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。以此通过一系列的电芯测试尝试找到上述因素之间的关系。

1.1 循环寿命因素对容量与内阻的影响

经过长期的测试实验我们一般认为充放电倍率（C rate）、放电深度（DOD）、温度（T）三个因素对电池性能的衰减起到了关键的影响。因此在循环寿命模型中电流、单体电压、SOC、温度、调度时间是最主要的输入参数。

其中对模型准确性起关键作用的重点在于通过怎么样的实验获得三因素的影响系数。下图是循环寿命测试数据矩阵，实验中采用了两颗A123 2.2Ah的26650电芯在同等条件下进行。可见若是以穷举测试法完成如下实验有着极其大的工作量，可行性并不是很高。

在此前《从三个维度理解动力电池测试的目的和方法》的文中作者提到过“单因素实验法”，以某一特定条件为基准，仅改变温度、DOD、倍率中的一个参数，从而获得该因素对电池衰减的影响系数。如：以70%DOD、25℃、1C倍率充放为基准展开的实验。

国外也有研究者采用了该方案进行了如下实验，以90% DOD，0.5C，60℃为基准（作者通常采用25℃为基准的原因在于使实验接近主要的使用环境，而采用60℃为基准可以加速测试周期降低测试成本）。首先改变了温度因素，分别比较了0℃、45℃、60℃情况下容量的衰减。

再保持0.5C，60℃不变，采用10%、20%、50%、80%、90%DOD获得该因素对电池衰减的影响系数。（由于DOD不同导致每次循环的吞吐容量不同，因此需要将左图换算为右图得到可进行比较的关系）

对实验结果进行线性化处理即可得到不同温度、DOD、倍率的衰减因素表。在算法模型中即可实时状态进行积分，将实际工况导致的电池衰减折合为基准条件下的电池衰减曲线。最终将预测结果与实测情况进行参照比较，验证数据拟合的有效性。

需要注意的是除了关注循环引起的容量衰减，也需要在一定的循环次数间隔中进行HPPC测试，获取电池内阻的变化。当然如果需要获取更精确的估计，则可以继续将内阻的变化分解至欧姆内阻，极化内阻的变化，并得到等效电路模型中的RC参数与寿命衰减的关系

。

1.2 日历寿命因素对容量与内阻的影响

除循环以外，动力电池的搁置也会对性能衰减产生影响。电池在搁置期间的温度是主要的影响系数。

从LFP搁置实验结果来分析，电池存储温度越低容量衰减速率越慢，并且电池内阻提升也越小。如下图的实验数据中将电池在40℃、30℃、20℃、10℃、0℃、-10℃、-20℃中长期搁置，-20℃环境下对性能的影响最小。

容量衰减曲线：

内阻上升曲线：

根据此前的研究发现锂离子电池的性能衰减与时间呈1/2次方关系，即Cap_loss=Kf×t1/2，与实际测试情况较为吻合。因此BMS算法在初始化过程中可通过对搁置时间和环境温度的信息对容量和内阻分别进行修正。

1.3 数据融合

通过Cycle Life Model和Calendar Life Model我们分别得到两组容量衰减与内阻增加的参数。并以如下公式计算可得到两个维度分别估算的SOH值。

SOH_Capacity = (Cap_BOL - Calender_Cap_Fade - Cycle_Cap_Fade) / Cap_BOL ;

SOH_DCR = 1 - (Calender_DCR_Growth + Calender_DCR_Growth) / (DCR_EOL - DCR_BOL);

对于EV而言SOH_Capacity更有参考价值，对于HEV而言SOH_DCR更代表动力电池满足需求的能力。而更为保守的做法是去两个维度估算值的最小者。

SOH = Minimun(SOH_Capacity,SOH_DCR ) ;

1.4 SOH修正

如果仅仅采用上述的SOH估算方法则完全是开环控制，无论是参数精度不足或是积分上的误差都将导致不可修正的偏移。一般情况下BMS可以在充电过充中对一个满充过程进行捕捉，从而能对SOH的估算结果进行修正，以此来提高整体算法的精度。需要注意的是修正前要充分考虑充电过程中的温度因素和确保SOC的准确性。

1.5 基于大数据的SOH预测

BMS在运行期间会不断记录动力电池所处的温度、SOC与时间的关系以得到电池系统长期工况分布图。过去在没有远程监控系统的辅助下，我仅仅通过人工经验对该数据分析也可大致评估出电池系统的老化情况。而随着远程监控系统成为电动汽车的标配，监控中心以小于30s的周期获取并记录下了大量系统从BOL至EOL的数据。在未来基于大数据的SOH评估势必会有重大突破。

基于大规模运行数据进行SOH估算的理论基础就是大数定律(law of large numbers)，理论上只要获得了一定规模的电池系统长期运行工况数据和性能状态则有机会通过若干个简单的模型取代一个复杂的模型挖掘出SOH的演化规律。利用大数据进行机器学习的好处在于建立一套通用性强的机制方法并可适用于不同应用场景、跨越不同电芯体系，因此非常适合掌握大量不同车型联网数据的组织（如上海国际汽车城、北理工等）开展该方案的研究。但尽管如此基于BMS实时分析的SOH参数依旧是基础，未来的趋势会是两者的充分结合。

当然动力电池系统除了电池以外还包括了BMS、接触器、线束等其他部件。因此BMS在算法上也需要对此类部件进行适当的寿命评估，包括准确记录各个接触器正常吸合次数、带载异常断开次数、LECU均衡时间、传感器超温运行时间等内容，此处不做展开讨论。