BMS之SOC，SOP和SOH简介

简介

对于一个优秀的BMS来说，能够在线实时估算电池组的电池参数从而精确估算出电池组的SOC、SOP、SOH，并且能够在短时间内纠正初始SOC超过10%的误差以及超过20%的安时容量的误差或者百分之几的电流测量误差。将会是相当优秀的。美国通用汽车公司在6年前研发沃蓝达时就做过一个实验来测试算法的鲁棒性：将3串并联在一起的电池组拿掉一串，这时内阻新增1/3、安时容量减小1/3。但是BMS并不了解。结果是SOC、SOP在不到1分钟就全部纠正。这不仅说明算法的强大的纠错能力，而且说明算法可以在电池的整个生命周期中始终保持估算精度不变。

SOC

SOC（荷电状态）简单的说就是电池还剩下多少电；SOC是BMS中最重要的参数，因为其他一切都是以SOC为基础的，所以它的精度和鲁棒性（也叫纠错能力）极其重要。假如没有精确的SOC，加再多的保护功能也无法使BMS正常工作，因为电池会经常处于被保护状态，更无法延长电池的寿命。

大多情况下我们看到的电池电量其实是不准确的，只是按照内部的算法酒给断电或者充满。事实还有优化的区间。

计算出准确的SOC，不仅能提升用户体验，而且好能延长产品的使用寿命，这对于任何一块产品而言意义都非常巨大。

在一般的BMS系统中，计算电量的方式大概有两种：
①：硬件
　　所谓硬件，便是使用一些专门的电量计芯片来计算电量，比如说TI的BQ34Z100，这是一块基于阻抗跟踪技术的电量计，其计算精度不错，而且操作简单，只需要在前期进行一些简单的操作（使用TI官方软件进行基本参数配置，计算电池化学参数CHEM_ID，进行充放电循环学习导出量产文件等）然后就可以直接从芯片里读出电量值。（电量计芯片的方法本文不涉及，感兴趣的同学可以自行查阅资料，或者在本文下留邮箱）

②：软件
　　软件计算SOC的方法也不少，有开路电压法、安时积分法、内阻法、神经网络和卡尔曼滤波法……
　　开路电压法由于要预计开路电压，因此需要长时间静置电池组，内阻法存在着估算内阻的困难，在硬件上也难以实现，神经网络和卡尔曼滤波法则由于系统设置的困难，而且在电池管理系统中应用时成本很高，不具备优势，因此相对于开路电压法、内阻法、神经网络和卡尔曼滤波法本而言，安时积分由于简单、有效而常被采用。

SOP

SOP（能提供功率的状态）的精确估算可以最大限度地提高电池的利用效率。比如在刹车时可以尽量多的吸收回馈的能量而不伤害电池。在加速时可以供应更大的功率获得更大的加速度而不伤害电池。同时也可以保证车在行驶过程中不会因为欠压或者过流保护而失去动力即使是在SOC很低的时候。精确的SOP估算尤其重要。例如关于一组均衡很好的电池包，在比较高的SOC时，彼此间SOC可能相差很小，比如1-2%。但当SOC很低时，会出现某个电芯电压急速下降的情况。这个电芯的电压甚至比其他电池电压低1V多的情况。要保证每一个电芯电压始终不低于电池供应商给出的最低电压，SOP必须精确地估算出下一时刻这个电压急速下降的电芯的最大的输出功率以限制电池的使用从而保护电池。估算SOP的核心是实时在线估算电池的每一个等效阻抗。

SOH

SOH是指电池的健康状态。它包括两部分：安时容量和功率的变化。一般认为：当安时容量衰减20%或者输出功率衰减25%时，电池的寿命就到了。但是，这并不是说车就不能开了。关于纯电动汽车EV来说安时容量的估算更重要一些因为它与续航里程有直接关系而功率限制只是在低SOC的时候才重要。关于HEV或者PHEV来说，功率的变化更为重要这是因为电池的安时容量比较小，可以供应的功率有限尤其是在低温。关于SOH的要求也是既要高精度也要鲁棒性。而且没有鲁棒性的SOH是没有意义的。精度低于20%，就没有意义。SOH的估算也是基于SOC的估算。所以SOC的算法是算法的核心。电池状态估算算法是BMS的核心。其他的都是为这个算法服务的。所以当有人声称突破了或者掌握了BMS的核心技术，应该问问他到底做了BMS的什么？是算法还是主动均衡或者只做BMS的硬件和底层软件？或者只是提出一种BMS的结构方式？

特斯拉的算法比几乎所有国内的BMS算法还是好很多。国内的BMS算法几乎都是电流积分加开路电压的方法用开路电压计算初始SOC，然后用电流积分计算SOC的变化。问题是假如启始点的电压错了，或者安时容量不准，岂不是要一错到底直到再次充满才能纠正？启始点的电压错会出错吗？相关经验告诉我们，会的，尽管概率很低。假如要保证万无一失，就不能只靠精确的启始点的电压来保证启始SOC的正确。

一个好的算法应该有2个标准：准确性和鲁棒性（纠错能力）。精度越高越好的道理在这里就不多说了。前面提到的电流积分加开路电压实际上是用开路电压纠错，但是这种方法与在线实时纠错相比，显然鲁棒性差远了。这是为何国外大公司都在用在线实时估算开路电压来实现在线实时纠错的原因。