BMS核心问题简述

前言

BMS设计是一个复杂的系统工程，能用一篇文章想讲透一个问题都很困难，想穷尽所有问题更是难上加难。本文仅从当前大家关注的几个核心问题入手，尽量深入的剖析其中的核心要素和设计思想，并会穿插一些设计案例。

本文的脉络是：安全、可靠的产品，准确的状态估算和故障预测，全寿命、全环境的适应能力。

电池管理系统(BMS)是可充电储能系统(RESS)的大脑，负责管理RESS系统的使用边界，保证电池工作在合理状态。

国内动力电池系统的BMS，大概是从2006年，北京公交采用大容量铅酸电池，改造部分“辫子车”开始的。当时的系统大概600V左右，BMS功能还仅限于一些物理量的测量，比如每个铅酸电池的电压，系统电流，绝缘情况，电量状态；硬件设计都是采用分立器件，大量采用模拟电路进行信号调理和隔离采集，成本高，设计难度大。

随着国家2009年《节能与新能源汽车示范推广财政补助资金管理暂行办法》发布，尤其2013年《关于继续开展新能源汽车推广应用工作的通知》政策的出台，BMS随着新能源汽车的崛起，飞速发展。

11年来，BMS系统在硬件设计上，得益于上游芯片厂商的不断努力，集成度越来越高，可靠性和安全等级越来越高，成本也越来越低。系统功能性能上，大家的关注点也从BMS系统的采集精度，逐步转移到BMS和电池的匹配，以及各种控制策略的设计上。而且随着动力电池系统的使用，大量的数据积累，让工程师能够窥探电池系统在全寿命周期和全天候条件下的表现，进而通过BMS的设计，不断优化系统。

首先电池本身的特性决定了，它有很多失效模式。过充电，过放电，温度过高等，严重的会导致起火、爆炸、有毒气体泄漏等安全事故。BMS首先要做的是安全管理。

怎样的设计才是安全的设计呢？类似火车路口，通过火车轨道这个功能，图1的设计就是功能安全的，图2的设计就是功能不安全的。

Table1功能安全

Table2无功能安全

这里不画V流程，不讲功能安全概念，这些教科书上都有。我们想强调得是安全是系统性工程，不仅仅是流程安全，更要有扎实的软硬件设计功底和对电池的深入理解，不仅是BMS功能安全，更是电池系统以及整车的功能安全。

那怎么设计呢？例如针对单体电池的充电功能，我们设计了8个维度的防护措施：包括多重的硬件冗余和软件算法冗余设计。硬件主要从不同的维度，包括电压，温度、电流以及时间上，通过电池模型进行相互校核，保证电池信息采集的完整性，软件上通过不同的算法，如离散度以及极差等进行对比，最后基于所有信息进行安全状态判断，进而控制电池的充电过程。

Table3单体充电功能，8重安全防护设计

汽车零部件有着苛刻的可靠性要求。可靠性不仅靠研发保证，更要靠从研发到生产的全流程保证。这里的核心问题是可靠度价值和可靠性模型。需要工程师平衡和把握。

可靠度价值=研发成果*成果价值/研发时间*研发成本

可靠性模型：

Table4可靠性模型

简单来说就是设计边界怎么确定，怎么进行开发，怎么进行验证。这里的核心理论是阿氏模型，这是加速实验的理论基础

Table5加速实验理论

AF：为加速试验的加速系数。K:玻尔兹曼常数电子元器件的失效原因与器件本身所选用的材料、材料之间、器件表面或体内、金属化系统以及封装结构中存在的各种化学、物理的应有关。器件从出厂经过贮存、运输、使用到失效的寿命周期，无时无刻不在进行着缓慢的化学物理变化。在各种外界环境下，器件还会承受了各种热、电、机械应力，会使原来的化学物理反应加速，而其中温度应力对失效最为敏感。实践证明，当温度升高以后，器件劣化的物理化学反应加快，失效过程加速，而Arrhenius模型就总结了由温度应力决定的化学反应速度依赖关系的规律性，为加速寿命试验提供了理论依据

BMS系统有上百种物料，这里拿BMS系统里面的一个HCU子系统中，一个最最小的被动器件，电容的选型，来讲讲BMS的可靠性设计，这里也仅从机械应力失效角度做分析。

尺寸:1206(3216)

额定电压:500V

标准容量:100pF~220pF

电阻:A(柔性端头)

介质材料:C0G(NPO)

误差:J:±5%

按照我司可靠性评价方法做设计验证(EVtestplan)实验规程参考：

Table6HALT流程

实验完成后进行参数测试，并做解剖分析，确认失效模式和失效应力边界。在这里可能的改进措施是调整电容的焊接方向，布置位置，以及电容大小或者更换电容型号。

确认设计指标是否满足，需要平衡可靠度价值和产品定义。

Table7可靠度

按照我司可靠性评价方法做设计验证(DVtestplan)，定量验证震动指标是否满足要求

采用HASS筛选实验，做100%下线检验。确保HALT中找到的失效模式都得到改善和落实。

采用抽样理论对BMS进行HASA实验，防止有缺陷产品交付到客户手中。

可靠性的设计验证贯穿产品研发和生产的全流程。

状态估算是BMS系统的核心功能之一，主要是通过对电池系统表征参数的测量，估算电池系统当前的容量状态，能量状态，功率状态，寿命状态等信息，为电池系统的使用提供判断依据。

由于电池系统是复杂的非线性时变系统，外界环境不同，使用工况不同以及寿命状态不同，电池都会表现出不同的特性。

Table8一杯红酒，不同场合，不仅味道在变，量也在变

对于这种随时间变化的系统，对其做准确状态估算非常困难，从技术发展趋势上看，我觉得会有2个竞争阶段，一个是建模能力的竞争，一个是大数据的竞争。当前的竞争体现在建模能力上，无论是物理模型还是电化学模型，都是需要对电芯机理有着深刻的理解。未来两三年的竞争很快会变成数据的竞争，拥有大数据的人，会通过机器学习不断优化模型，迭代速度会超越人工建模的团队，而且基于大数据的分析，准确性也会超越人工建模。图9和图10分别为神经网络模型和物理模型。

Table9SOC估算的神经网络架构

Table10物理模型

当前我们撇开复杂的电化学机理，采用物理模型和大量实验，不断优化算法，已使状态估算的精度和可靠性达到了比较高的水平。

美国先进电池联合会(USABC)在其《电动汽车电池实验手册》中定义SOC为：电池在一定放电倍率下，剩余电量与相同条件下额定容量的比值。

SOC(stateofcharge),也就是电池这个时变系统，当前的荷电状态，仅仅是一个比例，并不代表容量大小，能量多少。

Table11都是满的，量却不同

行业很多工程师讨论SOC精度，讨论续驶里的准确性，其实根本不是在讨论一个问题。而且，SOC只是BMS系统软件算法的一个中间变量，与SOH，故障状态等参数一起参与计算SOE，进而推导出续驶里程，

虽然对SOC有诸多误解，这个指标仍然需要去准确估算。SOC的估算是一个老话题，无非建立物理模型，设计电池测试矩阵，进行参数识别，验证模型精度。

核心问题是模型正确性和参数准确性。模型准确性，这里强调一下锂电池充放电过程的滞回现象。参数准确性，强调2点，一是模型参数随状态变化，二是模型参数随时间变化(日历寿命和循环寿命)

锂电池状态估算模型的准确性主要取决于模型的准确性，模型的准确性又取决于一个重要的特性曲线-锂电池的容量电压曲线。这条曲线是非线性时变的，而且还有一个重要特性，那就是滞回现象。锂电池充放电过程的滞回现象表现在充电和放电过程的容量电压曲线不能完全重合。

Table12锂离子电池滞回

所有材料体系的电池都存在这样的特性，上图是三元体系电池的滞回特性图。

根据这样的特性，当前大概有三种应对方案。一是如图12，电池建模考虑迟滞因素，采用充放电分开的方案。二是如图13，采用平均值作为建模依据。三是直接采用充电线或放电线，当然前提是滞回特性不明显。

Table13锂电池物理模型

Table14采用平均值处理滞回曲线

模型建立后，需要对模型参数作准确的参数识别。模型参数随状态和时间变化而且同样表现出滞回特性。模型参数随状态变化是算法估算的难点。下图是我们根据模型和电池数据识别出的2个模型参数。

Table15模型参数C1随状态变化

Table16模型参数R0随状态变化

算法策略上需要建立三组方程：模型参数和状态的关系，状态和OCV的关系，OCV和BMS的观测量的关系。然后采用卡尔曼滤波算法做迭代回归，估算SOC的状态。

Table1725℃充电HPPC真值SOC与SOC估计值

本算法已经可以实现基于扩展卡尔曼滤波的SOC估计。由图17可以看出，初值起始设定为50%时，算法的估计值可以在初期就可以收敛，且误差不超过3%。

SOP反应的是当前可放出的最大功率，在微观机理上由电化学反应速度，离子传输速度以及传输阻抗带来的损耗决定，当然受到集流体最大功率的限制。宏观上跟温度，荷电状态以及寿命相关。

考虑到电芯老化带来的功率输出能力下降，本质上还是由于活性物质减少和内部阻抗变大。活性物质减少会表现在容量电压曲线的下移，内部阻抗变大，表现在2阶物理模型中直流阻抗和极化阻抗的变大。我们可以通过物理模型的当前参数，估算某功率条件下，开路电压和放电倍率是否超过安全边界来确定这个功率值是否合理。

电动车用动力电池随着长时间的运行，性能会不断衰减，如何准确的评价电池的健康状态成为了BMS算法中，非常重要的一环。但是锂电池的衰减由于其复杂的电化学特性，呈现出明显的非线性特征。随着寿命的降低，动力电池的性能指标主要体现在容量的降低(续驶里程减少)与直流内阻的增加(输出功率降低)，一般地，能量型电池的性能衰减体现于容量衰减，功率型电池性能衰减体现于电阻变化。对于混合动力型汽车来说，电阻的增加更有参考价值，而对于纯电动汽车来说，容量的衰减更有参考价值，本文中也将只对容量的衰减进行讨论。

基于容量的SOH定义为

Cap_BOL为新电池的标称容量，Cap_fade为使用过程中容量的衰减量。

锂电池的寿命衰减主要可以分成两类，静置寿命(CalendarLife)和循环寿命(CyclingLife)。

静置寿命顾名思义，即使不使用，电池的寿命，即最大容量仍然会减少。根据以往的经验和研究，静置寿命受到SOC与温度的影响，温度过高，SOC过高或者过低，都会加速静置寿命的衰减。寿命模型也多用指数函数进行拟合。

Table18不同温度下的容量衰减率

循环寿命的主要影响因素如下：电流(C)，温度(T)，放电深度(DOD)与已循环次数(t)。寿命模型的函数形式为,为了探究各个因子对寿命造成的影响，需要结合实际的运行工况，进行相应的实验设计，才会得到一个准确的寿命模型用于计算寿命的衰减，并对剩余的循环寿命进行预测。

Table19循环寿命与充放电深度的关系

如何进行实验设计，也成为了获取这一函数关系的关键。以往，单因素实验法，正交试验法，全析因实验法，以及响应曲面法都用于了实验设计。由于寿命试验的长周期性，并且考虑到因子与因子间可能存在的交互作用，我们选用了响应曲面法用于加速寿命试验的应力点设计。

预测强调的是未来可能发生的故障，诊断强调的是已发生风险怎么识别。

Table20诊断Table21预测

BMS在设计过程中已经越来越多的考虑故障诊断，比如电池单体电压采集线的断线诊断，继电器触电的黏连失效诊断等等，几乎所有的硬件接口都有诊断功能。而且软件里面也设置了很多的阈值，用于诊断BMS系统的工作状态，这里就不强调诊断了。

下面我们讨论一下预测的可行性和落地方案。

下图是两起电动汽车起火事件，上面提到的BMS的安全管理为事后管理，在泊车状态下的电池事故，一方面由于系统已经关闭无法监控，另一方面如果发生类似内短这样的风险，如果不能在热失控前判断出来，等热失控再诊断也就晚了。

Table226月26日，北京，当日下午六点多钟，北京三里屯工人体育场北路发生一起汽车(江淮iEV5纯电动)自燃事件。

Table234月26日下午6时许，深圳湾口岸中国普天力能加电站内，一辆大巴车起火。

故障预测的方法论：

失效电芯或多或少都会表现出区别于其他电芯的特性，或者说表现出一定的离群特性。这里有个假设是，电芯生产的一致性，也就是出厂电芯特性符合一定的概率分布。

有2种方法论，一是基于出厂数据的绝对阈值判断，我们可以采用概率的方法计算电芯参数偏离均值的概率，选取合适的概率值，只要电芯参数表现出小概率事件的特性，我们就有理由认为此电芯有失效风险。

二是相对值判断，也就是离群度判断。我们认为如果一个电芯的特性，明显区别与其他电芯，表现出很强的离群性，我们认为此电芯有失效的风险。

基于云端长期运行大数据我们甚至可以推测出电芯失效的概率

图24为某车辆失效电池的前期数据，可以看出10号电池表现出一定的离群特性。如果采用传统的极值判断，无法预测电池的故障状态。但采用离群分析算法，可以把10号电池筛选出来。

只要选择合适的判断条件，此方法屡试不爽。

Table24失效电芯前期的数据表现

首先寿命管理是系统设计，这里把它分成机械寿命和电池寿命，机械寿命体现在REESS设计过程中，要考虑电芯布置，RESS框架及外壳设计还要考虑车身连接。电池寿命在RESS设计过程中主要体现在热管理设计，三电匹配设计，充放电策略设计。系统设计完成后电池寿命基本确定，这时BMS系统介入，负责准确判断电池当前状态，控制车辆的各种使用工况，使寿命和各种性能达到合理平衡

这里强调机械寿命，并非强调框架，外壳本身的机械寿命，而是结构设计会影响电芯的寿命表现。原因在于电芯在不同震动强度以及不同震动方向上，会有成倍的寿命差异。下表是18650电池不同的放置方向表现出的老化特性。

其中电芯方向与车辆方向的关系如下图：

振动强度参考下表：

下面我们介绍BMS系统如何在汽车全寿命周期进行电池的寿命管理。

这里强调的是根据状态估算和对未来工况的预判，对控制策略进行调整，以满足电池系统的寿命要求。简单说就是平衡驾驶习惯，地域，系统能耗，寿命等因素。例如在哈尔滨行驶的车和在苏州行驶的车，控制策略就会不同，经常激烈驾驶的车和普通代步的车的策略不同。

状态估算的方法上面已经介绍，基于估算，我们可以得出更详细的电池运行状态信息，包括放电深度，工作温度以及他们的概率密度，

Table电池运行状态监测

根据电池状态，我们可以估计各种工况下的循环寿命，下面是NEDC工况下的循环寿命预测

可以看出同一状态的电池被布置到不同城市，采用不同的放电策略会得到不同的循环寿命。BMS是整个寿命管理的核心，负责协调各种参数，使寿命达到预期要求。

本文抛砖引玉，简单从BMS的系统功能，硬件可靠性，以及状态估算和寿命管理角度做了描述，涉及核心技术的点到即止。