干货丨BMS算法中关于健康状态（SOH）的模型设计来自IND4汽车人叶磊Ray的分享_数字货币

[2021-02-03 02:18:08] 来源：编辑：wangjia 点击量：

评论 点击收藏

导读： 一目了然动力电池体例始末永恒运转性能将平素的衰减，如何有效的评估电池矫捷度SOH（stateofhealth）不只是策画SOC、SOP等环节参数的紧急字据，同时对评价动力电池系一目了然动力电池体例

一目了然动力电池体例始末永恒运转性能将平素的衰减，如何有效的评估电池矫捷度SOH（stateofhealth）不只是策画SOC、SOP等环节参数的紧急字据，同时对评价动力电池系

一目了然动力电池体例始末永恒运转性能将平素的衰减，如何有效的评估电池矫捷度SOH（state of health）不只是策画SOC、SOP等环节参数的紧急字据，同时对评价动力电池系统何时需改换、是否可降级行使，降级之后的利用价值评估等方面都有介意大的参考乐趣。但锂电池的衰减进程是典范的非线性电化学体例机理，且化学内中脾气参数不易被丈量因而对SOH的确切评估有着不小的难度。与此同时区别的操纵场景对电池的操纵花样（soc区间、倍率、境况温度等）也有着分歧的条件，如EV车型普通会盛开20%~100%的SOC区间，而PHEV车型SOC开放区间略幼，一旦进入低SOC区间则会投入CS形式。是以正在动力电池铺排阶段就供给遵照本质运转工况来评估电池的寿命，使电池体例尽惧怕的餍足全生命周期的愚弄需要，况且只要齐集本质工况的测试试验布置才畏惧使后续的SOH估算可履行。

对待SOH的估算通常会从两个分别的维度切入判辨，第一个维度是基于电化学机理的维度，巡视内容以活性锂离子的丢失，质量晶格的塌陷等里面反映机理为主。第二个维度是基于电池外脾气涌现的维度，以巡视电流、电压、温度等表个性参数为主。由于前者涉及的里面个性不易被衡量，是以BMS算法平庸接纳第二个维度实行SOH的评估。本文也要紧以基于外性格的SOH估算手法来研讨。

动作花消者全班人们运用电池的融会往往是用得越久电池的续航就越少，功率职能就越差，总的来谈就是动力电池职能会随着“运转诈欺”不绝“机能衰减”。在算法层面普通会将“运行使用”理会为日历寿命（calendar life）和循环寿命（cycle life）两局限，同时又将“机能衰减”理解为容量降低（Capacity fade）和内阻提升（DCR growth）两个别。以此阅历一系列的电芯尝试实习找到上述成分之间的相关。

经过永久的测验实践我们们寻常以为充放电倍率（C rate）、放电深度（DOD）、温度（T）三个成分对电池机能的衰减起到了要害的感染。因此正在循环寿命模型中电流、单体电压、SOC、温度、布置时光是最主要的输入参数。

其中对模型精确性起合头效果的重心正在于通过若何样的试验得回三名望的影响系数。下图是轮回寿命尝试数据矩阵，试验中选取了两颗A123 2.2Ah的26650电芯正在一律条款下举行。可见若于是穷举试验法竣工如下试验有着极其大的作事量，可行性并不是很高。

在此前《从三个维度明白动力电池尝试的宗旨和伎俩》的文中作家提到过“单地位测验法”，以某一特定条目为基准，仅改换温度、DOD、倍率中的一个参数，从而得回该身分对电池衰减的浸染系数。如：以70%DOD、25℃、1C倍率充放为基准开展的实践。

邦表也有切磋者选用了该计划进行了如下实践，以90% DOD，0.5C，60℃为基准（作家平平接纳25℃为基准的意思正在于使试验迫近厉重的行使境况，而采纳60℃为基准大概加速尝试周期消浸测试本钱）。起初更换了温度身分，离婚较劲了0℃、45℃、60℃情形下容量的衰减。

再仍旧0.5C，60℃牢固，选用10%、20%、50%、80%、90%DOD获得该地位对电池衰减的陶染系数。（因为DOD区别导致每次轮回的模糊容量分歧，以是提供将左图换算为右图得回可进行比力的闭连）

对尝试收场举行线性化处置即可得到差异温度、DOD、倍率的衰减因素表。正在算法模子中即可实时状况举办积分，将实际工况导致的电池衰减折关为基准条目下的电池衰减弧线。末了将展望终局与实测处境进行参照比力，验证数据拟合的有效性。

供应详尽的是除了属意轮回引起的容量衰减，也供应正在必然的轮回次数屏绝中实行HPPC实验，获取电池内阻的挫折。当然借使供给得回更确切的估计，则或许从来将内阻的转变分解至欧姆内阻，极化内阻的蜕变，并得回等效电路模型中的RC参数与寿命衰减的合系

除循环以外，动力电池的抛弃也会对机能衰减爆发感染。电池正在搁置工夫的温度是首要的陶染系数。

从LFP弃捐实验结局来剖判，电池留存温度越低容量衰减快率越慢，并且电池内阻晋升也越小。如下图的试验数据中将电池在40℃、30℃、20℃、10℃、0℃、-10℃、-20℃中长期抛弃，-20℃景况下对职能的陶染最幼。

遵命此前的斟酌发掘锂离子电池的本能衰减与年华呈1/2次方合系，即Cap_loss=Kf×t1/2，与实际测试处境较为切关。所以BMS算法正在初始化过程中可阅历对弃置岁月和状况温度的音信对容量和内阻仳离进行厘革。

经验Cycle Life Model和Calendar Life Model我们们离别得到两组容量衰减与内阻减少的参数。并以如下公式荧惑可得回两个维度别离估算的SOH值。

对待EV而言SOH_Capacity更有参考价钱，对于HEV而言SOH_DCR更代外动力电池餍足需求的气力。而更为过时的做法是去两个维度估算值的最幼者。

假若仅仅选取上述的SOH估算伎俩则完好是开环控制，不论是参数精度不够或是积分上的缺点都将导致弗成革新的偏移。寻常情形下BMS可以在充电过充中对一个满充历程举行逮捕，从而能对SOH的估算完结举行改善，以此来进步全局算法的精度。需要全面的是刷新前要充分琢磨充电经过中的温度位置和包管SOC的确切性。

BMS正在运行期间会一直纪录动力电池所处的温度、SOC与光阴的关系以得到电池体系永远工况流传图。往日在没有远程监控系统的辅帮下，全部人仅仅体验人工体味对该数据解析也可粗心评估出电池体例的老化情状。而随着长道监控体系成为电动汽车的标配，监控中心以小于30s的周期取得并纪录下了多量体例从BOL至EOL的数据。在来日基于大数据的SOH评估必然会有巨大争执。

基于大范畴运转数据实行SOH估算的理论事实便是大数定律(law of large numbers)，外面上只须获得了肯定范围的电池编制长期运转工况数据和机能状况则有时机体验几何个简单的模型替换一个繁杂的模型暴露出SOH的演化依次。欺骗大数据实行机械学习的利益在于成立一套通用性强的机制手法并可实用于差别利用场景、跨越分歧电芯体例，是以非常适合驾御多量分别车型联网数据的机关（如上海国际汽车城、北理工等）起色该方案的切磋。但即使如斯基于BMS及时领悟的SOH参数维持是底蕴，未来的趋向会是两者的充沛纠合。

当然动力电池编制除了电池之表还席卷了BMS、兵戈器、线束等其我们部件。于是BMS在算法上也供给对此类部件实行适当的寿命评估，席卷无误记载各个接触器寻常吸关次数、带载异常断开次数、LECU均衡韶华、传感器超温运转时光等实质，此处不做开展研商。

解说：本文由入驻搜狐公众平台的作者撰写，除搜狐官方账号外，宗旨仅代表作者本人，不代表搜狐态度。