bms中soh计算方式_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...

众所周知动力电池系统经过长期运行性能将不断的衰减，如何有效的评估电池健康度SOH(state of health)不仅是计算SOC、SOP等关键参数的重要依据，同时对评判动力电池系统何时需更换、是否可降级使用，降级之后的利用价值评估等方面都有着重大的参考意义。但锂电池的衰减过程是典型的非线性电化学系统机理，且化学内部特性参数不易被测量因此对SOH的准确评估有着不小的难度。与此同时不同的应用场景对电池的使用方式(soc区间、倍率、环境温度等)也有着不同的要求，如EV车型通常会开放20%~100%的SOC区间，而PHEV车型SOC开放区间略小，一旦进入低SOC区间则会进入CS模式。因此在动力电池设计阶段就需要根据实际运行工况来评估电池的寿命，使电池系统尽可能的满足全生命周期的应用需求，并且只有结合实际工况的测试实验设计才可能使后续的SOH估算可执行。

对于SOH的估算通常会从两个不同的维度切入分析，第一个维度是基于电化学机理的维度，观测内容以活性锂离子的损失，材料晶格的塌陷等内部反应机理为主。第二个维度是基于电池外特性表现的维度，以观测电流、电压、温度等外特性参数为主。由于前者涉及的内部特性不易被测量，因此BMS算法通常采用第二个维度进行SOH的评估。本文也主要以基于外特性的SOH估算方法来讨论。

作为消费者我们使用电池的经验往往是用得越久电池的续航就越少，功率性能就越差，总的来说就是动力电池性能会随着“运行使用”不断“性能衰减”。在算法层面一般会将“运行使用”分解为日历寿命(calendar life)和循环寿命(cycle life)两部分，同时又将“性能衰减”分解为容量降低(Capacity fade)和内阻升高(DCR growth)两部分。以