采用BMS算法设计的电池SOH

基于BMS算法设计的电池SOH介绍

回帖（1）

古克满

2021-3-12 13:56:27

在此估算器中，辨识结果与 SOH 之间的非线性映射函数如下：SOH ＝ g （P1， P2， P3，．．．）
此处 Pi 是第 i 个辨识的电池参数。在图 2 中，只有一个参数被考虑进来——欧姆放电电阻；然而，一个联合的参数可以被用在此框架中。此技术的缺点是需要在各种条件下的足够大量的测试数据来训练此模型。
比如，卡尔曼滤波器用来在线辨识电池的欧姆电阻，用于 SOH 估算。同时，对电池老化的过程进行研究，建立各种条件下的欧姆电阻与 SOH 关系的查表（图）。最终，整个系统是由参数辨识器（KF）和查表组合而成，使用的概念类似于图 2 展示的框架。
机械疲劳理论估算 SOH
此方法来源于机械疲劳理论（Mechanical Fatigue Theory）。机械疲劳理论在阐述了在不同的载荷作用下的“疲劳现象”。在某些情况下，组件可能会承受反复的开关负载。一定数量的负载循环之后，内部可能会出现疲劳现象，此现象通常可能导致组件的崩溃。使用机械疲劳理论，在这种负载的条件下，组件的寿命可以被估算成循环数的函数。
基于机械疲劳理论的电池 SOH 估算方法的技术之一的理论是“损害累积”（Damage Accumulation）。用这种方法，电池的老化是使用一个框架来估算的，在这个框架中，机械部件的老化时用 Palmgren－Miner 规则来计算的。该规则定义了在一些列可变负载下的组件的机械寿命。组件的寿命是根据在给定条件下施加的负载的循环数来计算。在此类表述中，组件的 EOL 由寿命降低指数（LRI）来定义，介于 0 和 1 之间，单位值表示 EOL。在这种方法中，每个部件都需要在不同载荷条件下进行试验。假设 Ni 是在定义负载（Li）条件下的循环数，N（Li）是新的在相同负载失效前的条件下的组件的循环数， LRI 在一系列的变化的负载（Li， i＝1．．．s）中的定义如下：