BMS国内技术现状与发展方向 - SUSTC-XLAB/Battery GitHub Wiki
我国BMS现状
在国家大力鼓励推动发展新能源汽车的背景下，打着自主品牌标签的新能源汽车层出不穷。但是近年来电动汽车的安全与其续航里程越来越成为人们谈论的话题。电动车的安全主要是电池的安全，而电池安全又与BMS系统的功能性、完整性相关。除此之外，在电池技术一定也就是能量密度一定的条件下，越有效的调度系统以及越精准的SOC测定系统，往往可以直接影响着电动车的续航里程。因此BMS系统至关重要。
当前国外电动汽车管理系统多采用主动式均衡，主动式均衡可理解为无损均衡。当电池组中某一个电池质量下降时，会导致过早充满，此时再充就会发生危险。主动均衡的策略是将该电池的电压分走降低电压，延缓充电时间；或者直接转移该电池的电量去状态最好也就是充满所需时间长的电池里。这样保障了电池组的安全，也避免了木桶效应，保持了较高的满电容量，有助于维持较高续航里程。该方法技术含量高，而且还处于发展之中。国内目前主要使用被动均衡法，被动均衡法是一种消耗的方法，缺点是充电的时候会有能源的浪费，放电时会浪费电量以至于降低续航。
以某自主品牌新能源汽车为例，官方给的标准是500Km续航里程，而车主以120Km/h跑高速，全程下来平均车速74km/h，续航里程仅有223，与官方数据严重不符。为什么会出现这样的问题，想必不光是电池本身容量的问题，而是系统优化以及能量使用及回收效率、策略上的综合性技术不够成熟。
上图为特斯拉电池组与比亚迪汽车电池组
以特斯拉与比亚迪的电池组为例，可见目前的电动汽车能源还是经过一个个的单体电池经过累积而成（如上图）。其中，特斯拉一共有7104节电池，很多人说特斯拉牛就牛在他的BMS系统能管理这么多电池。但事实不是这样的，BMS系统的核心也并不在这里。对于电池组而言，BMS管理的仅仅是并联的每一组单元。对于特斯拉而言，虽然有7104节单体电池，但并联的单元只有96个，而特斯拉所用的BMS系统就是对这96个电池组进行管理。特斯拉的优势在于对电池状态估算的准确性，特斯拉的监控软件，需要分析大量的工况数据来获得较为准确的系统状态，但即使这样也无法做到对电池老化后的修正以及准确估计。而国内厂商大多采用较为落后的安时积分法加开路电压，这种方法计算初始soc如果不准，误差是会积累的，不可靠。
为什么减少误差这么重要呢？很简单，电动车的行驶策略全是依靠电池状态进行的。当误差很大时，原本还剩5%的电量，而系统判定还剩20%，这就会出现突然抛锚的现象。而电量的过少估算，又会导致电池组电量使用不充分，导致续航里程大打折扣。这又回到了最开始那个例子，不得不说一个好的电池管理系统可以大大延长电池的寿命，以及电动车的有效使用时间。但这也不是绝对的，毕竟调度上的提升空间还是有限，且到越到后期提升带来的成本会大大增加。不过目前而言，BMS系统还需完善发展。
发展方向
鲁棒性
鲁棒性就是纠错的能力。下图是鲁棒性的一个例子，电池是磷酸铁锂电池。它的SOC——OCV曲线从70%到90%区间变化只有大约2-3mV。而电压传感器的测量误差就有3-4mV。在这种情况下，我们有意让初始SOC有20%误差，看看算法能不能纠正过来。如图所示，这里的组合算法在初始误差很大的情况下也能将其纠正，因此说这个算法有着不错的鲁棒性。
在这里，我们不得不提更深远的发展，那就是智能化。BMS的功能需求从简单的Balance-Monitor-States，开始向Brain-Multiport-Synergy转变，这个转变也说明BMS正在向智能的多端协同的方向发展，也符合我们对BMS系统拥有实时纠错以及适应电池状态变化的能力。
北京理工大学的穆浩博士对电动汽车锂离子动力电池电荷状态鲁棒性的估计方法进行了研究。
注：以下内容及图片均来自穆浩. 电动汽车锂离子动力电池荷电状态鲁棒性估计方法研究[D].北京理工大学,2016.
他所做的工作为：
（1）提出了基于多模型融合的锂离子动力电池 SOC 冗余估计方法。该方法通过并行估计不同模型下的电池 SOC，并根据各模型端电压估计误差，利用贝叶斯理论确定其 SOC 估计值的权重，按照不同权重融合各模型 SOC 得到最终的估计值，解决了单一模型不能反映动力电池不同工作区间极化、迟滞特性差异的问题，提高了SOC估计的可靠性。
（2）提出了基于开路电压三维响应面优化的可用容量离线估计方法。该方法通过建立开路电压关于 SOC、可用容量的三维响应面模型，将对可用容量估计问题转化为在响应面上匹配最佳的 OCV-SOC 关系的问题，使得可用容量的改变可以反映到端电压误差上，解决了可用容量与端电压联系不紧密的问题，为离线估计可用容量提供了新的思路。
（3）提出了基于双 H 无穷滤波器的动力电池 SOC 与可用容量联合估计方法。该方法将可用容量作为模型参数，采用双滤波器框架，利用端电压估计误差分别对模型参数及 SOC 进行闭环反馈校正，克服了开环估计方法对于 SOC 估计值以及模型参数敏感的弱点，采用 H 无穷滤波作为核心估计方法，解决了传统卡尔曼滤波方法对噪声统计特性假设的保守性以及模型误差对估计结果的影响，提高了估计算法的鲁棒性。
参考资料
什么是BMS核心技术——林建
浅析我国电池管理系统（BMS）发展现状及未来——金鹏
穆浩. 电动汽车锂离子动力电池荷电状态鲁棒性估计方法研究[D].北京理工大学,2016.