摘要 - 电池管理系统（BMS）在极端条件下（如高倍率测试）对了解电池性能至关重要。本研究提出一种新型BMS，用于在高倍率测试期间对NCA 18650 4S锂离子电池组的电压、电流和温度等关键参数进行连续监测、传输和存储。该BMS结合深度学习技术，通过监测外部电池参数来预测电池的健康状态（以放电容量衡量）。进行了两项实验：静态实验验证BMS功能，实际工况实验（在电动推进车辆上进行高倍率滥用测试且伴有振动）评估其实际性能。结果显示，实际工况飞行中电池外表面温度峰值达55°C，高于静态测试；深度学习容量估计算法检测到平均容量偏差为0.04 Ah，通过预测电池容量展示了准确的健康状态。该BMS展示出有效的数据收集和预测能力，反映了滥用测试中的实际情况。
1.简介
锂离子电池（LIBs）及其相关技术的重要性：LIBs在当前技术领域至关重要，广泛应用于电动汽车、无人机和便携式电子设备等。与传统电池技术相比，LIBs具有高能量密度、长循环寿命等优势，但广泛应用也带来了电池老化的挑战，因此健康状态（SOH）是衡量电池老化的重要参数。准确估计SOH面临诸多挑战，电池管理系统（BMSs）对准确监测电池参数至关重要。 BMS的设计及相关指标：BMS的设计通常与特定应用相关，除了SOH，荷电状态（SOC）和剩余使用寿命（RUL）也是电池健康的常见指标。这些指标的数据通常来自专有的数据采集（DAQ）设置，DAQ虽能为深度学习（DL）提供数据，但存在体积大、昂贵且针对特定电池的局限性。将DL技术与先进的BMS集成是一种有前途的方法，可克服数据采集方法的挑战并提供可扩展性。LIBs的重要参数及相关研究需求：SOH、SOC、RUL和C - rate都是LIBs性能的重要参数。C - rate的增加会导致电池容量衰减和性能下降。目前的数据采集方法面临复杂设置和传感器精度不明确等挑战，因此需要开发创新的便携式BMS框架，用于在高倍率等多种应用场景下采集数据。本研究提出一种BMS综合框架，集成了先前开发的容量退化网络（CD - Net）DL模型，可满足电动推进的实时监测需求，并通过实验验证了其数据采集和模型集成能力。2.BMS的发展
BMS的开发概述：为提出的BMS开发了印刷电路板，用于收集电池健康预测所需的关键数据，并根据预测采取行动。开发的BMS使用实际工况数据（包括电池电压、电流和温度）进行电池健康预测，收集的数据输入到深度学习（DL）模型中进行实时预测。 传感器测量
电流和电压测量：采用高侧电流传感器INA219，通过插入分流电阻测量电流，为适应大电流场景，将默认的0.1Ω分流电阻替换为0.01Ω电阻，使电流测量范围可达±32A。 ![]()
温度测量：选用PT100 Adafruit MAX31865传感器测量温度，该传感器具有低功耗、高精度和稳定性，利用Callendar - van Dusen方程获取温度与电阻的关系，使用五个传感器分别测量四个电池表面温度和环境温度，并进行校准。 ![]()
![]()
图1.BMS传感器网络的详细示意图，说明了电流、电压和温度传感器与微控制器和通信模块的集成，用于实时监控和数据传输。
设备控制：选择Arduino Uno Rev 2 Wi - Fi电路板作为控制器，它具有数据记录、预处理和传输能力，通过其内部的5V调节器为传感器网络提供电源，使用SPI协议连接传感器和微控制器。 ![]()
表1.传感器网络线束上的电气终端的说明。
![]()
表2.本研究中用于BMS开发的传感器网络的电流和工作电压要求。
SOH估计：BMS收集的电压和温度数据传输到计算机，电流数据用于通过库仑计数法计算电池的荷电状态（SOC），SOC与电池的标称容量和化学组成等信息一起输入到CD - Net模型中预测电池的放电容量，进而计算SOH。CD - Net模型采用特定结构的神经网络组合，经过优化和数据处理后用于预测。![]()
图2.顶部装有BMS的无人机可以存储电压、温度和电流。电流也被用于计算电池的SOC，这有助于使用CD-Net预测放电容量。
![]()
表3.本研究中使用的锂离子电池组中单个电池的规格。
3.实验装置
实验设置概述：对由4个串联的18650 Sony VTC 6电池组成的电池组进行测试，电池为NCA化学体系，介绍了单个电池及电池组的相关规格。 地面测试：目的是在将新开发的BMS应用于电动推进车辆之前分析其性能。使用NEWARE Powerwall CT - 4004 - 20V20A系统作为负载，连接BMS与电池组和负载，监测电池组的电压、电流和各电池表面温度，BMS记录数据。在电池中心放置RTD传感器并记录电池组方向以保证温度记录的一致性。进行42个充放电循环，循环模式类似NASA对小卫星的认证实验。 ![]()
图3.内部设计的实验装置概述：（a）这些实验中使用的所有传感器的BMS俯视图，（b）BMS和四旋翼机与电池连接的示意图，（c）四旋翼机以及电池和BMS的操作实验装置，以及（d）在电池中使用的18650个NCA电池，其中RTD放置在表面的中间。
空中测试：在地面测试后进行，使用电动飞行器（FLYWOO Explorer无人机）进行20个充放电循环，以收集高倍率放电条件下的数据。飞行器的相关参数介绍，电池组安装在3D打印的支架上，BMS在顶部，充电协议与地面测试一致，但放电周期随机。飞行器在放电时距地面约1英尺，当BMS显示电池电压达到10V时停止放电，休息0.167h后进行充电。4.结果和讨论
结果讨论概述：介绍了使用新开发的BMS（包括CD - Net模型预测）所获得的结果和关键发现。新开发的BMS从静态和动态电池负载中收集数据，并与CD - Net等DL模型无缝集成，具有适应技术发展的灵活性。 地面测试结果
电压曲线测量：BMS和测试设备（BAn）的42个充放电循环的电压 - 时间数据相近，虽BMS数据有初始滞后，但最终收敛，两者平均偏差为0.2V，放电曲线的恒压部分可用于研究与SOH的关系，偏差源于数据传输率和内部时钟差异。 ![]()
图4.从BMS和BAn收集的电压读数的比较。（a） 42个周期的电压数据，突出显示0.2 V和0.4 V之间的偏差。这表明BMS和BAn数据之间非常匹配。（b） 第一个循环数据，说明放电和充电曲线。与BAn读数相比，显示了电压的随机偏差。
电流曲线测量：BMS与BAn的电流数据整体匹配，在放电和充电阶段电流变化符合规律，但在电流转换阶段BMS读取数据有延迟，导致部分偏差，去除大偏差数据点后平均偏差较小，电流读数比电压读数更准确。 ![]()
![]()
图5.BAn和BMS在多个周期内的当前数据比较；（a） BAn和BMS的42个周期的当前数据，显示了一致的总体趋势；（b） BAn和BMS之间的偏差，范围从-3A到+3A，主要发生在从恒流到恒压或静止的相变过程中；（c） 初始循环比较，显示BAn和BMS之间非常匹配；（d） 初始循环期间的偏差，最大偏差发生在相移期间。
温度曲线测量：监测四个电池表面温度，发现电池充放电过程中温度逐渐升高，在恒流充电结束时达到最高，随后在恒压充电和放电过程中温度有所变化，电池组中第四个电池温度相对较高，BMS可检测并显示各电池的温度差异，温度异常可用于电池管理。 ![]()
图6.4节NCA电池组的表面温度数据，BMS记录了环境温度（TA）。（a）在地面上进行的42个循环的数据。观察到重复的模式，T4达到38°C的最高温度。（b） 第三个完整的循环在地面上进行。在充电和放电的恒流阶段结束时都观察到温度峰值。
空中测试结果
电流和电压曲线测量：无人机飞行过程中电流随机变化，BMS能准确记录高倍率放电电流，放电电流随测试次数增加而增大，电压在放电过程中从16.8V下降到10V，飞行过程中电流和电压受飞行姿态调整影响。 ![]()
图7.BMS在无人机随机飞行模式期间收集的电流和电压数据。（a） 无人机执行的电流和电压超过20个周期。电池组提供飞行所需的可变放电电流。（b） 飞行过程中的一个放电循环（20个循环中的第一个）。在此循环期间，电流以更高的C速率实时放电，而电压从16.8 V降至10 V。请注意，每个放电循环持续不到一个小时。
温度曲线测量：空中测试时电池表面温度高于地面测试，最高温度约为55°C，在充电过程中温度有降低趋势，放电过程中温度逐渐升高，不同电池温度存在差异，且温度波动受飞行姿态调整影响。 ![]()
![]()
图8.BMS在无人机随机飞行模式期间收集的表面温度数据，包括使用4节LIB包的环境温度（TA）。（a） 无人机在20个周期内执行了一致的模式。TA在飞行过程中下降，每个电池都表现出不同的温度。（b） 飞行时进行一次放电循环。它显示温度随时间升高，放电周期持续不到一个小时。
深度学习集成结果：地面测试中电池容量逐渐下降，CD - Net模型从第5个周期开始预测容量，与BMS记录的库仑计数容量相近，模型预测较准确；空中测试中库仑计数容量不稳定，但模型仍能预测，平均差异为0.046Ah，通过比较库仑计数法测量的容量和模型预测容量，验证了BMS与DL模型的成功集成，可用于预测电池的SOH。![]()
图9.CD Net模型使用从BMS收集的数据进行的容量预测。（a）基于地面实验的预测。该模型展示了多个周期的准确容量预测。（b） 无人机飞行时的预测。4个周期后，容量变得不稳定，但与之前的方法相比，该模型仍然提供了改进的预测。
5.总结
研究结论概述：电动推进车辆的实际工况数据采集需要能在恶劣条件（如LIBs的高倍率放电）下运行的便携式BMS。本研究提出一种新颖的BMS架构，利用边缘和云框架记录、传输和接收数据，可处理高倍率放电情况，取代了传统基于CAN总线和边缘计算机的方法。 测试结果总结：进行了地面测试和空中测试，地面和空中测试中电池表面温度在放电恒流阶段结束时最高，空中测试电池表面温度更高，最高接近55°C，温度升高可能由电池老化、SOC变化等因素导致，过高温度可能导致电池故障。在地面42个循环和空中20个循环过程中，表面温度逐渐升高。 模型预测结果：利用收集的数据，CD - Net模型在实际工况下预测电池的SOH。地面测试中模型对下一个周期的容量预测较准确，平均偏差为 - 0.026 Ah；空中测试中虽有容量波动，但预测平均差异为0.046 Ah，BMS在电流 - 电压传感器阈值范围内能有效采集数据。
