一个典型的动力电池管理系统,需要实现哪些功能完全篇

1、一个典型的动力电池管理系统，需要实现哪些功能(完全篇)电池管理系统，BMSBMS( (BatteryManagementSystemBatteryManagementSystem),是电动汽车动力电池系统的重要组成。它一方面检测收集并初步计算电池实时状态参数，并根据检测值与允许值的比较关系控制供电回路的通断；另一方面，将采集的关键数据上报给整车控制器，并接收控制器的指令，与车辆上的其他系统协调工作。电池管理系统，不同电芯类型，对管理系统的要求往往并不一样。那么，一个典型的动力电池管理系统具体都需要关注哪些功能呢？今天翻译整理了一篇文章，一起看看 BMSBMS 的关键技术，整体内容分成上中下三个

2、部分。一个典型的动力电池管理系统，需要实现哪些功能（上篇）1 简介电动汽车用锂离子电池容量大、用并联节数多，系统复杂，加之安全性、耐久性、动力性等性能要求高、实现难度大，因此成为影响电动汽车推广普及的瓶颈。锂离子电池安全工作区域受到温度、电压窗口限制，超过该窗口的范围，电池性能就会加速衰减，甚至发生安全问题。目前，大部分车用锂离子电池，要求的可靠工作温度为，放电时-2055C,充电时 045C（对石墨负极），而对于负极 LTO 充电时最低温度为-30;工作电压一般为 1.54.2V 左右（对于 LiCoO2/C、LiNi0.8Co0.15Al0.05O2/C、LiCoxNiyMnzO2/C 以

3、及 LiMn2O4/C 等材料体系约 2.54.2V,对于 LiMn2O4/Li4Ti5O12 材料体系约 1.52.7V,对于LiFePO4/C 材料体系约 2.03.7V）。温 度 对 锂 电 池 性 能 尤 其 安 全 性 具 有 决 定 性 的 影 响 ， 根 据 电 极 材 料 类 型 的 不 同 ， 锂 电 池（C/LiMn2O4C/LMO,C/LiCoxNiyMnzO2,C/NCM,C/LiFePO4,C/LiNi0.8Co0.15Al0.05O2,C/NCA）典型的工作温度如下：放电在-20-55C,充电在 0-45C；负极材料为 Li4Ti5O12 或者 LTO 时，最低充电

4、温度往往可以达到-30C。当温度过高时，会给电池的寿命造成不利影响。当温度高至一定程度，则可能造成安全问题。如图所示图 1 中，当温度为 90120C 时，SEI 膜将开始放热分解13,而一些电解质体系会在较低温度下分解约 69c40当温度超过 120C,SEI 膜分解后无法保护负碳电极，使得负极与有机电解质直接反应， 产生可燃气体将3o 当温度为 130C,隔膜将开始熔化并关闭离子通道， 使得电池的正负极暂时没有电流流动5,6。当温度升高时，正极材料开始分解（LiCoO2 开始分解约在 150C7,LiNi0.8Co0.15Al0.05O2 在约160C8,9,LiNixCoyMnzO2 在

5、名 210C8,LiMn2O4 在约 265C1,LiFePO4 在约 310c7）并产生氧气。当温度高于 200c 时，电解液会分解并产生可燃性气体3,并且与由正极的分解产生的氧气剧烈反应9,进而导致热失控。在 0c 以下充电，会造成锂金属在负极表面形成电镀层，这会减少电池的循环寿命。10过低的电压或者过放电，会导致电解液分解并产生可燃气体进而导致潜在安全风险。过高的电压或者过充电，可能导致正极材料失去活性，并产生大量的热；普通电解质在电压高于 4.5V 时会分解12为了解决这些问题，人们试图开发能够在非常恶劣的情况下进行工作的新电池系统，另一方面，目前商业化锂离子电池必须连接管理系统， 使

6、锂离子电池可以得到有效的控制和管理， 每个单电池都在适当的条件下工作，充分保证电池的安全性、耐久性和动力性。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广汕* * 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气、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图 1 为锂离子电池的安全操作窗口2 电池管理系统定义电池管理系统的主要任务是保证电池系统的设计性能，可以分解成如下三个方面：1）安全性，保护电池单体或电池组免受损坏，防止出现安全事故；2）耐久性，使电池工作在可靠的安全区域内，延长电池的使用寿命；3）动力性，维持电池工作在满足车辆要求的状态下。锂离子电池的安全工作区域如图 1 所示Ivntitrr|htetterllixn*inIvnti

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

11、Hnptnhire、iUttt?tancutimtknHknuruiunrSjtlcPhij口物耻回加lkmptratun；mtusuftmtmtusuftmtinpiibnvduknvduk3.1电池电压测量（CVM）电池电压测量的难点存在于以下几个方面：（1）电动汽车的电池组有数百个电芯的串联连接，需要许多通道来测量电压。由于被测量的电池电自有累积电势，而每个电池的积累电势都不同，这使得它不可能采用单向补偿方法消除误差。图 3OCV 曲线和每毫伏电压的 SOC 的变化（在 25c 测量，休息时间 3 小时）()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）电压测量需要高精度（特别是对于 C/LiFePO4 电池）。SOC 估算对电池电压精度提出了很高的要求。这里我们以 C/LFP 和 LTO/NCM 型电池为例。图 3 显示了电池 C/LiFePO4 和 LTO/NCM 的开路电压（OCV）以及每mV 电压对应的 SOC 变化。从图中我们可以看到 LTO/NCM 的 OCV 曲线

13、的斜率相对陡峭，且大多数 SOC 范围内，每毫伏的电压变化对应的最大 SOC 率范围低于 0.4%（除了 SOC6070%）。因此，如果电池电压的测量精度为 10mV,那么通过 OCV 估计方法获得的 SOC 误差低于 4%。因此，对于 LTO/NCM 电池，电池电压的测量精度需要小于 10mV。但C/LiFePO4OCV 曲线的斜率相对平缓，并且在大多数范围内（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赛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即帅1 1。3 3Y Y岂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阈4 46 60 01 12 2l lb b立，四1 1工匚I In np pL Li i刚邺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数据采样频率同步性信号的采样频率与同步对数据实时分析和处理有影响。设计 BMS 时，需要对信号的采样频率和同步精度提出要求。但目前部分 BMS 设计过程中，对信号采样频率和同步没有明确要求。电池系统信号有多种，同时电池管理系统一般为分布式，如果电流的采样与单片电压采样分别在不

16、同的电路板上；信号采集过程中，不同控制子板信号会存在同步问题，会对内阻的实时监测算法产生影响。同一单片电压采集子板，一般采用巡检方法，单体电压之间也会存在同步问题，影响不一致性分析。系统对不同信号的数据采样频率和同步要求不同，对惯性大的参量要求较低，如纯电动车电池正常放电的温升数量级为 1C/10min,考虑到温度的安全监控，同时考虑 BMS 温度的精度（约为 1C）,温度的采样间隔可定为 30s（对混合动力电池，温度采样率需要更高一些）。电压与电流信号变化较快，采样频率和同步性要求很高。由交流阻抗分析可知，动力电池的欧姆内阻响应在 ms级，SEI 膜离子传输阻力电压响应为 10ms级，电荷转

17、移（双电容效应）响应为 110s 级，扩散过程响应为 min 级。目前，电动车加速时，驱动电机的电流从最小变化到最大的响应时间约为 0.5s,电流精度要求为 1%左右，综合考虑变载工况的情况，电流采样频率应取 10200Hz0单片信息采集子板电压通道数一般为 6 的倍数，目前最多为 24 个。一般纯电动乘用车电池由约 100 节电池串联组成，单体电池信号采集需要多个采集子板。为了保证电压同步，每个采集子板中单体问的电压采样时间差越小越好，一个巡检周期最好在 25ms 内。子板之间的时间同步可以通过发送一帧 CAN 参考帧来实现。数据更新频率应为 10Hz 以上。一个典型的动力电池管理系统，需要

18、实现哪些功能（中篇）上篇说到，锂电池系统庞大，需要电池管理系统的监督和优化，以维护其安全性、耐久性和动力性。上篇中提及的 BMSBMS 功能需求包括电池电压测量、数据采样频率同步性。本文继续，中篇讲述温度估计和 SOCSOC 估计。预报，明天的下篇中会包括电池状态包括：SOHSOH（健康状态估计）、SOSSOS（安全状态估计）、SOFSOF（功能状态估计）及SOESOE（可用能量状态估计）。这些功能是期望 BMSBMS 具备的，但实际应用中，出于客户要求、车型要求以及成本等等的考虑，实际设计到系统中的可能只是其中的几个。3.3电池状态估计电池状态包括电池温度、SOC（荷电状态估计）、SOH（健

19、康状态估计）、SOS（安全状态估计）、SOF（功能状态估计）及 SOE（可用能量状态估计）。各种状态估计之间的关系如图 4 所示。电池温度估计是其他状态估计的基础，SOC 估计受到 SOH 的影响，SOF 是由 SOC、SOH、SOS 以及电池温度共同确定的，SOE 则与 SOC、SOH、电池温度、未来工况有关。电赋放电能力蛇制蛇制）图 4.BMS 状态估计算法框架3.3.1 电池温度估计1 1( (1 11 11 1温度对电池性能影响较大，目前一般只能测得电池表面温度，而电池内部温度需要使用热模型进行估计。常用的电池热模型包括零维模型（集总参数模型）、一维乃至三维模型。零维模型可以大致计算电

20、池充放电过程中的温度变化，估计精度有限，但模型计算量小，因此可用于实时的温度估计。一维、二维及三维模型需要使用数值方法对传热微分方程进行求解，对电池进行网格划分，计算电池的温度场分布，同时还需考虑电池结构对传热的影响（结构包括内核、外壳、电解液层等）。一维模型中只考虑电池在一个方向的温度分布，在其他方向视为均匀。二维模型考虑电池在两个方向的温度分布，对圆柱形电池来说，轴向及径向的温度分布即可反映电池内部的温度场。二维模型一般用于薄片电池的温度分析。三维模型可以完全反映方形电池内部的温度场，仿真精度较高，因而研究较多。但三维模型的计算量大，无法应用于实时温度估计，只能用于在实验室中进行温度场仿真

21、。为了让三维模型的计算结果实时应用，研究人员利用三维模型的温度场计算结果，将电池产热功率和内外温差的关系用传递函数表达，通过产热功率和电池表面温度估计电池内部的温度，具有在 BMS 中应用的潜力。图 5 所示为电池内部温度的估计流程。电流图 5 电池内部温度估计流程一般地，锂离子电池适宜的工作温度为 1535C,而电动汽车的实际工作温度为-3050C,因此必须对电池进行热管理，低温时需要加热，高温时需要冷却。热管理包括设计与控制两方面，其中，热管理设计不属于本文内容。温度控制是通过测温元件测得电池组不同位置的温度，综合温度分布情况，热管理系统控制电路进行散热，热管理的执行部件一般有风扇、水/油

22、泵、制冷机等。比如，可以根据温度范围进彳 T 分档控制。Volt 插电式混合动力电池热管理分为 3 种模式：主动（制冷散热）、被动（风扇散热）和不冷却模式，当动力电池温度超过某预先设定的被动冷却目标温度后，被动散热模式启动；而当温度继续升高至主动冷却目标温度以上时，主动散热模式启动。3.2 荷电状态（SOC）估计SOC（StateofCharge）,可用电量占据电池最大可用容量的比例，通常以百分比表示，100%表示完全充电，0%表示完全放电。端电压SOC电 池产 热模型产热功率电池内外沮差模型内外温差电池内部温度实测电池表型感出这是针对单个电池的定义，对于电池模块（或电池组，由于电池组由多个模

23、块组成，因此从模块 SOC 计算电池组的SOC 就像电池电池单体 SOC 估计模块 SOC 一样），情况有一点复杂。在 SOC 估计方法的最后一节讨论。目前，对 SOC 的研究已经基本成熟，SOC 算法主要分为两大类，一类为单一 SOC 算法，另一类为多种单一 SOC 算法的融合算法。单一 SOC 算法包括安时积分法、开路电压法、基于电池模型估计的开路电压法、其他基于电池性能的SOC 估计法等。融合算法包括简单的修正、加权、卡尔曼滤波（或扩展卡尔曼滤波）以及滑模变结构方法等。1）放电测试方法确定电池 SOC 的最可靠方法是在受控条件下进行放电测试，即指定的放电速率和环境温度。这个测试可以准确的

24、计算电池的剩余电量 SOC,但所消耗的时间相当长，并且在测试完毕以后电池里面的电量全部放掉，因此这个方法只在实验室中用来标定验证电池的标称容量，无法用于设计 BMS 做车辆电池电量的在线估计。2）安时积分法安时积分计算方法为50c=SOCo-L/1?/drCMJ式中，SOC 为荷电状态；SOC0 为起始时刻（t0）的荷电状态；CN 为额定容量（为电池当时标准状态下的容量，随寿命变化）；”为库仑效率，放电为 1,充电小于 1;I 为电流，充电为负，放电为正。在起始荷电状态 SOC0 比较准确情况下，安时积分法在一段时间内具有相当好的精度（主要与电流传感器采样精度、采样频率有关）。但是，安时积分法

25、的主要缺点为：起始 SOC0 影响荷电状态的估计精度；库仑效率”受电池的工作状态影响大（如荷电状态、温度、电流大小等），“难于准确测量，会对荷电状态误差有累积效应；电流传感器精度，特别是偏差会导致累计效应，影响荷电状态的精度。因此，单纯采用安时积分法很难满足荷电状态估计的精度要求。3）开路电压（OCV）法锂离子电池的荷电状态与锂离子在活性材料中的嵌入量有关，与静态热力学有关，因此充分静置后的开路电压可以认为达到平衡电动势，OCV 与荷电状态具有一一对应的关系，是估计荷电状态的有效方法。但是有些种类电池的 OCV 与充放电过程（历史）有关，如 LiFePO4/C 电池，充电 OCV 与放电 OC

26、V 具有滞回现象（与锲氢电池类似），并且电压曲线平坦，因而 SOC 估计精度受到传感器精度的影响严重，这些都需要进一步研究。开路电压法最大的优点是荷电状态估计精度高，但是它的显著缺点是需要将电池长时静置以达到平衡，电池从工作状态恢复到平衡状态一般需要一定时间，与荷电状态、温度等状态有关，低温下需要数小时以上，所以该方法单独使用只适于电动汽车驻车状态,不适合动态估计。4）基于电池模型的开路电压法通过电池模型可以估计电池的开路电压， 再根据 OCV 与 SOC 的对应关系可以估计当前电池的 SOC 等效电路模型是最常用的电池模型。对于这种方法，电池模型的精度和复杂性非常重要。华等人收集了 12 个

27、常用等效电路模型，包括组合模型，Rint模型（简单模型），具有零状态滞后模型的 Rint 模型，具有单态滞后模型的 Rint 模型，具有两个低通滤波器增强型自校正（ESC）模型，具有四个低通滤波器的 ESC 模型，一阶 RC 模型，一个状态滞后的一阶 RC 模型，二阶 RC 模型，具有单态滞后的二阶 RC 模型，三阶 RC 模型和具有单态滞后的三阶 RC 模型。电化学模型是建立在传质、化学热力学、动力学基础上，涉及电池内部材料的参数较多，而且很难准确获得，模型运算量大，一般用于电池的性能分析与设计。如果电池模型参数已知，则很容易找到电池 OCV。然后使用通过实验得出的 OCV-SOC 查找表，

28、可以容易地找到电池SOC。研究人员使用这种方法，并分别采取 RINT 模型，一阶 RC,二阶 RC 模型，发现使用二阶 RC 模型的最大估计误差是 4.3%,而平均误差是 1.4%。3.363.343.323.3Q3.283.263.243.22图 6 充放电 C/的 LiFePO 的 OCV 曲线 4（在 25c 测量，休息时间 3 小时）5）神经网络模型方法神经网络模型法估计SOC 是利用神经网络的非线性映射特性，在建立模型时不用具体考虑电池的细节问题，方法具有普适性，适用于各种电池的 SOC 估计，但是需要大量样本数据对网络进行训练，且估算误差受训练数据和训练方法的影响很大，且神经网络法

29、运算量大，需要强大的运算芯片（如 DSP 等）。6）模糊逻辑方法模糊逻辑法基本思路就是根据大量试验曲线、经验及可靠的模糊逻辑理论依据，用模糊逻辑模拟人的模糊思维，最终实现 SOC 预测，但该算法首先需要对电池本身有足够多的了解，计算量也较大。7）基于电池性能的 SOC 估计法基于电池性能的 SOC 估计方法包括交流阻抗法、直流内阻法和放电试验法。交流阻抗法是通过对交流阻抗谱与 SOC 的关系进行 SOC 估计。直流内阻法通过直流内阻与电池 SOC 的关系进行估计交流阻抗及直流内阻一般仅用于电池离线诊断，很难直接应用在车用 SOC 实时估计中，这是因为，采用交流阻抗的方法需要有信号发生器，会增加

30、成本；电池阻抗谱或内阻与 SOC 关系复杂，影响因素多（包括内阻一致性）；电池内阻很小，车用电池在毫欧级，很难准确获得；锂离子电池内阻在很宽范围内变化较小，很难识别。8）融合算法目前融合算法包括简单修正、加权、卡尔曼滤波或扩展卡尔曼滤波（EKF）、滑模变结构等。简单修正的融合算法主要包括开路电压修正、满电修正的安时积分法等。对于纯电动车电池，工况较为简单，车辆运行时除了少量制动回馈充电外主要处于放电态，站上充电时电池处于充电态，开路电压的滞回效应比较容易估计；电池容量大，安时积分的误差相对较小；充满电的机率大，因此，采用开路电压标定初值和满电修正的安时积分方法可以满足纯电动车电池 SOC的估计

31、精度要求。对于混合动力车电池，由于工况复杂，运行中为了维持电量不变，电流有充有放；停车时除了维护外，没有站上充电的机会；电池容量较小，安时积分的相对误差大。因此，简单的开路电压修正方法还不能满足混合动力车电池SOC 的估计精度要求，需要其他融合方法解决。加权融合算法是将不同方法得到的 SOC 按一定权值进行加权估计的方法。 MarkVerbrugge 等采用安时积分获得 SOCc与采用具有滞回的一阶 RC 模型获得 SOCv 的加权方法估计 SOC,计算公式为SOC=式中，w 为权值。该算法已经在 GM 混合动力系统中应用。卡尔曼滤波是一种常用的融合算法。由于 SOC 不能直接测量，目前一般将

32、两种估计 SOC 的方法融合起来彳&计。SOC被当成电池系统的一个内部状态分析。又由于电池系统为非线性系统，因此采用扩展的卡尔曼滤波方法，通常采用安时积分与电池模型组成系统进行计算。Plett 等研究了安时积分与组合模型、Rint 模型（简单模型）、零状态滞回 Rint 模型、一状态滞回 Rint 模型、加强自修正模型的卡尔曼滤波融合算法。Wang 等研究了安时积分与二阶 RC 模型的卡尔曼滤波融合算法。夏超英等研究了安时积分与一阶 RC 模型的卡尔曼滤波算法，指出 EKF 作为一个状态观测器，其意义在于用安时积分法计算 SOC 的同时，估计出电容上的电压，从而得到电池端电压的估计值作

33、为校正 SOC 的依据，同时考虑噪声及误差的大小，确定每一步的滤波增益，得到开路电压法在计算 SOC 时应占的权重，从而得到 SOC 的最优估计。这样就把安时积分法和开路电压有机地结合起来，用开路电压克服了安时积分法有累积误差的缺点，实现了 SOC 的闭环估计。同时，由于在计算过程中考虑了噪声的影响，所以算法对噪声有很强的抑制作用。这是当前应用最广的 SOC估计方法。Charkhgard 等采用卡尔曼滤波融合了安时积分与神经网络模型，卡尔曼滤波用于 SOC 计算的核心是建立合理的电池等效模型，建立一组状态方程，因此算法对电池模型依赖性较强，要获得准确的 SOC,需要建立较为准确的电池模型，为了

34、节省计算量，模型还不能太复杂。Ouyang 等提出一种实时性好的基于电化学机理的等效电路模型的 SOC 卡尔曼滤波算法， 在保证计算速度基础上， 提高了 SOC 的估计效果，尤其是低 SOC 区的估计精度。但是卡尔曼滤波法的缺点还有卡尔曼增益不好确定，如果选择不好状态将发散。Kim等提出采用滑模技术克服卡尔曼滤波的缺点，据称该方法对于模型参数不确定和干扰具有较强的鲁棒性。9）电池组 SOC 估计电池组由多节电池小并联组成，由于电池单体间存在不一致性，成组后的电池组 SOC 计算更为复杂由多个电芯并联连接的电池模块可以被认为是具有高容量的单个电池，并且由于并联连接的自平衡特性，可以像单个电池一样

35、估计SOC。图 7 电池模块的无用容量和剩余容量（以 2 个电池的电池模块为例）在串联连接条件下， 粗略的估计电池模块的 SOC 也可以像单体电池一样， 但考虑到电池的均匀性， 情形会有些不同。假设电池模块中每个单体电池的容量和 SOC 是已知的。如果有一个非常高效且无损的能量均衡装置，则电池模块的 SOC:其中，SOCM 表示电池模块的 SOC,SOCi 表示第 i 个电池单元的 SOC,Ci 表示第 i 个电池单体的容量。如果平衡装置不是那么有效，真正的电池模块的 SOC 与该平衡装置的实际性能有关。如果只有耗散式的被动均衡功能或者没有均衡功能，则电芯中存在一部分无法利用的容量如图 6 所

36、示，并日随着电池差异性的加剧，这种浪费的容量的比例会越来越大。因此，电池模块的容量表示为：C=inin(SOQQ)+niin(l-SOCjQ)电池模块可用容量表示为:CR= =min(SOCjCimin(SOCjCisua=PSIA电池模组的荷电状态表示为:niin(SOC|Q)mintSOCfCj+min(l-SOQC；i由此，在每一节电池单体 SOC 都可估计的前提下，就可以得到电池组的 SOC 值。要获取单体的 SOC 值，最直接的方法就是应用上述 SOC 估计方法中的一种，分别估计每一个单体的 SOC,但这种方法的计算量太大。为了减小计算量，部分文献4345在估计电池成组的 SOC 方

37、法上做了一些改进研究。Dai 等44采用一个 EKF 估计电池组平均SOC,用另一个 EKF 估计每个单体 SOC 与平均 SOC 之差 ASOC 估计 ASOC 的 EKF 中需要估计的状态量只有一个， 因此算法的计算量较小。另外，考虑到 ASOC 的变化很慢，采用双时间尺度的方法可以进一步减小计算量。Zheng 等提出了一种 M+D 模型，即一个相对复杂的电池单体平均模型 M,和一个简单的单体差异模型 D,利用最小二乘法计算单体与平均单体”之间的差值 AOCV,通过 ASOC 与 AOCV 的关系，可以计算每个单体的 SOC 值。表 2 各种 SOC 估计方法比较Comparisonoft

38、heSOCestinubonimethodsComparisonoftheSOCestinubonimethodsMrlhodMrlhodAdvjnUgeAdvjnUgeD&WiMiUD&WiMiU萨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丽itUISOCvjiueitUISOCvjiue；ihecurrenlihecurrenlewret 检nrandtheeflKiencyisprsase.nrandtheeflKiencyisprsase.Needsjccurdcevjluetrflhself-di

40、Needsjccurdcevjluetrflhself-di时hjhj浜rjterjteJ JndtheBukxndtheBukx他rfficimcy.Nwd5hiRhrfficimcy.Nwd5hiRh鼻工匚uratenrrdsurementofrhecurrentNotsutablefuratenrrdsurementofrhecurrentNotsutableforbdtreforbdtref史写und.erwrydynums.Lti4idilJCKLS.und.erwrydynums.nhemeriiSiciwunhemeMUMUitNitN阵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豌哑丽山SOCVdiurOrnerymodel.SOCVdiurOr

43、nerymodel.qidinigmodeobserverqidinigmodeobserverAcWAcW帅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,转懂/忙1 1邛？iniciJiniciJ与,吟派*造明xExE率，血匚L.L.表 3 不同 SOC 估计方法的 SOC 估计误差表 2 中比较了不同的 SOC 估算算法。表 3 总结了每种方法的 SOC 估计误差。综合比较上述常用的 SOC 估计方法，卡尔曼滤波等基于电池模型的 SOC 估计方法精确可靠，配合寸路电压驻车修正是目前的主流方法。上篇和中篇两篇文章中，介绍的 BMS 功能需求包括电池电压测量、数据采样频率同步性，温度估计和 SOC 估计。本文，是一个典型的动力电池管理系统，需要实现哪些功能的最后一个部分，内涉及 SOH（健康状态）

45、估计、SOF（功能状态）估计及 SOE（可用能量状态）估计、SOS（安全状态）估计。AuthorYearPop2006HW.He2012EHUao2011KTChau2004J.Wang2007M.Verbrugge2004CY*Xia2007KShi2006QH.Mao2010M.Charkhgard201011-SongKim2006SOCestimationmethodOCVmethodBatterymodelbasedSOCestimationmethodNeuralnetworkmodelMeuro-fuzzyinfeencesystemFuzzylogicWeightedfusio

46、nalgorithmEKFEKFUKFEKF(ModelisfromNeuralNetworks)SlidingmodeobserverSOCestimationerrorMax12%Max4327%Mean1423%Max4%MeanMMax10%Max10%0.7%Max4%Max/+c7?r邺骈瞿多式中，CP为容量衰减率，;nc 为充放电循环寿命，次；T 为绝对温度，K;I 为放电电流，A;a、b、c、1、m、f、a、0、卜刀均为常数，可以通过试验拟合确定。Li 等考虑了电池寿命的多个影响因素，如环境温度、放电倍率、放电截止电压、充电倍率和充电截止电压等，提出了基于耦合强度判断和多因素输

47、入的寿命建模方法(模型中温度的影响也参考了 Arrhenius 建模方法、电物理量的影响参考逆幕规律)，并基于模型的因素敏感性分析了各因素对电池寿命影响的权重，耐久性模型对电池寿命的预测误差为 15%以内。Han 等在分析电池性能衰减基础上，认为以石墨为负极的锂离子电池的性能衰减主要是因为负极 SEI膜增厚消耗活性锂离子，正常的 SEI 膜增厚消耗的锂离子与时间呈 1/2 次方关系，但一般电池存在疲劳龟裂消耗了更多的活性锂离子，因此性能衰减与时间的关系大于 1/2 次方。基于 Arrhenius 模型建立了 4 款以石墨为负极的锂离子电池的性能衰减离散模型，并提出基于该离散模型的闭环参数修正方

48、法，经过几次容量修正后，模型参数趋于稳定。其他外特性建模方法还有神经网络模型，如 Jungst 等在研究以 LiNi0.8Co0.15Al0.05O2 为正极材料的电池贮存寿命时建立的神经网络模型。借鉴机械疲劳研究成果，Safari 等采用机械疲劳研究中常用的 Palmgren-Miner(PM)法则预测电池容量在简单和复杂工况下的衰减情况，并与损害时间累计法(capacity-lossaccumulationovertime,LAT)进行比较，结果表明 PM 法好于 LAT 法。2)基于电池模型参数辨识法参数辨识方法主要基于已有的电池模型，采用最优状态估计技术，如最小二乘法、卡尔曼滤波等算法

49、,根据运行的数据，对电池模型参数如容量、内阻等进行辨识，从而获得电池的寿命状态。Plett 将内阻和容量作为系统状态参数，构建了内阻估计状态方程和容量估计状态方程。采用扩展的双卡尔曼滤波方法获得内阻和容量。Gould 也基于卡尔曼滤波方法和线性拟合方法辨识电池模型中的容量，继而获得容量随运行循环数的衰减情况。还有将电池等效电路模型中的内阻视为低频阻抗，采用滑模控制技术进行辨识。Remmlinger 介绍了一种用于混合动力车的电池内阻在线辨识方法，为了实现在线应用，改进了二阶 RC 模型，然后基于特殊的负载信号（发动机启动时的短暂电压及电流），采用线性最小二乘法获得电池模型的内阻值。Verbru

50、gge 认为如果对系统状态参数、测量参数和噪音的演变过程比较了解，采用卡尔曼滤波优化算法来递归辨识是最具有代表性的方法。如果缺乏对状态参数、测量参数、噪音的全面了解，采用具有时间指数遗忘因子的加权递推最小二乘法将是一个较为务实的方法。Wang 发现 Verbrugge 采用叠加积分计算电压的电池模型递推算法在采样频率较高时变得不是很稳定。据此改进了电池模型的算法，并同样也采用指数遗忘因子的加权递推最小二乘法辨识电池参数（开路电压及内阻等）。Chiang采用线性或非线性系统控制中常用的自适应控制方法，建立了基于电池等效电路模型的参数估计框架，其中为了便于采用自适应控制技术，锂离子电池等效电路模型

51、采用状态方程来描述，可用于在线监测电池内阻及 OCV,分别用于确定 SOHSOCoEinhorn根据 ASOC=Ah/C 的关系，估计容量的大小，方法为：CLJ-5恤。5（力）-%俱式中，任意两个时刻（a,B）的 SOC 由 OCV 查表得到，该方法可在实际中应用，可以取若干个点，两两搭配计算出多个容量值，再取平均值或中位数。这种方法比较简单，但关键在于 OCV 能否精确辨识。3）电池组 SOH 估计在不进行均衡的条件下，电池组的容量衰减将远大于单体的容量衰减，郑岳久等提出用两维散点图解释电池组容量衰减的机理， 指出电池组的容量衰减量为剩余充电电量最小单体的容量损失与单体间负极的活性锂离子损失

52、差异之和。 为了得到电池组的容量， 需要首先获得单体的容量。 单体容量获取可以通过上述基于模型参数的辨识方法获得，也可以通过充电电压曲线变换方法获取。3.4 功能状态（SOF）估计估计电池 SOF 可以简单认为是在估计电池的最大可用功率。一般而言，电池的最大可用功率受到电流、电压、SOC、温度等参数的限制，还与电池的老化程度、故障状态等有关。常用的 SOF 估计方法可以分为基于电池 MAP 图的方法和基于电池模型的动态方法两大类。1）基于 MAP 图算法基于电池测试（通常为 HPPC 测试）数据和最大、最小电压限制，可以获得在不同 SOC 下的最大充放电功率。在不同温度、不同衰减程度下进行电池

53、测试，可以建立最大充放电功率与温度、SOC、SOH 的关系，得到最大充放电功率 MAP 图。基于 MAP 图，实车 BMS 可以通过插值得到电池的最大充放电功率，实现 SOF 估计。Do 等分别研究了不同 SOC、温度、累计放电容量下的最大充放电功率，并建立了最大充放电功率的函数解析式，实现了对 SOF 的预测。基于 MAP 图的估计方法简单直接，但需要存储多维 MAP 图，并且只考虑了静态特性，而对动态工况下的充放电功率估计有一定的局限性。2）基于电池模型的动态算法根据电池模型，综合考虑电池的电流、电压、SOC、功率等限制，可以得到最大充放电电流，从而计算得到电池的最大充放电功率。韩雪冰根据

54、电池模型，给出不同电流输入情况下电池的端电压情况，通过迭代计算，获得电池单体在电压限制条件下所允许的最大电流 Imax,voltage 和最小电流Imin,voltage,并且从电池的机理出发，考虑了电池副反应速率限制下的最大最小电流，具方法类似于求取端电压限制下的最大充放电电流。最后综合考虑上述限制，获得电池单体的最大最小电流。Sun 等分析比较了几种最大可用功率预测方法，包括 HPPC 法、SOC 限制法、电压限制法，以及基于动态模型的多参数估计法，并通过 HPPC 测试得到充放电电阻，基于 Rint 模型，利用端电压限制，估计电池的最大充放电功率。但这种方法估计的实际上是瞬时最大功率。并

55、且由于 Rint 模型不够精确，可能过于乐观地估计了功率，还可能引起过充过放。与前述方法基本相同，Sun 等认为若允许的 SOC 变化范围很大，计算出的最大最小电流可能很大，并不合理，应与其他方法联合使用。电压限制法考虑在端电压限制下一段时间内的最大充放电功率，但仍使用了 Rint 模型，原理上与前述方法类似，只是算法上并没有采用迭代估计的方法，而是基于模型直接计算电流限值。基于动态模型的多参数估计方法实质上是基于 Thevenin 模型的电压限制法，综合 SOC 与电流的限制，进而得到最大充放电电流。以上是获得电池单体最大充放电电流的方法。实车上电池组由众多电池单体组成，由于单体之间存在不一

56、致性，若要单独计算每个电池单体的最大可用功率，计算量太大，韩雪冰提出了充、放电关键电池单体的概念，以减少计算量。综合考虑各种限制条件，可以得到最终的最大最小电流 Imax,total 和 Imin,total,将 Imax,total、Imin,total 代入电池模型中可计算得到对应的端电压Umax,total,Umin,total,进一步可以得到最大充放电功率，即iniini”iiiiii.riiil11iiiiii.riiil111 1L L*.*.3.5 剩余能量（RE）或能量状态（SOE）估计剩余能量（RE）或能量状态（SOE）是电动汽车剩余里程估计的基础，与百分数的 SOE 相比，RE 在实际的车辆续驶里程估计中的应用更为直观。在电动汽车使用过程中，电池的剩余能量（RE）是指以某一工况行驶时，从当前时刻直至电池放电截止过