新能源汽車動力電池檢測及其發(fā)展方向綜述

摘要：純電類新能源汽車發(fā)展迅速，研究新能源汽車地電池檢測系統(tǒng)搭建問題，電池作為新能源汽車的核心零部件由于其高能量密度和使用壽命長等特點，已經(jīng)成為了新能源汽車的儲能首選。通過分析新能源汽車行業(yè)發(fā)展現(xiàn)狀與未來發(fā)展展望，提出借鑒國內外發(fā)展技術的研究成果，結合傳統(tǒng)技術先完善包括電源電壓溫度采集模塊、電量剩余狀態(tài)估算和優(yōu)化、電池電壓電流泄漏保護、車載電池的安全管理與用戶的信息反饋等幾個傳統(tǒng)方向。再結合新時代新技術，提出了包括機器視覺、神經(jīng)網(wǎng)絡算法、卡爾曼濾波在電池管理系統(tǒng)（BMS）和SOC估計中的應用。SOH電池的剩余生命估算也在未來發(fā)展中有重要意義，因此向量機、粒子群算法所構成的經(jīng)驗預測、濾波預測、時間序列預測法在未來的電池管理系統(tǒng)中會有重要的應用意義。

關鍵詞：電池檢測;人工神經(jīng)網(wǎng)絡;節(jié)能環(huán)保

0 前言

隨著汽車行業(yè)的不斷崛起，新能源汽車的發(fā)展日漸迅速，技術的未來化，重在產品技術，信息智能，復合能源上，為增強汽車行業(yè)的競爭力，本文立足低碳經(jīng)濟，對新能源汽車的核心部件電池技術進行了一系列的討論。新能源電池帶來了一系列的社會問題，如環(huán)境污染和能源消耗，本文重點關注了國內外新能源汽車的電池檢測與管理問題和相關的系統(tǒng)研究。希望借此討論出一套有效的技術手段可以及時檢測發(fā)現(xiàn)電池的缺陷，保證新能源汽車的運行安全提高能源的使用效率。

本文縱觀近十年來新能源電池檢測技術的發(fā)展，借鑒了包括機器學習，機器視覺分析的電池檢測和傳統(tǒng)電車鋰電池的短路檢測技術進行討論，希望能幫助電池行業(yè)走向安全化和智能化。

1電池檢測技術發(fā)展

1.1 研究的背景和意義

電池技術是影響整個電動新能源汽車發(fā)展的核心技術。在電動車領域，日本發(fā)展較早率先獲得了最得多的電池核心專利，松下公司在世紀初就研發(fā)出了鈷酸鋰電池并應用在了汽車動力系統(tǒng)上。特斯拉更是在今年放棄了電池專利的技術保護，在最新車型上搭載了能量密度超過250Wh/kg、300Wh/kg的電池，宣告著電池技術的比拼達到了白熱化的階段。

1.2 國內外研究現(xiàn)狀

最早的新能源汽車電池管理系統(tǒng)由美國的托萊多大學提出，因此美國在這個領域的發(fā)展占領了先機（羅詩韻等，2015）。在個發(fā)展階段的電池管理系統(tǒng)（BMS）中，已經(jīng)有了電化學模型、等效電路模型、數(shù)據(jù)驅動模型的特點，有了熱建模的熱-電耦合化學模型的應用范疇。能夠實現(xiàn)：檢測車輛異常情況自動斷開與車輛的聯(lián)系、記錄電池歷史數(shù)據(jù)提供優(yōu)化、提供最差單體電池信息等。

國內的研究雖然起步較晚，但是發(fā)展勢頭良好。長安汽車投產了新能源汽車的CPU控制系統(tǒng)，包括電池的溫度與電壓檢測模塊、電池的異常電流檢測與通信模塊。同時實現(xiàn)了熱管理、熱均衡、過放電保護等功能。奇瑞汽車也在電池的研究上取得了不錯的成果，其主要創(chuàng)新點集中在分布式的控制與研究上因此純電汽車在當前形勢下備受關注，將成組的電池和數(shù)據(jù)監(jiān)測模塊排布在CAN總線的通信模塊上，借此實現(xiàn)了個個電池組的的單獨檢測和實時的數(shù)據(jù)管理，并能通過采集到的信息對電池組的SOC進行估算。

2 未來發(fā)展展望

在過去已經(jīng)形成的檢測系統(tǒng)中常用的傳統(tǒng)方法包括：

（1） 開路電壓法，通過N.RST程的應用，可以準確描述電解液與電池電動勢的存在關系，對剩余的電池電量進行推算。

（2） 電導測量。在蓄電池兩端加上幅值和頻率一定的交流電壓信號，利用20 Hz～30Hz交流頻率對交流電分量和交流電壓有效值做比，取得以頻率為自變量的函數(shù)關系。

（3） 蓄電池單體溫度測量。VRLA類蓄電池的標志性參數(shù)就是體溫度，會直接影響到剩余容量和壽命，因此利用數(shù)字傳感對分布溫度進行測量控制有突出意義。

2.1 新興技術發(fā)展

進入算法時代，通過不斷的總結歸納和預測，已經(jīng)能夠通過大量的機器學習模型對SOC電池估算問題進行高精度自排查的解決。

其中卡爾曼濾波是SOC的主流算法，嚴格說屬于模型估計的范疇，按照反饋增益、狀態(tài)校正、更新誤差和協(xié)方差等幾個方面使檢測更加精準。

相關的向量機技術，于2000年提出，它是一種增量學習的電池SOC預測方法，容易排查全局最優(yōu)解和局部最優(yōu)解。

近年來基于物理模型、經(jīng)驗模型、數(shù)據(jù)驅動和容量增量的分析方法與上面類似，可以預測電池的峰值位置、振幅和包絡面積預測電池SOH。

參考文獻：

[1] IMLACH J， BLAIR B J， ALLAIRE P. Measured and predicted force and stiffness characteristic of industrial magnetic bearings[J]. Trans. ASME J. Tribol.， 1991， 113：784-788.

[2]羅承東，呂桃林，解晶瑩，付詩意，吳磊.電池管理系統(tǒng)算法綜述[J].電源技術，2021，45（10）：1371-1375.

作者簡介：田相軍（1989-），男，碩士，工程師，山東省臨沂縣，主要從事動力電池檢測研發(fā)等工作。