僅用于電池離線診斷，很難直接應用在車用 SOC 實時估計中，這是因為，采用交流阻抗的方法需要有信號發(fā)生器，會增加

30、成本；電池阻抗譜或內阻與 SOC 關系復雜，影響因素多（包括內阻一致性）；電池內阻很小，車用電池在毫歐級，很難準確獲得；鋰離子電池內阻在很寬范圍內變化較小，很難識別。8）融合算法目前融合算法包括簡單修正、加權、卡爾曼濾波或擴展卡爾曼濾波（EKF）、滑模變結構等。簡單修正的融合算法主要包括開路電壓修正、滿電修正的安時積分法等。對于純電動車電池，工況較為簡單，車輛運行時除了少量制動回饋充電外主要處于放電態(tài)，站上充電時電池處于充電態(tài)，開路電壓的滯回效應比較容易估計；電池容量大，安時積分的誤差相對較小；充滿電的機率大，因此，采用開路電壓標定初值和滿電修正的安時積分方法可以滿足純電動車電池 SOC的估計

31、精度要求。對于混合動力車電池，由于工況復雜，運行中為了維持電量不變，電流有充有放；停車時除了維護外，沒有站上充電的機會；電池容量較小，安時積分的相對誤差大。因此，簡單的開路電壓修正方法還不能滿足混合動力車電池SOC 的估計精度要求，需要其他融合方法解決。加權融合算法是將不同方法得到的 SOC 按一定權值進行加權估計的方法。 MarkVerbrugge 等采用安時積分獲得 SOCc與采用具有滯回的一階 RC 模型獲得 SOCv 的加權方法估計 SOC,計算公式為SOC=式中，w 為權值。該算法已經在 GM 混合動力系統(tǒng)中應用。卡爾曼濾波是一種常用的融合算法。由于 SOC 不能直接測量，目前一般將

32、兩種估計 SOC 的方法融合起來彳&計。SOC被當成電池系統(tǒng)的一個內部狀態(tài)分析。又由于電池系統(tǒng)為非線性系統(tǒng)，因此采用擴展的卡爾曼濾波方法，通常采用安時積分與電池模型組成系統(tǒng)進行計算。Plett 等研究了安時積分與組合模型、Rint 模型（簡單模型）、零狀態(tài)滯回 Rint 模型、一狀態(tài)滯回 Rint 模型、加強自修正模型的卡爾曼濾波融合算法。Wang 等研究了安時積分與二階 RC 模型的卡爾曼濾波融合算法。夏超英等研究了安時積分與一階 RC 模型的卡爾曼濾波算法，指出 EKF 作為一個狀態(tài)觀測器，其意義在于用安時積分法計算 SOC 的同時，估計出電容上的電壓，從而得到電池端電壓的估計值作

33、為校正 SOC 的依據，同時考慮噪聲及誤差的大小，確定每一步的濾波增益，得到開路電壓法在計算 SOC 時應占的權重，從而得到 SOC 的最優(yōu)估計。這樣就把安時積分法和開路電壓有機地結合起來，用開路電壓克服了安時積分法有累積誤差的缺點，實現(xiàn)了 SOC 的閉環(huán)估計。同時，由于在計算過程中考慮了噪聲的影響，所以算法對噪聲有很強的抑制作用。這是當前應用最廣的 SOC估計方法。Charkhgard 等采用卡爾曼濾波融合了安時積分與神經網絡模型，卡爾曼濾波用于 SOC 計算的核心是建立合理的電池等效模型，建立一組狀態(tài)方程，因此算法對電池模型依賴性較強，要獲得準確的 SOC,需要建立較為準確的電池模型，為了

34、節(jié)省計算量，模型還不能太復雜。Ouyang 等提出一種實時性好的基于電化學機理的等效電路模型的 SOC 卡爾曼濾波算法， 在保證計算速度基礎上， 提高了 SOC 的估計效果，尤其是低 SOC 區(qū)的估計精度。但是卡爾曼濾波法的缺點還有卡爾曼增益不好確定，如果選擇不好狀態(tài)將發(fā)散。Kim等提出采用滑模技術克服卡爾曼濾波的缺點，據稱該方法對于模型參數(shù)不確定和干擾具有較強的魯棒性。9）電池組 SOC 估計電池組由多節(jié)電池小并聯(lián)組成，由于電池單體間存在不一致性，成組后的電池組 SOC 計算更為復雜由多個電芯并聯(lián)連接的電池模塊可以被認為是具有高容量的單個電池，并且由于并聯(lián)連接的自平衡特性，可以像單個電池一樣

35、估計SOC。圖 7 電池模塊的無用容量和剩余容量（以 2 個電池的電池模塊為例）在串聯(lián)連接條件下， 粗略的估計電池模塊的 SOC 也可以像單體電池一樣， 但考慮到電池的均勻性， 情形會有些不同。假設電池模塊中每個單體電池的容量和 SOC 是已知的。如果有一個非常高效且無損的能量均衡裝置，則電池模塊的 SOC:其中，SOCM 表示電池模塊的 SOC,SOCi 表示第 i 個電池單元的 SOC,Ci 表示第 i 個電池單體的容量。如果平衡裝置不是那么有效，真正的電池模塊的 SOC 與該平衡裝置的實際性能有關。如果只有耗散式的被動均衡功能或者沒有均衡功能，則電芯中存在一部分無法利用的容量如圖 6 所

36、示，并日隨著電池差異性的加劇，這種浪費的容量的比例會越來越大。因此，電池模塊的容量表示為：C=inin(SOQQ)+niin(l-SOCjQ)電池模塊可用容量表示為:CR= =min(SOCjCimin(SOCjCisua=PSIA電池模組的荷電狀態(tài)表示為:niin(SOC|Q)mintSOCfCj+min(l-SOQC；i由此，在每一節(jié)電池單體 SOC 都可估計的前提下，就可以得到電池組的 SOC 值。要獲取單體的 SOC 值，最直接的方法就是應用上述 SOC 估計方法中的一種，分別估計每一個單體的 SOC,但這種方法的計算量太大。為了減小計算量，部分文獻4345在估計電池成組的 SOC 方

37、法上做了一些改進研究。Dai 等44采用一個 EKF 估計電池組平均SOC,用另一個 EKF 估計每個單體 SOC 與平均 SOC 之差 ASOC 估計 ASOC 的 EKF 中需要估計的狀態(tài)量只有一個， 因此算法的計算量較小。另外，考慮到 ASOC 的變化很慢，采用雙時間尺度的方法可以進一步減小計算量。Zheng 等提出了一種 M+D 模型，即一個相對復雜的電池單體平均模型 M,和一個簡單的單體差異模型 D,利用最小二乘法計算單體與平均單體”之間的差值 AOCV,通過 ASOC 與 AOCV 的關系，可以計算每個單體的 SOC 值。表 2 各種 SOC 估計方法比較Comparisonoft

38、heSOCestinubonimethodsComparisonoftheSOCestinubonimethodsMrlhodMrlhodAdvjnUgeAdvjnUgeD&WiMiUD&WiMiU薩InputInput曲，揖隼打V Vti*tbodti*tbode e婚y y|皿用rjnrjn xEMoffline,energyl(xEMoffline,energyl( s.s.鹿EIEIH Hn nmgmgE EI IM M遇e,Uiptcicy.e,Uiptcicy.Amp*iAmp*i -hourkmenrjl-hourkmenrjlEjsyitoimplement.E

39、jsyitoimplement.DeiundsewiLheintulOCvjkie.DeiundsewiLheintulOCvjkie.Cuncnttjpjcity,Cuncnttjpjcity,CCHUCCHUkxnbkxnb Niaency.Niaency.mefhedmefhedccurMeif(heccurMeif(he麗itUISOCvjiueitUISOCvjiue；ihecurrenlihecurrenlewret 檢nrandtheeflKiencyisprsase.nrandtheeflKiencyisprsase.Needsjccurdcevjluetrflhself-di

40、Needsjccurdcevjluetrflhself-di時hjhj浜rjterjteJ JndtheBukxndtheBukx他rfficimcy.Nwd5hiRhrfficimcy.Nwd5hiRh鼻工匚uratenrrdsurementofrhecurrentNotsutablefuratenrrdsurementofrhecurrentNotsutableforbdtreforbdtref史寫und.erwrydynums.Lti4idilJCKLS.und.erwrydynums.nhemeriiSiciwunhemeMUMUitNitN陣Cuircnl,vMCuircnl,vM用

41、一Rillurymodd.Rworknetwork叫deldelSuitableforSuitableforM M用ndnd、ofiMtceriw.ofiMtceriw.NeedsUqKanwmtofCraning,NeedsUqKanwmtofCraning,a atataCurrent,Current,TOTOIIIIJISPJISP. .cwiulaXiveinituliSOGcwiulaXiveinituliSOGet.et.FuzzykgicFuzzykgicRrMUruebhiwdvncfMRrMUruebhiwdvncfM曲FuzzythinkmFuzzythinkm居ofhum

42、anbcingiofhumanbcingiNoiccurdte.NodtheiniEMlSOCerror.jndtheiniEMlSOCerror.IMIMofcornpuflon.Compbcjfeillisubiltytflheofcornpuflon.Compbcjfeillisubiltytflhepinisundteirdbie,.pinisundteirdbie,.CuinentCuinentg。熙cjpKuty,todombdllawp,wlldxlucjpKuty,todombdllawp,wlldxluF F豌啞麗山SOCVdiurOrnerymodel.SOCVdiurOr

43、nerymodel.qidinigmodeobserverqidinigmodeobserverAcWAcW帥3030弼idyvwnik.Inenisifivpoftheidyvwnik.InenisifivpoftheM MM M. .m&lem&lenwandtheimlidlSOCvdlijeerror.nwandtheimlidlSOCvdlijeerror.Nonirmr.HotfNonirmr.Hotf sysyIDIDimptemmLimptemmLCurreini.volrCurreini.volr上辨.cjpjcely.coulombeftiCDprKy,cj

44、pjcely.coulombeftiCDprKy,轉懂/忙1 1邛？iniciJiniciJ與,吟派*造明xExE率，血匚L.L.表 3 不同 SOC 估計方法的 SOC 估計誤差表 2 中比較了不同的 SOC 估算算法。表 3 總結了每種方法的 SOC 估計誤差。綜合比較上述常用的 SOC 估計方法，卡爾曼濾波等基于電池模型的 SOC 估計方法精確可靠，配合寸路電壓駐車修正是目前的主流方法。上篇和中篇兩篇文章中，介紹的 BMS 功能需求包括電池電壓測量、數(shù)據采樣頻率同步性，溫度估計和 SOC 估計。本文，是一個典型的動力電池管理系統(tǒng)，需要實現(xiàn)哪些功能的最后一個部分，內涉及 SOH（健康狀態(tài)）

45、估計、SOF（功能狀態(tài)）估計及 SOE（可用能量狀態(tài)）估計、SOS（安全狀態(tài)）估計。AuthorYearPop2006HW.He2012EHUao2011KTChau2004J.Wang2007M.Verbrugge2004CY*Xia2007KShi2006QH.Mao2010M.Charkhgard201011-SongKim2006SOCestimationmethodOCVmethodBatterymodelbasedSOCestimationmethodNeuralnetworkmodelMeuro-fuzzyinfeencesystemFuzzylogicWeightedfusio

46、nalgorithmEKFEKFUKFEKF(ModelisfromNeuralNetworks)SlidingmodeobserverSOCestimationerrorMax12%Max4327%Mean1423%Max4%MeanMMax10%Max10%0.7%Max4%Max/+c7?r鄴駢瞿多式中，CP為容量衰減率，;nc 為充放電循環(huán)壽命，次；T 為絕對溫度，K;I 為放電電流，A;a、b、c、1、m、f、a、0、卜刀均為常數(shù)，可以通過試驗擬合確定。Li 等考慮了電池壽命的多個影響因素，如環(huán)境溫度、放電倍率、放電截止電壓、充電倍率和充電截止電壓等，提出了基于耦合強度判斷和多因素輸

47、入的壽命建模方法(模型中溫度的影響也參考了 Arrhenius 建模方法、電物理量的影響參考逆幕規(guī)律)，并基于模型的因素敏感性分析了各因素對電池壽命影響的權重，耐久性模型對電池壽命的預測誤差為 15%以內。Han 等在分析電池性能衰減基礎上，認為以石墨為負極的鋰離子電池的性能衰減主要是因為負極 SEI膜增厚消耗活性鋰離子，正常的 SEI 膜增厚消耗的鋰離子與時間呈 1/2 次方關系，但一般電池存在疲勞龜裂消耗了更多的活性鋰離子，因此性能衰減與時間的關系大于 1/2 次方?；?Arrhenius 模型建立了 4 款以石墨為負極的鋰離子電池的性能衰減離散模型，并提出基于該離散模型的閉環(huán)參數(shù)修正方

48、法，經過幾次容量修正后，模型參數(shù)趨于穩(wěn)定。其他外特性建模方法還有神經網絡模型，如 Jungst 等在研究以 LiNi0.8Co0.15Al0.05O2 為正極材料的電池貯存壽命時建立的神經網絡模型。借鑒機械疲勞研究成果，Safari 等采用機械疲勞研究中常用的 Palmgren-Miner(PM)法則預測電池容量在簡單和復雜工況下的衰減情況，并與損害時間累計法(capacity-lossaccumulationovertime,LAT)進行比較，結果表明 PM 法好于 LAT 法。2)基于電池模型參數(shù)辨識法參數(shù)辨識方法主要基于已有的電池模型，采用最優(yōu)狀態(tài)估計技術，如最小二乘法、卡爾曼濾波等算法

49、,根據運行的數(shù)據，對電池模型參數(shù)如容量、內阻等進行辨識，從而獲得電池的壽命狀態(tài)。Plett 將內阻和容量作為系統(tǒng)狀態(tài)參數(shù)，構建了內阻估計狀態(tài)方程和容量估計狀態(tài)方程。采用擴展的雙卡爾曼濾波方法獲得內阻和容量。Gould 也基于卡爾曼濾波方法和線性擬合方法辨識電池模型中的容量，繼而獲得容量隨運行循環(huán)數(shù)的衰減情況。還有將電池等效電路模型中的內阻視為低頻阻抗，采用滑模控制技術進行辨識。Remmlinger 介紹了一種用于混合動力車的電池內阻在線辨識方法，為了實現(xiàn)在線應用，改進了二階 RC 模型，然后基于特殊的負載信號（發(fā)動機啟動時的短暫電壓及電流），采用線性最小二乘法獲得電池模型的內阻值。Verbru

50、gge 認為如果對系統(tǒng)狀態(tài)參數(shù)、測量參數(shù)和噪音的演變過程比較了解，采用卡爾曼濾波優(yōu)化算法來遞歸辨識是最具有代表性的方法。如果缺乏對狀態(tài)參數(shù)、測量參數(shù)、噪音的全面了解，采用具有時間指數(shù)遺忘因子的加權遞推最小二乘法將是一個較為務實的方法。Wang 發(fā)現(xiàn) Verbrugge 采用疊加積分計算電壓的電池模型遞推算法在采樣頻率較高時變得不是很穩(wěn)定。據此改進了電池模型的算法，并同樣也采用指數(shù)遺忘因子的加權遞推最小二乘法辨識電池參數(shù)（開路電壓及內阻等）。Chiang采用線性或非線性系統(tǒng)控制中常用的自適應控制方法，建立了基于電池等效電路模型的參數(shù)估計框架，其中為了便于采用自適應控制技術，鋰離子電池等效電路模型

51、采用狀態(tài)方程來描述，可用于在線監(jiān)測電池內阻及 OCV,分別用于確定 SOHSOCoEinhorn根據 ASOC=Ah/C 的關系，估計容量的大小，方法為：CLJ-5恤。5（力）-%俱式中，任意兩個時刻（a,B）的 SOC 由 OCV 查表得到，該方法可在實際中應用，可以取若干個點，兩兩搭配計算出多個容量值，再取平均值或中位數(shù)。這種方法比較簡單，但關鍵在于 OCV 能否精確辨識。3）電池組 SOH 估計在不進行均衡的條件下，電池組的容量衰減將遠大于單體的容量衰減，鄭岳久等提出用兩維散點圖解釋電池組容量衰減的機理， 指出電池組的容量衰減量為剩余充電電量最小單體的容量損失與單體間負極的活性鋰離子損失

52、差異之和。 為了得到電池組的容量， 需要首先獲得單體的容量。 單體容量獲取可以通過上述基于模型參數(shù)的辨識方法獲得，也可以通過充電電壓曲線變換方法獲取。3.4 功能狀態(tài)（SOF）估計估計電池 SOF 可以簡單認為是在估計電池的最大可用功率。一般而言，電池的最大可用功率受到電流、電壓、SOC、溫度等參數(shù)的限制，還與電池的老化程度、故障狀態(tài)等有關。常用的 SOF 估計方法可以分為基于電池 MAP 圖的方法和基于電池模型的動態(tài)方法兩大類。1）基于 MAP 圖算法基于電池測試（通常為 HPPC 測試）數(shù)據和最大、最小電壓限制，可以獲得在不同 SOC 下的最大充放電功率。在不同溫度、不同衰減程度下進行電池

53、測試，可以建立最大充放電功率與溫度、SOC、SOH 的關系，得到最大充放電功率 MAP 圖?；?MAP 圖，實車 BMS 可以通過插值得到電池的最大充放電功率，實現(xiàn) SOF 估計。Do 等分別研究了不同 SOC、溫度、累計放電容量下的最大充放電功率，并建立了最大充放電功率的函數(shù)解析式，實現(xiàn)了對 SOF 的預測?；?MAP 圖的估計方法簡單直接，但需要存儲多維 MAP 圖，并且只考慮了靜態(tài)特性，而對動態(tài)工況下的充放電功率估計有一定的局限性。2）基于電池模型的動態(tài)算法根據電池模型，綜合考慮電池的電流、電壓、SOC、功率等限制，可以得到最大充放電電流，從而計算得到電池的最大充放電功率。韓雪冰根據

54、電池模型，給出不同電流輸入情況下電池的端電壓情況，通過迭代計算，獲得電池單體在電壓限制條件下所允許的最大電流 Imax,voltage 和最小電流Imin,voltage,并且從電池的機理出發(fā)，考慮了電池副反應速率限制下的最大最小電流，具方法類似于求取端電壓限制下的最大充放電電流。最后綜合考慮上述限制，獲得電池單體的最大最小電流。Sun 等分析比較了幾種最大可用功率預測方法，包括 HPPC 法、SOC 限制法、電壓限制法，以及基于動態(tài)模型的多參數(shù)估計法，并通過 HPPC 測試得到充放電電阻，基于 Rint 模型，利用端電壓限制，估計電池的最大充放電功率。但這種方法估計的實際上是瞬時最大功率。并

55、且由于 Rint 模型不夠精確，可能過于樂觀地估計了功率，還可能引起過充過放。與前述方法基本相同，Sun 等認為若允許的 SOC 變化范圍很大，計算出的最大最小電流可能很大，并不合理，應與其他方法聯(lián)合使用。電壓限制法考慮在端電壓限制下一段時間內的最大充放電功率，但仍使用了 Rint 模型，原理上與前述方法類似，只是算法上并沒有采用迭代估計的方法，而是基于模型直接計算電流限值?；趧討B(tài)模型的多參數(shù)估計方法實質上是基于 Thevenin 模型的電壓限制法，綜合 SOC 與電流的限制，進而得到最大充放電電流。以上是獲得電池單體最大充放電電流的方法。實車上電池組由眾多電池單體組成，由于單體之間存在不一

56、致性，若要單獨計算每個電池單體的最大可用功率，計算量太大，韓雪冰提出了充、放電關鍵電池單體的概念，以減少計算量。綜合考慮各種限制條件，可以得到最終的最大最小電流 Imax,total 和 Imin,total,將 Imax,total、Imin,total 代入電池模型中可計算得到對應的端電壓Umax,total,Umin,total,進一步可以得到最大充放電功率，即iniini”iiiiii.riiil11iiiiii.riiil111 1L L*.*.3.5 剩余能量（RE）或能量狀態(tài)（SOE）估計剩余能量（RE）或能量狀態(tài)（SOE）是電動汽車剩余里程估計的基礎，與百分數(shù)的 SOE 相比，RE 在實際的車輛續(xù)駛里程估計中的應用更為直觀。在電動汽車使用過程中，電池的剩余能量（RE）是指以某一工況行駛時，從當前時刻直至電池放電截止過