CAT蓄电池电池管理系统

电池办理体系（BMS）技能关于监督各种运用场景中的电池组至关重要，特别是在电动汽车（EV）中[10, 12]。BMS经过监测电压、电流、温度、荷电状况（SOC）和健康状况（SOH），关于进步电池功能和安全性至关重要[12, 14]。BMS运用库仑计数算法和传感器数据，精确预算电池的SOC和SOH。此外，BMS还供给要害功用，例如当阈值超越时断开负载，保证电池坚持在安全作业规模内[12, 14]. 图2展现了电池办理体系的概念。

图2.

BMS单元的概念。

4.1 电池热办理

电池热办理在影响电动汽车的全体功能和可靠性方面发挥着至关重要的作用。高效的热操控关于保证电动汽车中运用的锂离子电池的安全性、运用寿数和最佳运转至关重要[150]. 咱们选用多种热办理战略，包含主动冷却、被迫冷却和混合体系，以缓解温度相关的功能退化并优化电池健康，然后影响能耗、续航路程和安全性 [151]. 文献 [152] 标明不同的电池热办理体系对能耗、电池容量衰减和碳排放的影响各不相同。依据相变资料的体系在下降能耗和排放方面体现更优。先进的热办理体系，如碳基相变资料（PCM）纳米复合资料，有助于将电池坚持在合适的温度。这经过防止热失控和不均匀加热等热问题，使电动汽车更安全、更高效 [153, 154].

对锂离子和锂金属电池潜在危害的进一步剖析提醒了严重的安全挑战，特别是关于热失控事端。过热会发生严重危险，或许导致电池破裂、起火或爆炸。特定的降解路径将其确认为首要的失效机制，严重影响电池功能和热安全 [155]。施行对纳米颗粒、气体和温度的监测体系可以促进早期干涉，下降事端危险 [156]. 对资料和组件进行主动评价，可以在商业化之前进步安全性评价，然后节省时刻和本钱 [157]. 总体而言，这些领域的继续研讨与开发关于发明更安全的锂离子电池技能并有用缓解相关危险是必要的。

4.2 电池参数与状况监测

监测电动汽车电池的参数与状况关于有用的电池办理至关重要。多篇研讨论文强调了运用物联网技能进行实时监测的重要性 [158, 159]、依据多任务学习的状况温度监测办法 [160]、具有长途通讯才能的安全监测体系 [161] 以及用于监督电池组的电池办理体系 [162]. 这些体系专注于经过数据收集、处理和操控战略来监测电池健康状况（SOH）、荷电状况（SOC）、放电深度（DOD）和内阻，并评价电池安全状况。

4.2.1 电池荷电状况

电动汽车中的荷电状况（SOC）是实现电池最佳功能和高效运转的要害参数。多项研讨标明，精确预算SOC关于进步电动汽车的可靠性和可用性至关重要。研讨指出，SOC预算办法触及车辆加速度、速度、电池温度、电机转速、电流和温度等参数 [163]。因为锂离子电池具有高能量密度和长寿数，电动汽车一般选用锂离子电池，这使其成为SOC办理的抱负选择 [164]. 研讨人员提出了新的思路，例如平滑变结构滤波硬件架构，以进步SOC预算的精确性。这标明该办法核算功率高，可用于电动汽车电池体系的实时运用 [165]. 总的来说，精确的SOC预算关于充分发挥电动汽车的功能、支撑环境可继续性以及在各种场景下鼓舞更多人购买电动汽车至关重要 [166, 167].

与穆姆塔兹·诺琳合作等人 [168]，经过运用先进的卡尔曼滤波办法（如现代电池办理体系中运用的扩展卡尔曼滤波），可以实现精确的荷电状况（SOC）核算。在处理电池的非线性行为时，这些滤波器更为精确。它们将SOC盯梢差错下降至0.32%至1%，而旧办法的差错规模高达5%。最终，这些成果中选用更先进的预算办法下降了BMS中的SOC盯梢差错，有助于改善电动汽车电池的办理并延伸其运用寿数。

4.2.2 健康状况

SOH 供给了对电池健康状况的评价，详细而言是关于其退化程度的评价。SOH 与放电程度相关，不像 SOC 那样容易确认。本质上，它标明电池在到达运用寿数极限前所剩下的循环次数，可标明为：

SOH=CurrentcapityInitialcapity⋅100
(2)

咱们还依据参数界说了 SOH。

δSOH(t)=SOH(t0)+∫τ=t0tδfunc(I,T,SOC,other)dτ
(3)

初始电池健康状况，记为SOH(t0)⁠，受函数δδfunc⁠的影响，该函数取决于电压、电流、热量、荷电状况（SOC）、机械振动、过电位等要素[169–172].

Pattipati等人 [173] 将容量衰减和功率衰减整合，以指示电池的健康状况。容量衰减指的是续航路程的削减，而功率衰减指的是与满电电池比较加速才能的下降。活性资料的退化、内阻的上升以及不可防止的反响等要素一般会影响电池的全体健康状况。SOH 关于猜测电池的剩下运用寿数（RUL）至关重要。电池办理体系（BMS）在精确评价电池的 SOH 方面发挥着至关重要的作用，以保证安全可靠的运转。无模型、依据模型和数据挖掘办法一般用于进行 SOH 估量 [174, 175].

4.2.3 剩下寿数或剩下运用寿数

“寿数状况”（State-of-Life，简称SOL）一词描述了电池的剩下运用寿数，指的是电池在到达其运用寿数结尾（EOL）前所能准保证持的充放电循环次数或其他要素。精确猜测SOL关于防止毛病和保证电池组的准保证护至关重要，特别是在军事环境中。此外，猜测剩下运用寿数（RUL）能使电池办理体系（BMS）进步本钱效益、可靠性和精确性，一起防止任何类型的毛病：

RUL=Tf−TC
(4)

Tf是随机毛病时刻，而Tc是当时时刻。Pattipati等人 [173] 运用容量衰减 C(i) 和功率衰减 P(I) 猜测剩下运用寿数：

RUL(k)={h(P(i),C(i)}
(5)

在猜测剩下运用寿数时，有必要考虑环境条件和建模差错等不确认性要素 [169, 171].

Geerts等人. [176] 提出了一种用于简化电池剩下运用寿数（RUL）猜测的机器学习（ML）模型算法。成果标明，尽或许缓慢地为单辆车充电能最大限度地延伸该车辆的RUL，因为电池退化程度较低。Ali等人. [177提出了一种依据部分放电数据（PDD）的新式支撑向量机（SVM）模型。运用支撑向量回归猜测剩下运用寿数（RUL）。研讨发现，依据PDD特征练习的SVM分类和回归模型，在电池办理体系（BMS）存储压力不大时，可以精确猜测剩下运用寿数。依据PDD的SVM模型可用于电动汽车的在线剩下运用寿数估量。综上所述，电动汽车中的电池办理体系关于经过监测和操控剩下运用寿数来优化电池功能至关重要。

4.2.4 功率状况与能量状况

BMS 有必要监控功率状况（SOP），这是一个至关重要的参数。每个电池单元的内阻会因时刻、运用情况、温度和环境条件而改动 [178, 179]。这些要素会影响电池单元的功率输出。SOP 可以运用以下特定方程来界说 [180]:

SOP=Power(current)Power(initial)
(6)

据南比所述等人. [181，他们开发了一种杂乱的算法，运用人工智能（AI）和机器学习（ML），经过剖析历史数据和当时运转状况来预算荷电状况（SOP）。这经过保证动力输出响应敏捷且高效，然后进步车辆功能，这关于驾驭动态和制动时的能量收回至关重要。总之，电动汽车中的电池办理体系（BMS）经过监测和操控荷电状况（SOP），在优化电池功能方面发挥着至关重要的作用。

能量状况（SOE）经过特定的数学表达式，量化电池剩下能量与最大可用能量之间的联系 [180]:

SOE=EactualEmax
(7)

关于固定式运用，电池办理体系（BMS）精确的状况估量（SOE）关于节能以及处理猜测续航路程和预算备用时刻等任务至关重要。温度、充放电电流率和老化会影响状况估量和最大可用能量 [179]。BMS选用各种算法和技能，如自习惯无迹卡尔曼滤波器，以精确估量状况估量。这保证电池在安全规模内运转，并进步电动汽车的经济功能 [182, 183]. 总而言之，它经过下降电池毛病相关的危险（如过热以及因过度充电导致的潜在爆炸）来进步电动汽车的安全性。此外，这种优化不只增强了安全性并延伸了电池寿数，还进步了电动汽车的全体功率和功能。

4.2.5 放电深度

放电深度（DOD）是指相关于电池最大容量的放电容量比例。当咱们运用电池容量的80%时，一般认为是深度放电 [184]。较高的放电深度会导致电池寿数缩短。例如，当放电深度超越50%时，铅酸电池的运用寿数会缩短。BMS应监测和坚持放电深度，以防止意外情况发生。您可以运用更大容量的电池并下降放电深度，以延伸运用寿数。荷电状况（SOC）是衡量放电深度的另一种办法，界说为 [185, 186].

DOD(t)=1−SOC(t)=Q0−∫0tIb(τ)Q0⋅100%
(8)

电池办理体系的规划有必要保证在深度放电期间仍能实现最大能量输出和全功率输出，以实现最佳运用作用。

BMS的首要功用之一是施行操控充放电循环期间放电深度（DOD）的战略。经过细心办理放电速率并将DOD限制在安全水平，BMS可以显著削减电池的磨损。在研讨中，Yalçın和Herdem [187] 进行了测验，以评价优化的充放电方案对电池健康的影响，特别是重视DOD对电池寿数的影响。经过这种优化，DOD保证电池在峰值功率下运转，供给共同的功能并削减动力糟蹋。

4.3 电池均衡与充电操控

电池均衡与充电操控是保证电动汽车电池体系功能最优和安全的要害方面。研讨人员提出了多种技能和办法来处理这一问题。为了使其作业得更好、更高效，研讨人员提出了新的办法和依据电容的均衡器，例如开关电容均衡器 [188, 189] 和均衡电流纹波消除转换器 [190]. 选用结合被迫和主动技能的混合均衡拓扑结构的电动汽车电池组，在堆栈和电池层面的电压均衡方面展现出潜力 [191]. 此外，研讨人员还提出了单电感架构，以高效地在电池体系中的电池或电池串之间传输能量 [192]. 这些电池均衡技能的进步关于进步电动汽车电池的全体功率和运用寿数至关重要。

电池均衡是电池办理体系（BMS）的另一项要害功用。它处理了电池组内单体电池之间电压和容量的不平衡问题，这种不平衡或许由制作差异、老化或不同的运用形式引起。如图3所示 [6]，电池办理体系（BMS）选用被迫和主动两种均衡办法来使电池单元坚持平衡。这使得整个电池组的功率更高。这种均衡进程进步了电池的功能，并下降了过充或过热的危险，然后防止安全隐患。电压和充电曲线的差异如图3a所示或许会对储能体系的可靠性发生晦气影响。将所需读档从另一个相似的单元转移到欠载单元，可将该单元进步至作业规模内的读档/应力水平。图3b说明了一个等效的电池单元串。

图3.

电池单元充电操控概念：(a) 不平衡状况和 (b) 均衡状况。

4.4 毛病诊断与保护

电动汽车的毛病诊断与保护是保证电池体系和电动机驱动等部件安全、可靠及功能的要害方面。为了精确发现并修正电动汽车的毛病，人们开发了多种毛病检测与诊断办法。其间一些办法包含熵算法、依据机器学习的办法，以及参数估量结合机器学习分类算法[193–195]. 这些办法企图找出不合逻辑的改动，找出问题所在，并依据类型和位置对问题进行分类，制作出车辆一切部件健康状况和毛病状况的完好图谱。早期毛病诊断体系关于主动保护、削减突发毛病以及进步车辆全体健康状况、功率和安全性至关重要 [196–198]. 在电动汽车中整合先进的毛病诊断技能关于保证最佳功能、下降保护本钱以及推行未来的可继续交通处理方案至关重要。

在王的研讨中 [198], 介绍了一种用于电动汽车锂离子电池的新式毛病诊断办法，该办法依据运用大数据剖析的多办法交融战略。首先，除掉异常值，并选用t分布随机邻域嵌入和小波变换去噪技能进行初步毛病剖析。咱们运用因子剖析识别对电池毛病有显著影响的各种车辆特征。此外，还选用双向长短时记忆网络与卷积神经网络相结合的办法提取毛病特征。 依据成果，该主张办法在对多种车辆数据进行测验时，可将毛病诊断的精确率进步约12%。

4.5 安全电路

安全电路关于电动汽车电池办理至关重要，因为电动汽车运用的锂离子电池自身存在固有危险。这些电池在运转进程中会发生大量热量，因此需求进行温度监测和操控，以防止过热并保证安全运转 [199, 200]。安全监测体系也非常重要，因为它可以查看电池状况、检测内阻，并依据多项评价选用操控战略，以保证电池安全并坚持杰出运转 [201]. 电动汽车正变得越来越遍及。为了保证电动汽车的安全性和可靠性，电池需求具有内置的安全功用，以保护其免受火灾、过充和机械应力的影响 [161]. 施行电池办理体系（BMS）关于监控参数、确认电池健康状况和荷电状况（SOC）以及保证电池组的运用寿数也至关重要——然后有助于电动汽车的安全可靠运转 [202].

Chang [161在研讨进程中，提出了一种针对电动汽车动力电池安全监控的办法。状况监测架构包含信息处理子体系、执行模块和长途通讯单元。数据收集结构经过先进的数据传输技能，将收集到的电池状况数据传输至数据存储体系的缓存中。此外，评价指标结构依据多要素、多层次剖析，运用含糊逻辑推理对电池安全性进行全面查看。该办法的成果能更精确、客观地反映电池单体的真实状况，有助于更精准地展开动力电池安全运用的大数据剖析。

4.6 车辆功能评价

电动汽车功能评价会调查许多方面，如续航路程、电池充电时刻、安全特性、动力功率、环境影响以及全体驾驭质量，以评价电动汽车的作业功能和功率[203]。文献[204]标明，与传统内燃机比较，电动汽车在削减污染物、进步动力功率和环境效益方面具有优势。Almatrafi等人 [205] 主张运用不同的行进工况（如城市动力学行进工况（UDDS）、纽约市工况（NYCC）和全球一致轻型车辆测验规程（WLTP））来测验电动汽车模型的功能。这些工况有助于剖析速度、电池荷电状况（SOC）和功率消耗。核算包含 UDDS、NYCC 和 WLTP 的单一行进工况所需的能量，以确认哪种行进工况的能耗最低。能耗的模仿成果约为 UDDS 为 16.437 千瓦时，20.NYCC工况下为568 kWh，WLTP工况下为11.113 kWh。经过行进循环后，UDDS的SOC值为88.35%，NYCC为87.66%，WLTP为87.62%。这证实了WLTP行进循环的能耗最低，为11.113 kW，一起SOC值为87.62%。成果标明，特定行进循环的耗电量更少，SOC值更高[205].

4.7 电动汽车电池办理体系中的人工智能办法

咱们将人工智能办法分为机器学习、深度学习、优化和依据规则的战略。电池参数关于评价荷电状况（SOC）、健康状况（SOH）和剩下运用寿数（RUL）至关重要，机器学习技能运用各种参数来进步精确性。评价内阻关于了解电池健康状况至关重要，使机器学习算法可以经过电阻改动来猜测SOH和RUL。机器学习算法经过剖析循环特性、电化学阻抗谱数据、日历老化效应以及运转条件，构建可以精确猜测SOC、SOH和RUL的模型[206]. 表5展现了用于电动汽车BMS运用的机器学习技能的比较。

用于电动汽车电池办理体系（BMS）运用的机器学习（ML）技能比较。

机器学习办法	目标	发现	优点	缺点	参考文献
BP神经网络	SOH和RUL	均方根差错为0.78%。 均匀绝对差错为1.01%	非线性建模 主动特征建模 习惯性	杂乱度与过拟合 漫长的练习时刻 缺少可解释性	[207]
RBFNN	SOH	经过施行该组合模型，AAE和道路均方根差错可别离下降0.23%和0.34%。	非线性和函数迫临 本地学习与泛化 可解释性	径向基函数的选择 可扩展性有限 缺少按部就班的学习	[208]
极点机器学习	SOH	值差错 <2.5%	快速练习 简略实现 可扩展性	对模型杂乱度的操控有限 在噪声数据中的过拟合 缺少可解释性	[210]
RF	SOH和RUL	SOH均匀精确率为1.8152%	更高的精确率 对噪声数据的鲁棒性	缺少可解释性 过拟合潜力 贵重的内存和核算资源	[211]

反向传播神经网络（BPNN）是一种深度学习技能，经过微调神经网络的参数以减小猜测成果与实践成果之间的差异来进行练习。这使得网络的精确性随时刻推移不断进步。一项研讨[7] 创建了一个模型，用于估量锂离子BMS的健康状况（SOH）和剩下运用寿数（RUL）。该办法结合了粒子群优化（PSO）与BP神经网络（BPNN），以识别最佳参数并改善成果。成果显示，均方根差错（RMSE）和均匀绝对差错（AAE）别离为0.78%和1.01%。BPNN在建模电池数据中的杂乱联系方面特别有用，使其合适用于估量荷电状况（SOC）。此外，BPNN可以处理非线性趋势并习惯电池条件的改动。

径向基函数神经网络（RBFNN）是一种运用径向基函数作为激活函数的人工神经网络。吴等人. [208] 提出了一种用于预算锂离子电池健康状况（SOH）的改善型 RBFNN 办法，其最大差错为 ±4%。张等人. [209] 创建了一种将粒子群优化（PSO）与径向基函数神经网络（RBFNN）相结合的混合模型，用于猜测锂离子电池的健康状况（SOH）。他们的研讨成果标明，均匀绝对差错（AAE）和均方根差错（RMSE）别离下降了0.23%和0.34%。因为径向基函数可以估量杂乱函数，RBFNN在杂乱且非线性的电池运用中体现出色。但是，为了使RBFNN发挥最佳功能，有必要细心调整参数，特别是在改动径向基函数位置时。尽管如此，它们在识别杂乱形式和非线性方面的熟练度使其在神经网络和机器学习研讨中具有重要价值。

在监督学习中，特别是在神经网络领域，极限学习机（ELMs）是一种机器学习算法。ELM运用简略的激活函数，如Sigmoid函数或径向基函数，随机设置输入层与躲藏层之间的权重。这些函数运用于躲藏神经元。一般，ELM只要一个躲藏层。BMS选用ELM是因为其具有增强的可扩展性、快速的练习速度和有用的泛化才能。Pan等人. [210] 提出了一种依据ELM算法的SOH预算模型。该模型展现了优异的速度和精度。研讨成果标明，最大预算差错低于2.5%。

随机森林（RF）是一种灵敏且广泛运用的机器学习算法，适用于分类和回归任务。与其他算法比较，RF 具有较强的抗过拟合才能，而且需求的超参数调优较少。Wang等人. [211] 运用随机森林模型对锂离子电池的健康状况（SOH）和剩下运用寿数（RUL）进行了猜测。作者报告的 SOH 均匀差错为 1.8152%，其精度优于传统模型。在 [212在该研讨中，作者运用RF办法，选用多种锂离子电池资料对SOC进行了预算。经过在不同热工况下进行室温试验测验和电动汽车行进工况测验，对模型进行了验证。RF模型体现优异，如在25°C下的动态应力测验工况中，均匀绝对差错为0.193%；在混合脉冲功率特性测验中，均方根差错为0.382%。