bms中soh计算方式_面向新能源汽车电池SOC和SOH的组合估计

摘要

提了一种在锂电池寿命内的电荷状态(SOC)和健康度(SOH)组合估计方法。首先，一阶电阻-电容模型的标称参数的 SOC 依赖性已经被确定了，并且电池寿命内的标称模型性能下降也已经被量化。其次，使用两个不同时标的扩展卡尔曼滤波器作为组合 SOC 和 SOH 的监控器：SOC 是实时估计的，SOH 是离线更新的。SOH 估计的时标由模型准确性的衰减程度决定。使用大量电池寿命内的测试数据来证明 SOC 和 SOH 估计的结果。

介绍

锂电池已经在新能源汽车领域被广泛使用，其高可靠性，高效率以及操作的安全性都需要被监管，控制和管理。作为电池管理系统(BMS)，核心功能就是提供准确的 SOC 和 SOH 估计。由于缺少电气特性传感器的支持，精准的预测是一个挑战很高的任务。现在已经有很多基于 SOC 和 SOH 估计的算法，各有优缺点，总结如下：

表格 1 现有对 SOC 和 SOH 估计算法的优缺点

其中，库伦计数法和开路电压法被广泛使用，其具有计算快捷且容易使用的特点，但是高度依赖高精度的传感器，并且开路电压法对于电压曲线呈现水平状的电池往往效果不好。同时，现阶段已经出现基于人工智能方法的黑盒 SOC 预测模型，比如神经网络模型，模糊逻辑以及支持向量回归模型。