会议期间, 国轩高科国际工程研究院副院长, 同时身为BMS技术院院长的胡攀攀, 发表了主题为《电池管理系统智能算法与演变趋势》的演讲, 就此。
四大BMS算法
胡攀攀作这般认知, 电池管理系统, 也就是BMS, 关联着工程开发与科学研究相融合的进程, 此进程不但涵盖软件设计、硬件开发、测试验证等工程方面的流程, 居于内核的基础算法层面, 像电池状态估计、热失控安全预警这般的情况, 需要借助科学的方式去开展理论研究以及论证哦。
自2009年起始, 国轩高科以合肥为立足点, 构建起BMS自主研发能力, 而后又相继在硅谷、上海布局BMS研发设计团队。
胡攀攀作介绍, 自2000年起持续发展到当前, BMS算法主要存在四大类别, 它们分别是安时积分算法, 模型算法, 神经网络算法以及EIS算法。
在这当中, 其中安时积分属于最先被使用的算法, 借助电流跟时间的积分来算出容量变化, 该算法一开始的积分点比较难以确定, 并且因为传感器所产生的误差等情况, 还会引发积分的累计误差方面的问题。除此之外, 该算法也容易受到环境温度以及电池老化等诸多因素的影响, 而这些状况都对算法的鲁棒性提出了相对较高的要求。
于是, 渐渐有诸多专家学者提出了基于等效电路模型的办法, 一般会跟滤波方法结合运用, 这里面又存在等效电路模型参数的误差, 尤其是在全生命周期以及全场景的状况下, 怎样保证模型精度这一问题带来了较高的挑战。
其由此派生出神经网络算法, 该特定模型并不需要针对电池建模展开端到端的估计, 电池数据集的质量以及所提取的特征存在极大差异性, 只要具备充足之电池数据, 便能够针对模型予以判断, 然而, 此情形高度依赖于电池数据量, 训练进程当中的计算成本格外高昂, 神经网络模型欠缺解释能力。
所以, 于2020年的时候, 行业专家提出了以EIS为基础的算法, 该算法借助频率来表征电池内部的电化学变化, 故此具备较高的估计精度。
胡攀攀指出，无论是哪一种算法，都需要结合BMS进行使用。
胡攀攀称, BMS算法存在四大主要痛点, 其一为电池的复杂性出现变化, 其二是高级算法在应用时可能会碰到鲁棒性问题, 其三是面临短产品开发周期以及充足高维输出方面的挑战, 其四是要平衡客户与用户的需求。
对此, 胡攀攀有着这样的看法, 开发一种具备自适应特性的BMS算法是迫在眉睫的事情, 其目的在于跟上电池材料发展的脚步。并且, 要通过开展增加电池整包于不同场景、工况环境下进行的模拟试验, 与此同时建立云端持续监控机制, 以此来确保数据具备可靠性。还要增加输入数据的数量, 而且在不同类型的传感器应用于相同输入信号的情况下, 以此减少数据采集中所产生的误差。另外，要在算法里实现电池估计与电池使用情况之间的平衡。
BMS放置在动力域控制器是未来较大发展趋势
BMS功能是不能缺失不见的。至于往后在整个车辆端, BMS功能会放置在哪一个控制器或者哪一个域下面去达成呢? “我们觉得也许动力域控制器是一个相对较大的趋向, 然而BMS这项功能从目前情形来看不会放在预控制范畴角度去担当了。”胡攀攀讲道。
胡攀攀宣称: “往后, 国轩高科会不断开展有关BMS功能的研究, 尤其是针对核心算法以及核心功能方面, 持续投入相应资源, 并且全力攻克一些比较关键的突破要点。”。
