电池状态SOX诊断技术

电池状态SOX(SOC/SOE/SOP/SOH)是电池能源系统运行和决策的重要依据之一,也是BMS技术的难点。国内厂家通常算法是基于安时积分和OCV修正算法、或卡尔曼滤波算法,缺点是不能适应电池衰减的参数变化。很多电池厂更是以电池全寿命周期的测试数据闭环比对计算,缺点是测试成本高、任何电池参数变化就需要重新测试。

电池状态SOX诊断技术-优异的鲁棒性

高特的电池状态计算技术采用了一种全新的算法,具有自学习和神经网络模型特点,能自适应各类电池,实时学习电池参数,具有很好的收敛性和鲁棒性。高特还创新性的提出SOS的定义,把电池的安全状态作为电池的一个评价参数,可大幅提高电池系统的安全性。

左图是对一个系统中的三节电池进行验证的效果图,图中真实值为黄色曲线,红、绿、蓝为三节电池曲线。在第一次充电SOC=40%时,对系统结果人为修改,对蓝、绿电池添加了正15%和负15%的偏差,可以看到误差曲线马上跳到了17%,然后迅速被拉回。再次在SOC=90%的点插入误差,正10%、负10%、负20%,也可以看到误差被迅速拉低,系统表现出误差干扰非常好的鲁棒性。

电池安全状态SOS诊断技术

迄今为止,电池的安全评估一直没有被解决。高特在2017年创新性的提出了安全评估参数SOS(state of safety),并进行了开创性的研究工作。

SOS(State of Safety)是电池安全参数的综合评估值。通过对每个单体电芯的电压、温度监测,结合SOC、SOH、R 、ΔR、T、ΔT 给出SOS的评估。

SOS = F[ SOC, SOH, ΔR, ΔT ]

通过建立电池失效及热失控的判断模型,及时给出电池安全评估参数,使控制系统采取必要的安全保护动作达到系统的安全性。