BMS中SOH与SOP估算策略：从机理到多时间尺度滤波的工程实践

简介面向电动汽车BMS算法学习者与工程技术人员的一份专题总结文档聚焦SOH健康状态与SOP功率状态两大核心指标的估算策略帮助读者系统梳理从定义、方法分类到优缺点比较的知识脉络。压缩包内为1个docx文件约787KB内容按SOH估算、SOP估算、SOH与SOP联合估算及结论四大板块组织便于按主题检索查阅。文档详细展开基于耐久性模型的开环方法、基于电池模型的闭环方法、基于开路电压与内阻的估算思路并介绍复合脉冲法、HPPC测试法及卡尔曼滤波双时间尺度与多时间尺度联合估算附有内阻与SOH关系模型的实测流程与参数识别示例。已有3676人学习适合希望快速建立BMS状态估算整体框架、对照实验方法查漏补缺的读者参考。1. SOH 与 SOP为什么 BMS 里最贵的两个数字反而最不敢信电池管理系统里有两个数字最值钱也最不敢让人全信SOH 和 SOP。前者告诉你这块电池还剩多少“家底”后者告诉你它此刻还能瞬间爆发出多大功率。奇怪的地方在于SOC 明明可以靠安时积分算得挺准SOH 和 SOP 却始终像隔着一层毛玻璃——不是算不出来而是算出来的东西没人敢拍胸脯保证。原因很朴素这两个量都是隐性状态量没有传感器能直接读出“健康度 87%”或“峰值功率 210kW”。它们只能靠模型、靠辨识、靠对老化机理的理解去逼近。搞懂这套逼近逻辑你才能明白为什么同一块电池在不同温度、不同老化阶段下BMS 给出的 SOP 会差出一大截也才能看懂那些论文里绕来绕去的卡尔曼滤波和多时间尺度到底在解决什么。这份资料把 SOH 与 SOP 的估算策略拆成了可对照的方法谱系正好拿来当解剖样本。2. SOH 估算容量衰减为什么不能直接测只能反推SOH 的定义本身没有争议。按 IEEE 1188-1996 的口径动力电池容量能力跌到标称容量的 80% 就该考虑更换纯电动车一般只看容量衰减于是 SOH 写成当前可用容量与标称容量的比值。公式很干净SOH (C_standard − C_fade) / C_standard × 100%。问题在于 C_fade 这个“已损失容量”根本没法在线直接称出来。你不可能把车停下来做一次完整满充满放去量容量那既费时又伤电池。所以所有 SOH 估算方法本质上都是在找“容量之外的某个可测量”再建立它和容量之间的映射。这个映射选得好不好直接决定估算能不能落地。2.1 开环耐久性模型从机理出发但误差会累积第一类思路是开环的耐久性模型。它不依赖实时测量反馈而是从电池内部的物理化学反应入手分析固体电解质膜电阻的增长、端子电压的抬升去描述容量衰退的本质进而直接预测容量衰减和内阻变化。常见的实现思路是建立 Arrhenius 形式的寿命模型把温度、充放电倍率、SOC 区间当作加速因子拟合出一条“循环次数—容量保持率”的曲线。这类方法的优点是物理意义清楚能解释“为什么高温和高倍率会加速老化”适合做寿命预测和质保评估。但它有个血泪教训级别的短板开环意味着没有反馈校正模型参数一旦和实际电池批次有偏差误差会随着时间一路累积跑个两三年就飘得没边。所以它更适合离线标定和趋势判断而不是车上实时报 SOH。2.2 基于 OCV 的闭环估算抓住曲线形状不变的假设第二类是基于开路电压的估算这是工程上很讨巧的一招。实验观察到一个关键现象电池在不同老化程度下OCV 曲线形状的变化并不明显也就是说 OCV 与 SOC 的对应关系在整个老化过程中相对稳定。既然形状不变那就可以在不同老化程度下计算相同 OCV 区间内电池电量的变化反推出当前容量再算 SOH。这里有个必须说清的前提这个“形状不变”只在 OCV 曲线斜率较大、SOC 与 OCV 呈明显线性关系的区间才近似成立通常落在 SOC 高端部分。低 SOC 平台区曲线太平电压差几个毫伏对应的电量差一大截反推出来的容量误差会被放大。另外 OCV-SOC 关系受温度影响明显温度一变同一条曲线就平移所以做 OCV 法必须带温度补偿否则玄学感立刻上来。# 基于 OCV 区间电量变化反推 SOH 的简化逻辑 def estimate_soh_by_ocv(ocv_curve_new, ocv_curve_aged, q_rated, ocv_low, ocv_high): # ocv_curve_*: 字典 {soc: ocv}来自新鲜态与当前老化态的标定数据 # 在相同 OCV 区间 [ocv_low, ocv_high] 内插值出对应的 SOC 跨度 soc_low_new interp_soc(ocv_curve_new, ocv_low) soc_high_new interp_soc(ocv_curve_new, ocv_high) soc_low_aged interp_soc(ocv_curve_aged, ocv_low) soc_high_aged interp_soc(ocv_curve_aged, ocv_high) # 同一 OCV 区间对应的电量新鲜态与老化态之差即容量损失 q_new (soc_high_new - soc_low_new) * q_rated q_aged (soc_high_aged - soc_low_aged) * q_rated # 用区间电量比值近似当前容量占比 soh q_aged / q_new return max(0.0, min(1.0, soh))这段代码的关键不在公式而在两个假设一是 OCV 曲线形状在老化前后可比二是插值区间选在斜率大的线性段。ocv_low和ocv_high的选取直接决定精度选在平台区就会翻车。q_rated是标称容量用来把 SOC 跨度换算成电量。实际工程里还要对ocv_curve_aged做温度归一化否则冬天和夏天算出来的 SOH 能差好几个百分点。2.3 基于内阻的估算容量衰减往往伴随内阻上升第三类走内阻路线。现象很直观电池容量衰减的过程中一般也伴随内阻增加。于是针对车用阶段的容量损失过程结合工作温度与内阻机理模型再用内阻在线辨识技术就能在宽温度范围下估 SOH。资料里给了一个很具体的实测流程把电池放进 25℃ 的高低温交变试验箱用电池测试系统做恒流充电、静置、恒流放电的循环每循环 5 次测一次内阻。测试步骤从 1C 放电到截止电压 2.7V静置 1 小时再 1C 充电到 4.2V 后转恒压充到电流降到 0.05C静置 1 小时然后 1C 放电 0.1 小时把 SOC 调到 90%静置 30 分钟用 0.2C 充电 10 分钟并每秒记录电压再用 0.2C 放电 10 分钟每秒记录电压接着 1C 放电 0.1 小时把 SOC 调到 80%重复整套流程直到 SOC 降到 10%。对充电和放电两段数据分别按能量公式算出充放电能量再由能量差算出内阻值同时当前最大可充电量由恒压充电那一步得到于是内阻 R 与 SOH 的对应关系就建立起来了。对同一批次不同单体做归一化处理后能得到线性度很高的一次线性函数说明这个模型在批次内适应性不错。它的优点是测试方法简单、参数识别快捷缺点是依赖离线标定在线辨识时温度和内阻的耦合很容易把精度带偏。3. SOP 估算峰值功率为什么是个“带约束的预测题”SOP 描述的是电池功率状态通常用短时峰值功率表示。锂离子电池多工作在起步、加速或刹车状态要提供或吸收瞬时大功率这个峰值功率直接影响快速启动、加速和紧急制动能力关系到整车安全。所以 BMS 必须能在线估 SOP给整车功率分配和能量控制做参考。难点在于 SOP 是隐性状态量必须建模才能在线估计。而且它不是一个纯数学外推而是一个带约束的预测你得同时考虑电压下限、电流上限、SOC 边界任何一条先触线峰值功率就被卡住。3.1 复合脉冲法与 HPPC最简单也最容易估大复合脉冲法是最广泛也最简单的做法基于内阻模型用当前 SOC 下的开路电压和内阻估出瞬时 SOP。它的模型简单、计算量小但电动车实际运行电流变化剧烈用这个方法误差较大而且它没考虑充放电电流阈值和 SOC 限制估出来的峰值功率偏大。HPPC 测试法是它的典型实现给电池加 t 秒脉冲电流分析电压变化按公式算峰值功率。脉冲电流值要靠多次测试数据拟合推断恒功率测试法则是在某一恒定功率下持续充放电 t 秒恰好触到工作电压上下限通过调整功率设定值让测试时间逼近 t 秒。资料里提到急加速在城市工况和高速工况分别持续约 10s 和 25s紧急制动分别约 5~10s 和 33s综合考虑取 t 等于 10s把 10s 放电峰值功率作为 SOP。HPPC 的测试流程是CCCV 充满CC 放电到某一 SOC 点静置一小时脉冲放电 10s、静置 40s、脉冲充电 10s然后 SOC 从 90% 降到 10%、每 10% 一个点重复九次。基于脉冲放电的电压变化算出放电内阻再按功率公式算放电功率其中 Vmin 是下限电压OCVdis 是放电脉冲开始前的开路电压。把温度影响也纳入后推算公式可以写成以 SOC、内阻 Radj 和温度 T 为输入、峰值功率 Padj 为输出的参数模型3.0V 作为电池下限电压。这个模型的好处是面向微观时间尺度、参数少坏处是它把约束简化了实际车上电流剧烈波动时容易高估。3.2 非参数模型与多参数联合约束黑箱和二分查找第二类是非参数模型走黑箱理论用支持向量机或机器学习算法直接拟合输入输出关系。它和所有黑箱模型一样需要大量数据训练训练时间较长而且外推到训练集没覆盖的工况时可靠性存疑。第三类是多参数联合约束估计思路是同时考虑电压、电流、SOC 的共同限制预测 10s 持续峰值功率输出能力。步骤分四步先考虑 SOC 约束估最大充放电电流再考虑电压约束估最大充放电电流然后用二分查找算法在约束边界内逼近可行解最后按多参数约束算出峰值功率。二分查找在这里的作用是处理“电流影响电压、电压又反过来限制电流”的耦合关系直接解析求解很麻烦用迭代逼近更稳。# 多参数约束下用二分查找求 10s 峰值放电功率简化示意 def peak_power_bisect(soc, ocv, r_internal, v_min, i_max, p_guess_hi300e3): lo, hi 0.0, p_guess_hi for _ in range(40): # 40 次二分足够收敛到瓦级 p_mid 0.5 * (lo hi) i_mid p_mid / max(ocv, 1e-3) # 由功率反推电流 v_pred ocv - i_mid * r_internal # 内阻模型预测端电压 # 同时检查电压、电流、SOC 三条约束 if v_pred v_min and i_mid i_max and soc 0.05: lo p_mid # 约束内尝试更大功率 else: hi p_mid # 触线收缩上界 return lo这段代码把三条约束揉进一个判定端电压不能低于v_min电流不能超过i_maxSOC 不能逼近枯竭。r_internal来自在线辨识它的准确性直接决定结果温度低时内阻变大同样的功率下电压跌得更快SOP 自然被压低。二分查找的收敛次数 40 次是工程折中次数太少精度不够太多则增加计算负担。实际实现里还要对充电方向单独跑一遍因为充电上限电压和放电下限电压不是同一个约束。4. SOH 与 SOC 多时间尺度联合估计为什么要把快慢分开SOH 变化慢、SOC 变化快这是电池状态最基本的时域特征。把两者塞进同一个观测器里要么为了跟踪 SOC 把增益调大导致 SOH 估计被噪声带得乱跳要么为了平滑 SOH 把增益调小导致 SOC 响应迟钝。多时间尺度联合估计就是冲着这个矛盾去的。资料给了两条途径。第一条是构建基于卡尔曼滤波的双时间尺度确定一阶或二阶 RC 模型的标称参数对 SOC 的依赖性用递推最小二乘法识别参数在 SOH 基础上量化标称模型的性能退化一个时间尺度的观测器实时估 SOC另一个离线估 SOH用量化后的模型精度退化来确定 SOH 观测器的时间尺度最后用大量测试数据验证降低计算复杂度、提高估算精度。第二条是基于卡尔曼滤波的多时间尺度把等效电路模型与可用容量变化联系起来建立 SOC 与 SOH 联合估算的集总参数模型用多尺度扩展卡尔曼滤波宏观尺度估 SOH、微观尺度估 SOC用两个估算器融合不同时间尺度的测量信息在 NEDC 工况下完成联合估算精度高、收敛快。4.1 双时间尺度的观测器分工双时间尺度的核心是“分工”。SOC 观测器跑得快因为它要跟上电流的剧烈变化SOH 观测器跑得慢因为它依赖容量这种慢变量。递推最小二乘法在这里负责参数辨识把 RC 模型的欧姆内阻、极化电阻和极化电容在线更新卡尔曼滤波负责状态更新。关键在于 SOH 观测器的时间尺度不是拍脑袋定的而是由模型精度退化程度量化出来的——模型退化越明显SOH 观测器需要越频繁地介入校正。这种设计避免了两个观测器互相打架也让计算量可控。4.2 多尺度扩展卡尔曼滤波的融合逻辑多尺度扩展卡尔曼滤波把“宏观估 SOH、微观估 SOC”写进同一套滤波框架用两个估算器分别处理不同时间尺度的测量信息再按多尺度理论融合。它的优势在于收敛速度快因为宏观和微观的信息各司其职不会互相拖累。代价是实现复杂度上升状态维度和协方差矩阵都变大对嵌入式平台的算力有要求。资料里在 NEDC 工况下验证了这套方法说明它在动态工况下能站得住但换到更剧烈的实际路况融合权重的整定仍然是个踩坑点。5. 避坑与排查SOH/SOP 估算里最容易翻车的几件事5.1 现象冬天 SOH 突然掉好几个点回暖又恢复原因OCV-SOC 曲线受温度影响明显低温下曲线平移用未做温度补偿的 OCV 区间反推容量会把温度效应误判成容量衰减。解决所有 OCV 查表和区间电量计算都先做温度归一化标定数据按温度分档低温段单独建表别用一条 25℃ 的曲线打天下。5.2 现象HPPC 算出的峰值功率偏大实车加速时电压瞬间跌穿下限原因复合脉冲法基于内阻模型没把电流阈值和 SOC 限制纳入约束电流剧烈变化时模型外推过头。解决改用多参数联合约束把电压、电流、SOC 三条边界同时纳入用二分查找逼近可行解并在低温、低 SOC 区间额外留安全裕量。5.3 现象SOH 估计长期缓慢漂移越跑越偏原因开环耐久性模型没有反馈校正批次差异和工况偏差随时间累积。解决把开环模型只当先验叠加基于 OCV 或内阻的闭环校正定期用满充或静置后的 OCV 数据刷新容量估计形成“开环预测 闭环修正”的组合。5.4 现象SOC 和 SOH 联合估计时两个观测器互相拉扯输出抖动原因快慢时间尺度没拉开SOH 观测器增益过大把 SOC 的快速波动当成容量变化。解决严格分离时间尺度SOH 观测器只在满足静置或低动态条件时更新用模型退化量化结果动态调整其更新周期避免高频介入。5.5 现象内阻在线辨识结果跳变SOP 跟着忽高忽低原因内阻辨识对温度和数据质量敏感采样噪声或温度突变会让辨识值失真。解决对内阻辨识加低通滤波和异常值剔除温度变化率超过阈值时暂停更新等工况平稳后再恢复别让瞬时噪声污染 SOP。6. 设计取舍为什么没有一种方法能通吃以及怎么验证你选的那条路把这几类方法摆在一起看会发现一个绕不开的取舍机理模型可解释但误差会累积数据驱动灵活但依赖训练覆盖约束法稳妥但计算量和整定成本高。SOH 这边开环耐久性模型适合做寿命预测和质保评估OCV 法适合在高端 SOC 区间做在线校正内阻法适合批次内一致性好的场景SOP 这边HPPC 简单但偏大黑箱模型需要数据积累多参数约束在安全边界上更可靠。真正的工程做法往往是组合用开环模型给先验用 OCV 或内阻做闭环修正SOP 用多参数约束兜底再用多时间尺度滤波把快慢状态分开。验证时别只看单一工况的精度要覆盖温度梯度、SOC 区间和动态工况尤其是低 SOC 加低温这种最容易翻车的角落。我自己的习惯是每换一种估算策略都先在台架上把 OCV 曲线按温度分档重标一遍再拿实车数据回放验证收敛性不通过就不上车。这套流程救过我好几次也希望帮到你。本文还有配套的精品资源点击获取