摘要 - 电动汽车中的电池是电池健康维护的重点。电池管理系统（BMS）通过评估电池的健康状态（SOH）来维持电池的最佳状态。准确识别SOH可确定电池更换时间，避免电池故障并延长其使用寿命。本文通过识别SOH参数来提高BMS的性能，基于 Thevenin 电池模型获得R0、Rp和Cp等关键参数，并使用库仑计数和开路电压两种自适应算法完成参数识别，比较两种算法在误差、平均绝对误差（MAE）、均方根误差（RMSE）和最终SOH值方面的结果。研究重点是获取估计误差值数据以及可靠的BMS性能信息，结果表明库仑计数法在SOH估计上比开路电压法误差更小，其误差为1.770%，最终SOH值为17.33%，Thevenin 电池模型对电池的建模误差为0.0451%。
1.简介
电动汽车电池与电池管理系统（BMS）：在电动汽车中，电池是主要能源，为发动机和其他系统供电。与传统汽车不同，电动汽车电池容量和电压相对较小，通常封装在电池模块中。电池系统由多个电池组成，BMS对其进行管理，其功能包括优化电池工作系统，涉及荷电状态（SOC）和健康状态（SOH）两个关键参数。SOC是剩余容量与总容量的比值，SOH是当前性能与新电池性能的比较值，由于无法直接测量，需进行估计。研究背景与相关方法：SOH可量化电池性能和寿命，电池使用过程中会出现质量下降，内部电阻和容量等参数改变。识别SOH参数有助于确定电池实际状况，推荐更换时间，延长电池寿命。目前有多种SOH或SOC估计方法，但同时识别两者并产生合适参数以减轻BMS计算负担的方法较少。监测电池参数的算法需适应参数变化并估计电池状况，方法可分为三类，包括光谱阻抗法、电路模型方程法和电化学阻抗模型法。 相关工作回顾：过去研究中常用多种方法识别电池参数，库仑计数（CC）和开路电压（OCV）方法在电动汽车BMS中广泛使用，各有优缺点。CC方法通过监测电池进出容量来估计SOH，考虑充电周期中功率损失，还可通过电压恢复提供相关信息；OCV方法在电池充分休息后可视为平衡电压，通过考虑BMS电池参数状况来估计SOH。 本文研究重点：本文旨在识别准确的SOH参数以延长电池寿命，采用基于电池模型的方法评估和识别SOH参数，使用Thevenin电池模型，通过自适应算法（递归最小二乘法，RLS）识别其中的R0、Rp和Cp参数，基于评估结果得到准确的SOH估计值，减轻计算负担。 研究贡献：测试电池参数的结果为评估BMS系统性能提供合理估计和较小误差率。库仑计数法便于计算电池容量，电池最大功率随充放电循环次数增加而降低，Thevenin电池模型相对误差<2%。在SOH估计准确性方面，CC方法优于RLS，且CC方法可估计电池终端电压和SOC，而OCV方法只能估计电池参数。2.电池管理系统
电池元件（BMS的功能与组成）：BMS对电动汽车中由数百或数千个电池组成的电池系统进行调节，具有监测、估计参数、保护、提供报告和平衡电池等重要功能。其主要功能包括保护电池免受损坏、使电池在合适的电压和温度区间工作以及维持电池以符合系统要求的参数（如SOC、SOH和SOF）工作。BMS由传感器、执行器和控制器等组成，输入包括电流、电压、温度和踏板等传感器信号，输出包括热管理、平衡、安全管理、充电指示、故障报警和通信等模块。BMS软件包括电池参数检测、估计、故障诊断等多个功能模块。电池电压测量、参数估计、平衡和故障诊断是BMS的主要问题，其中电池电压测量面临因电池串联导致的电压差异以及高精度要求等困难。 ![]()
图1.电动汽车BMS软硬件的主要框架
![]()
图2.电池管理系统
![]()
图3.BMS中参数估计算法的适用范围
电池建模：本文通过电池建模确定SOH参数，将输入的电池电压、电流和温度参数转换为SOH以获得准确的估计值。采用Thevenin电池模型，通过选择电池内部的电阻和电容参数来描述电池极化过程的电压瞬态响应。给出了电池模型的数学方程以及相关参数（Voc、R0、Rp和Cp）的计算方法，这些参数通过RLS算法得到并应用于Thevenin电池模型。![]()
图4.Thevenin 电池模型
![]()
3.确定健康状况参数
识别健康状态参数的重要性及方法：准确的SOH参数对BMS性能至关重要，本研究采用库仑计数作为自适应算法来识别这些参数以获取SOH初始化值，进而评估BMS性能。通过Thevenin电池模型确定电池模型参数和OCV - SOC函数，具体过程为给电池模型输入电流，分析终端电压数据，经时域到SOC域转换及曲线拟合得到OCV - SOC函数，重复参数识别过程直至SOH估计合理且误差率小。 ![]()
图5.SOH参数识别的系统设计
OCV - SOC函数：基于Thevenin电池模型，OCV（SOC）是源电压参数，通过测试未连接负载的电池电压及连接电池组前的电压获得，利用恒定负载测试数据估计SOC - OCV曲线，该曲线采用十二阶多项式拟合，其中十阶多项式对Voc估计准确性最高，其均方根误差（RMSE）最小，对SOC和OCV函数准确性影响大。 ![]()
R0、Rp和Cp参数：Thevenin电池模型需SOC下的OCV作为源电压，通过脉冲测试获取。R0为内部电阻，其值大于其他电阻，因采样周期问题较难捕捉小数据变化，通过二阶多项式曲线拟合得到其与SOC的关系，平均R0值为0.027735Ω。R0、Rp和Cp为电压和电流脉冲测试提供输入数据并获得输出参数值。 ![]()
表1.ocv-soc功能识别的准确性
![]()
实验结果
通过电池监测的SOH参数分析BMS性能，获取电池的终端电压、进出电流等物理参数数据，基于电池建模识别参数数据并用于电池状态监测和保护系统。SOH估计方法包括测量电池电阻和容量变化，通过欧姆定律和库仑计数法分别测量，OCV值代入OCV - SOC关系方程得到SOC和SOH值。 ![]()
图6.终端电压OCV-CC
进行静态放电测试，结果表明CC算法从电流值乘以时间得到SOH变化，OCV算法用电池模型终端电压或OCV值得到SOH值，两者SOH变化曲线相似。测试还得到电池参数识别结果，电池松弛特性可用于参数识别，测试周期越快SOH估计越准确，CC算法在SOH初始化方面优于OCV算法，能更好地理解电池内部电阻，且能同时估计电池的终端电压Vt、SOC和SOH，其估计误差小于2%。 ![]()
图7.SOH参数识别结果
从识别SOH参数的误差数据来看，CC算法的均方误差（MSE）为0.0111，最终SOH值为17.33%，误差百分比为1.770%，均方根误差（RMSE）为0.0132 ![]()
图8.初始化SOH
![]()
图9.SOH的间隙初始化
研究结果讨论：内部电池电阻对CC和OCV算法影响相近，CC算法能更好地理解内部电阻，误差更小。CC算法能成功同时估计电池的终端电压Vt、SOC和SOH，估计误差小于2%。放电测试中CC算法在SOH初始化方面比OCV算法更准确，CC算法的估计均方误差（MSE）为1.770%，OCV算法为3.256%。这些结果为BMS评估的参数识别提供参考。![]()
表2.SOH参数的误差数据识别
4.总结
基于SOH参数识别的BMS性能评估结果表明：库仑计数算法在估计结果上更优，其SOH估计误差为1.770%，最终SOH值为17.33%。Thevenin 电池模型对电池的建模误差为0.0451%。在两种方法（库仑计数和开路电压）的SOH估计准确性方面，库仑计数的准确性更高。此外，基于电池建模的自适应算法能够估计电池的终端电压和SOH。
