新能源汽车的电池管理系统里，最核心的技术的是什么？

火辣西米秀

新能源汽车的电池管理系统里，最核心的技术的是什么？ [复制链接]

简单的来说，电池管理最核心的内容，就是SOC（电池充电状态）和SOH（电池健康状态）。

 

   

 

SOC=State of Charge 充电状态。简单的来说 SOC=电池实时的存储电荷数 / 电池满电量时候的电荷数。100%代表电池完全充满了，而0%代表完全放电。

SOC的概念说起来很简单，但是实际上这是一个电化学体系体系下的“满”和“空”的概念。在理想的情况下，电池最好在15%-20%剩余电量的时候开始充电，然后避免过度充电。

 

电芯SOC的预测是BMS最重要的工作，因为这可以明显有助于提高系统的可靠性和性能，并改善电池的生命周期。

 

过度保守的SOC预测或余量预留会导致电池系统的能量密度不足，而过度激进的SOC预测会导致电池过充，并进一步导致电池寿命的明显降低，甚至电池热失控等极端事故的出现。

 

从广泛的意义上来说，电池的SOC预测主要有如下几种方法：

 

电压法：电压法的原理是，在相对可控的环境条件下，电芯的电压与SOC存在一定的放电曲线关系，因此可以通过测量电芯电压，并核对预先写入BMS的曲线函数，推测出电芯当前的SOC状态。这种办法其实是很多简易的可充电电池甚至充电宝进行电量预测的办法。它的优点就是方便，缺点就是对于高能量密度的汽车用电池长期使用条件下，很难得到一个随时都有效准确的单个电芯实际的放电曲线函数。甚至温度都会对结果带来比较明显的影响，更不要说有些电池的化学体系本身就不利于实现很好的电芯一致性的问题。所以实际使用的时候会考虑电压、温度的主要影响，以及大量的修正系数项；

库仑计数法：这是电动汽车BMS soc预测的主要方法。它会通过计算充放电的电流强度和持续时间，基于此前的预测的电池SOC，得到当前SOC，然后通过与温度、电压、电压电流的波动情况等，更新SOC的预测。然后通过不断地通过电荷计算，更新预测SOC，校核当前SOC条件下的其他因素，更新SOC预测值，然后不断迭代的方法来不断接近电池的真实SOC预测值。

近年来还有采用机器学习、神经网络的算法，考虑更多维度的影响因素，然后通过大量的精确测试的实验样本作为训练库，来更好的预测SOC。
其他还有一些方法，但是比较小众，我也不是很了解。

在实际的soc模型中，会综合使用几种方法来进行预测。即便是到了现在，我个人的了解下，也很难有一家企业敢说自己完全掌握了在各类客户真实场景下精确掌握任意电芯的SOC的方法。而且控制SOC的余量，也是主机厂控制风险的主要手段。

 

一辆电动车，客户会发现他可用的电量小于企业在其他场合宣传的所搭载的电池总电量。因为一部分的电池电量就作为了安全余量，避免客户使用中过放和过充。

预留一点电量避免过放比较容易，但是预留余量避免过充则更难，特别是考虑到电芯的一致性以及多次循环之后的电池实际能力（这里已经涉及到一部分SOH的部分内容了）。一些SOC利用比较激进的企业，以及发现了电池可能存在制造缺陷隐患的企业，发生了电池自燃起火后，一般会通过强制OTA或者召回，将充满电量限制在90%，从而保护电池。

 

这里需要解释的是，将电池充满电量限制在90%不仅仅对当企业SOC预测不精确的情况有效，事实上电芯充电量低于90%本身就可以显著的降低电池的热失控风险。这也是为什么，电池的充电策略一般是在90%甚至更低的SOC条件下会以更高的功率快充，而一般达到90%之后会采用较低的 功率充电，在手机上也是如此，被称为涓流充电。

 

我在实际试验结果中看到，相比SOC 90%以下的电池电芯，soc 100%的电芯，电芯的T1/T2/T3（电芯热失控进入不同程度的温度门槛）的温度阈值快速下降。这就是为什么在过去几年，当因为各种不同的原因出现电动车起火时候，不同的厂家不约而同地采用了限制同批次电动车充满电量并导致车辆续航里程下降的策略。

最后我们说一下电池的SOC影响因素：

 

1. 温度的快速变化

2. 电池的自放电率和自放电效应

3. 电池寿命

4. 充电和放电的方式（电流？电压？……）

如果说SOC是对当前电池的能力的预测，那么SOH （State of Health）就是对电池的健康程度，或者说剩余寿命的一个预测。

SOC本身就是SOH监控的一个重要的参考因素，比如说当BMS发现，这个电芯当前100% SOC的电荷容量只有理想电池的90%甚至更低（例如80%）的时候，那么电池的健康度评估就很差了。

 

SOH还能识别新电池的问题，当SOH监控发现，某个电芯的相关指标与常规电芯存在偏差，这种偏差包括电池的实际电压和电流与预测函数严重不符、电压电流波动、存在异常的充放电特征等等，SOH能够根据前置的策略，甚至可以识别出当前电池组中的哪个或者哪些电芯是存在缺陷的，可以提前将这些电芯隔离不再执行充放电操作和报警提醒车主前去维修。

 

目前，电池的健康寿命预测是一个非常热门的话题，有很多企业在不断的监控电动汽车的电池相关数据，并不断的上传到云端，特别是随着时间的不断推移，不同电池电芯表现出来的数据变化。每一次起火数据也非常珍贵。当出现是由于电池自身的热失控导致的起火，然后企业或者研究机构反查这些热失控车辆从新车开始到发生热失控全程的电池监控大数据，然后积累样本量之后进行基于机器学习的大数据模型训练，从而得到一个经过具备明确的正面和负面样本库训练的电池健康度预测模型。这种模型有助于在充分保障客户安全的情况下，尽可能长久和充分的使用电池，从而能让车辆安全的服务更长的时间。

目前除了很多企业自己在建立这样的模型，国内目前我了解比较多的是重庆的汽研院（正确的名字其实是中国汽车工程研究院，和天津的中汽研中汽中心是两个公司），目前基于大量企业的上传数据开展的汽车健康度研究已经有一个比较成熟的团队和模型给企业服务了。把这样的模型引入电动汽车的BMS以及云平台进行健康度的全生命周期跟踪与风险干预，这样就是更加全面的保障客户的安全。

 

秦天qintian0303

欧盟新规出了，对电池的要求可以说及其严格