BMS部分主要技术Review - SUSTC-XLAB/Battery GitHub Wiki
1.电池电荷状态（SOC）监测功能
SOC即State Of Charge的缩写，代表着荷电状态，也就是我们所说的剩余电量的多少。SOC一般表示为：Qc/Q0，即剩余电荷量占电池标准电荷容量的比例，常用百分数表示；当SOC=1是说明明电池完全充满，SOC=0时表示电池放电完全[1]。
我们可以根据SOC的量来直接了解到电池电量的使用情况，进而可以对系统进行一系列的反馈调节，例如：控制电池的放电/充电策略，以达到快速充电的同时延长电池寿命。由此可见，SOC对于电池管理十分重要，但是我们没有办法直接测量精确的电荷量；而且以锂电池为例，其电荷量与电压并不成线性关系，同时随着使用时间的增加，电池的标准容量也存在损耗。因此如何对荷电状态估计是一个难点问题。由于电荷量与电池的电压、电流以及温度有着密切的关系，因此现阶段的主流SOC估算方法都是基于这三个量进行估算。
以下介绍几个主流以及新出现的SOC估算方法。
安时（Ah）积分法
有公式可见，该方法是通过对电流积分来计算放电量，将标准SOC0减去变化的电量所占的百分比就是T时刻电池的SOC。但是这个方法还是基于测量电流的数值而没有考虑温度和电压以及随着时间电池老化等因素，因此随着时间的积累误差会比较大[2]。
在实际应用中，Ah积分法一般会和其他估算方法结合，进行补偿计算，以提高精度。如：安时积分法和开路电压测量法相结合的SOC估算方案[3]、基于Ah积分法的卡尔曼滤波法[4] 等。
神经网络法
上图为神经网络的原理图，输入信号经过连接权到内隐层的激发函数，再将内隐层信号经过连接权到输出层输出结果，通过大量学习来更新权重最后得到对某一种任务有着有效且稳定输出结果的神经网络模型。神经网络优点在于不需要精确数学模型，具有非线性的拟合能力，而且输入信号可以有不同的属性，因此十分适合进行对SOC的估算。
我们可以通过电流和温度来建立神经网络 SOC=f(I,T)[5] ,也可以通过电压与电流的关系来建立神经网络 SOC=f(I,U)[6] ，可以综合考虑电压、电流、温度的影响 SOC=f(I,U,T)[7] 。示意图如下：
神经网络的优点在于运算速度快，且精度相对较高，相对于卡尔曼滤波法对计算资源要求很低。但其也存在一定的缺点，除了神经网络可能会得到局部最优的自身计算特性上的缺点外，其模型的训练必须基于大量的学习样本，即需要一定量的准确的实验数据，训练周期长，训练成本较高。且随着电池的老化还需要补充性训练才能保障精度。
即使有这样那样的缺点，但笔者个人认为通过对输入数据的补充以及训练函数的优化，神经网络可以作为我们这个项目一个值得研究的方法！（神经网络可以用python编写，使用树莓派即可工作！要问树莓派是什么请看下图：）
超声波分析法[8]
来自德国的Gold Lukas等人提出了一种创新的SOC测定方法，是一种基于锂电池化学反应原理的物理测量方法，即超声波测量法。我们知道，在锂电池充电过程中，Li+离子脱离正极与石墨晶体组成的负极结合，嵌入晶格，会导致石墨晶体产生一定膨胀，进而影响间隙率。超声波通过感知间隙率的变化来精确地测定SOC状态。下图为Li电池化学变化示意图：
Lukas等人通过对soc=1与soc≈0的电池发出一个200KHz的超声波脉冲，得到了如下的反馈波图，第二个图时第一个图经过平滑处理后的图像，我们可以看出有两种脉冲区域，且第一个脉冲区域与soc的变化无关。对于第二个脉冲区域soc=1的波强度明显大于soc≈0的波强度。
根据上述结果，不难推测第二脉冲区域的强度与soc成正比，因此Lukas等人对不同的soc状态进行超声波测试，如下图所示。我们可以看出soc与第二脉冲区域波强度(signal height)成正比，与延时时间(delay time)成反比。
通过对这些不同变量关系进行一定的优化拟合，便可以对soc进行测定估计。最后附上Lukas等人超声波测定的结构图：
开路电压法
上图为电池OCV恢复曲线。由上图可知：充电/放电后的电池经过长时间静置，待其内部稳定后，电池的端电压（OCV）与SOC有相对固定的函数关系，所以可以根据开路电压测定电池SOC。
开路电压法简单易行，但是需要长时间静置，限制了使用条件。而且，对于磷酸铁锂电池而言极化效应明显，极化电压影响大，导致结果误差较大。因此，开路电压法一般用于与其他方法结合使用，作为修正的方法。且使用时静止时间应不小于30s，适用于脉冲放电场合，且电压采样频率不能太低[9]。
线性模型法[10]
线性模型法是根据当前时刻电流 Ik、端电压 Uk、SOC 变化量△SOCk，以及上一时刻的荷电状态 SOCk-1 等电池参数建立相应的线性方程，其方程如下:
其中，SOCk 是当前时刻的 SOC；系数 β0～β3 可根据参考数据通过最小二乘法辨识得到。
该方法适用于电流较小和 SOC 变化缓慢的情况，理论上来说采用线性模型法估算 SOC 适用于各种类型的电池，且对测量误差和不准确的初始条件具有较高的鲁棒性。但对非线性特性的电池精度低，由于动力电池在工作过程中具有高度的非线性，所以在实际应用中有很大局限性。
卡尔曼滤波法
卡尔曼滤波器是Kalman于1960年提出的一种针对动力系统的状态以最小方差为目标的最优化自回归数据处理算法来做最有估计的方法。Gregory将这个方法用于估算SOC。SOC为系统状态Xk的分量，控制输入uk中包：含电流、温度等参数。系统输出yk为电池模型计算的负载电压。系统噪声wk、测量噪声vk均为Gauss型白噪声[11]。
系统状态方程：
x( k + 1) = f( xk，uk ) + wk
测量方程为:
yk = g( xk，uk ) + vk
上式: x( k + 1)表示系统当前的状态向量；f( xk，uk ) ，g( xk，uk )是系统的非线性方程表达式；uk表示系统在 k时刻的输入量；yk是系统k时刻的输出量。SOC包含在系统状态方程的状态量Xk中。如果想对SOC与SOH同时估计，重庆大学邓涛等人提出了一种双卡尔曼滤波法，他们也对具体的迭代过程做了详细的数学描述，值得参考[12]。
王建南等人提出了一种改进的卡尔曼滤波法，将卡尔曼滤波法与开路电压法结合得出较好的估算精度，算法流程图与SOC估算拟合曲线图如下[13]：
卡尔曼滤波法克服了按时积分法的误差累积效应，且对初始误差要求不高，计算结果收敛较快。该方法的误差主要来源于以下三个方面：1.电池随着时间的变化，即模型时变性。2.模型某些物理特征是非线性的，建立准确的数学模型较难。3.噪声的近似处理问题，对噪声模型做了假设，但实际中假设条件可能难以成立。
卡尔曼滤波法更适用于电流波动比较剧烈的混合动力汽车电池SOC估计。
2.电池组均衡方式
现阶段新能源汽车的电力供应都为锂电池电池组。锂电池电池组是用单体电池串联而成，由于加工工艺的问题，单体电池之间存在着“体制”上的差异，即同一型号的单体电池的容量、电压、电阻都些许不同。当电池充放电时，负载或充电电压恒定，低品质电池损耗速度远远高于高品质电池。由于木桶理论，会影响电池组的安全性及寿命。因此需要通过设置与优化电池组的均衡方式，改善单体电池体质不同带来的影响，提高电池组整体的寿命。
目前，电池组均衡方式可以分为两类：主动均衡与被动均衡。被动均衡有曾为有损均衡，是把电压过高的单体电池的电量以热量形式耗散。主动均衡是又称无损均衡，是把高压电池中的能量转移到低电压的单体电池中[14]。
2.1 被动均衡
被动均衡一般采用分流电阻并联单体电池电路中，并对电压较高的单体电池进行放电，闭合该电池分流电阻电路开关，通过分流电阻的电量以热量形式消耗掉。比如在充电时，用该方法为电压较低的电池争取更多的充电时间。该方法存在的问题就是，如果均衡电流过大，散热问题不得不被考虑。如果均衡电流过小，均衡时间就会比较长。
具体方法原理为：每个锂电池上并联一个消耗电路，电路包含消耗电阻DR，与开关DSW。根据各单体电池的电压大小来空时开关的开闭，闭合开关即消耗该部分电池多余电量。如下图所示：
原理图如下：
以充电为例：第一个图中，2号电池由于电压较高或个体容量较小的原因，提前达到额定电量，继续充电会有“过充”存在爆炸的风险，但同时1、3号电池还没有充满，此时电池组的满电量受限于2号电池，这便造成了系统损失。图三表示为了增加电池组满电量，通过被动均衡的方法，使2号电池“过充”那部分的电量（实际是在充电的过程中进行的，并不是先充满再耗散）通过热量耗散掉，即延时2号电池到达额定电量的时间。这样便可以为其余电池争取继续充电的时间，提高系统的电量。
但是如下图所示，对于放电过程，被动均衡无法起作用。在2号电池电量用完时，1、3号电池还剩余部分电量没被使用，无法均衡造成了浪费。
2.2 主动均衡
主动均衡是以电量转移的方式进行均衡。即将充电时将soc增长快的电池电量转移到soc增长慢的电池之中，放电时将soc减少慢的电池电量转移soc减少快的电池之中以达到均衡效果。如下图所示：
2号电池将电量转移给1号、3号电池，使得充电时3个电池的电压一直保持在均衡状态下，这样所有电池都能充满。在放电时，也可均衡电池：1号、3号电池将电量转移给2号电池，3个电池的电压一直在均衡状态下放电，这样所有电池电量都能用完。
主动均衡具体方案有很多，从理念上又分削高填低型（如上述）与并联均衡型两类。其中削高填低可能影响电池寿命。几种典型主动均衡模式如下图：
削高填低，就是把已经电压高的电芯的能量转移一部分出来，给电压低的电芯，从而推迟最低单体电压触及放电。截止阈值和最高单体电压触及充电终止阈值的时间，获得系统提升充入电量和放出电量的效果。
但是在这个过程中，高电压单体和低电压单体都额外的进行了充放。我们都知道，电池的寿命被称为“循环寿命”，仅仅就这颗电芯来说，额外的充放负担会带来寿命的消耗是一个确定的事，但对电池包系统而言，总体上是延长了系统寿命还是降低了系统寿命，目前还没有看到明确的实验数据予以证明。
削高填低的均衡，包括电容式均衡，电感式均衡，变压器式均衡，此三种均衡方式包括充电过程中的均衡以及静置过程的均衡。另外还有一种主动均衡，叫做并联式均衡，它只在充电过程中发挥作用[16]。
电容式均衡
电容式均衡包括集中式和分布式两种均衡方式。如图所示，该图展现的是集中式均衡方式，可实现一对一的精准均衡。设1号电池为电压最高的单体，三号电池为电压最低的单体。所有开关为常开，当均衡器发出均衡指令时，功率开关S1、Q2闭合，此时单体电池B1给电容充电，充电结束后，S3、Q4开关闭合，电容给单体电池B3充电，均衡结束。
电容式均衡均衡效率偏低，事实上电容式均衡是在电容以及相并联电池有压差的基础上进行均衡，在均衡过程中，这种压差一般不大，均衡结果因此并不好[17]。
电感式均衡
这种方法与开关电容均衡方式类似，在此方法中，将电感视为储能元件，在电路中传递能量。这种方法结构简单，控制方便，成本低。但对多节单体电池均衡时，电感均衡效率较低。如图所示，充电时，开关S闭合，给电池组充电。此时右侧的开关全部断开，均衡系统处于关闭状态。设一号电池电压高于其他电池，均衡系统开启，S1、Q2开关闭合，电感与1号电池并联，起分流作用，电感储存来自充电设备与一号电池的电量；当S1、Q2开关关闭，Q3、S4开关打开时，电感为三号电池充电，释放电量，均衡结束。
电感均衡无论在充电过程中还是在静止去极化过程中能量转移效率比较高，但难点在于制作流过电流大且感抗小的电感元器件[17]。
变压器式均衡
在大电流电池均衡中，通常在电池两端使用隔离的DC/DC变换器。多绕组变压器均衡方式为单向DC/DC和双向DC/DC均衡两种。变压器均衡方式中每个电池两端都有一个DC/DC变换器，随着电池组均衡系统的增大以及相应的元器件增多，多绕组变压器DC/DC均衡就形成了[18]。DC-DC 变换器均衡的电路可以分为集中式和分布式。变换器可用于在电池之间传输能量，快速均衡速度和非相邻电荷转移是基于变换器的主动均衡方式的主要优点，但这种均衡方式需要较多的磁性元件，导致成本提高，在单体电池较多的串联电池组中，控制比较复杂。集中式均衡电路通过多输出的变换器，在电池组内实现能量的转移，将能量从电压高的单体电池中转移到电压最低的电池中。形式有：反激式均衡电路结构和正激式均衡电路结构，分别如下图所示：
集中式均衡方式具有较高的均衡效率，需要控制的开关较少，但由于输出绕组匹配较难，均衡过程容易出现偏差，导致可靠性不稳定。在集中式均衡过程中，电量直接从过充电池传递到过放电池中，节省路径。
分布式均衡电路结构复杂，n 个单体电池需要 n－1 个均衡模块。相邻的单体电池通过两电池之间的均衡器进行操作，从而实现整个电池组的均衡。常见结构有 Buck-Boost 电路和 Cuk 电路，分别如下图所示：
该方法所需较大的装置空间要求，二极管数量较多，可能导致部分电量的消失，使得均衡的效率提升变得困难[14]。
Buck－Boost 均衡为：在相邻的两节电池之间放置一个双向 Buck－Boost 均衡模块，通过控制开关实现电量在相邻两节电池间的传递。这种均衡电路控制简单，均衡速度快，能量损耗小，扩展性好。但是能量只能在相邻单体之间传递，当两节电池距离较远时，能量逐级传递，不仅增加了均衡时间，也降低了均衡效率。
Cúk 变换器均衡可以实现相邻两节电池间的能量转移。该电路在开启均衡时均衡电流是连续工作的，具有更高的均衡速度。
基于变压器的均衡电路的优点是均衡速度快、精度高、控制简单。缺点是变压器的漏感会导致均衡偏差的出现，很难补偿，难以实现多输出绕组的精确匹配，且不易于模块化。同时变压器的匝数比也制约了电池组的容扩性，可扩展性差[19]。
并联式均衡
该方式在充电的过程中不能均衡，只能静置去极化的时候进行并联均衡。并联均衡原理图如下：
设4号电池电压最高，2号电压最低，开关S5、S3、Q4、Q2闭合，此时两节单体电池并联，自动均衡，电压趋于一致。
总结
对于集中式均衡拓扑结构，采取极值均衡法。找到串联电池组中的最大值或最小值。通过对电量最高的电池单体放电或者对电量最低的电池单体充电的方式实现均衡。该策略在一致性较差的情况下均衡速度慢且容易造成控制逻辑混乱。对于串联型均衡拓扑结构，只能对相邻两节电池进行均衡，所以一般采用差值比较法进行均衡控制。通过比较相邻两节电池的电压并进行能量转移。
在均衡电路方面，现有的基本均衡技术都具有各自的优势，但也存在效率低、速度慢、成本高的问题，导致均衡能力不能够达到最好。最佳的均衡电路的能量传递路径必须是长串联电池组中的任意两个单体，均衡电流的传输节点尽可能的减少，体积小，成本低，且方便模块更换与数量扩张。
对于均衡控制策略，要求能够实现动态均衡，自动整均衡阀值和均衡策略，均衡精度高，能量转换效率高，使用安全可靠。
[1] 荷电状态-百度百科
[2] 华周发, 李静. 电动汽车动力电池SOC估算方法综述[J]. 电源技术, 2013, 37(9):1686-1689.
[3] 陈方国, 赵志伟. 高精度估算 SOC 的锂电池管理系统研制[J]. 科技风, 2012(17):43-44.
[4] 李建成, 戴瑜兴, 全惠敏,等. 基于改进Kalman滤波和安时积分的SOC复合估算[J]. 电源技术, 2014(12):2267-2269.
[5] 项宇, 刘春光, 苏建强,等. 基于BP神经网络的动力电池SOC预测模型与优化[J]. 电源技术, 2013, 37(6):963-965.
[6] 蔡信, 李波, 汪宏华,等. 基于神经网络模型的动力电池SOC估计研究[J]. 机电工程, 2015, 32(1):128-132.
[7] 电动汽车主从分布式电池管理系统设计_张传伟
[8] Gold L, Bach T, Virsik W, et al. Probing lithium-ion batteries' state-of-charge using ultrasonic transmission – Concept and laboratory testing[J]. Journal of Power Sources, 2017, 343(C):536-544.
[9] 汪奂伶,侯朝勇,贾学翠,许守平.电化学储能电池荷电状态(SOC)估算技术对比分析[J].电器与能效管理技术,2017(05):76-83.
[10] 李亚林.动力电池荷电状态估算方法浅析[J].汽车实用技术,2017(18):120-121+124.
[11] 刘博鑫,李军.锂电池SOC研究综述[J].汽车工业研究,2018(10):43-48.
[12] 邓涛,罗卫兴,李志飞,罗俊林.双卡尔曼滤波法估计电动汽车电池健康状态[J].电池,2018,48(02):95-99.
[13] 王建南.基于改进卡尔曼滤波算法的光伏电池剩余电量估算[J].物联网技术,2017,7(11):58-59+62.
[14] 李志扬,陈雨飞,吕帅帅,鲁文凡,倪红军.锂电池组均衡方式的研究现状[J].电源技术,2018,42(09):1404-1407.
[15] 《浅谈电池管理系统的被动与主动均衡》作者：石振懿 文章来源：AI《汽车制造业》 发布时间：2017-12-29
[16] 【誉辰自动化·高工产品】动力电池主动均衡典型方法，文章出处：【微信号：gh_a6b91417f850，微信公众号：高工锂电技术与应用】
[17] 刘秀岗. 动力电池组充电过程中主动均衡策略研究[D].吉林大学,2017.
[18] 孟少华,申彩英.电动汽车动力电池均衡控制策略[J].汽车工程师,2018(06):19-21.
[19] 梁嘉羿,王友仁,黄薛,耿星.蓄电池能量均衡技术研究综述[J].机械制造与自动化,2018,47(03):26-30.