新能源汽车充电过程策略分析（三）常规优化策略

yuanyou

三、BMS充电过程常规优化策略

如上文所述，脉冲充电虽在某些特定环境下具有一定优势，但由于此方式常会增加充电系统的复杂性和成本，同时也需要电池本身具有较好的耐脉冲能力。基于此应用背景，脉冲充电在面对动力电池充电过程中的诸多可能问题时，便并非总是最优解决方案。

在现如今的车载BMS应用过程中，常会结合如电池状态、车辆需求和环境条件等多种因素，以动态地调整最适合的充电策略，这其中可能包含但不限于脉冲充电。

目前于充电过程中，BMS常见的策略是，基于四段式充电方案，对其充电过程进行进一步优化，具体策略常包含几个方面：

3.1.充电前策略优化方案

在充电前，BMS通过温度传感器实时监测电池包各单体的温度，当检测到电池温度低于或高于预设阈值时，系统会选择延迟充电或启动预热/冷却功能，以先将电池温度调节到适合充电的理想范围。过程示意如下图：


图11 温度敏感控制
3.2.预热策略

常见的动力电池预热方式有电加热、热泵加热以及液体加热等。其中电加热是BMS通过控制电池内部或外部的加热元件（如PTC陶瓷加热器）通电，将电能转化为热能，直接对电池进行加热，这种加热方式快速且效果明显，但会消耗电池的能量。

热泵加热，在一些智能热管理系统中，通过集成热泵并利用外界的热量或驱动电机产生的废热对有预热需求的动力电池进行加热，此方式相较于电加热方式更为节能。

液体加热，如相关车型配备了液体冷却/加热系统，BMS可启动加热循环，通过加热剂将热量传递给电池包，间接加热电池。

对比不同预热方式，并整理如下表：
表1 动力电池不同预热方式对比


在启动预热功能后，BMS会持续监测动力电池温度变化，并根据预设的温度目标值实时调整加热功率，直至电池温度达到适宜工作范围。在此期间，BMS会通过闭环控制确保加热过程的安全与高效。预热策略根据不同车型的加热方式存在差异，但行业正逐渐朝着能量利用高效化与精细化方向发展。

3.3.充电过程策略优化

在电池预热阶段，BMS会配合充电策略，仅在电池温度达到适宜范围时才开始或继续充电，以提高充电效率和电池寿命。过程中，若动力电池温度超出安全阈值，BMS将会降低充电电流或暂时中断充电，防止过热导致的电池性能下降或安全隐患。

当充电过程正常进入恒流恒压阶段时，BMS会根据动力电池当前的SOC、SOH、SOT（温度状态）以及充电曲线特性等，动态调整充电速率，确保电池在不同工况下都能维持在最佳的热状态。过程优化示意如下：


图12 充电过程优化示意
除对充电过程进行常规优化外，基于车辆的历史数据、实时工况和预期驾驶模式等数据，可预测动力电池在未来的温度变化趋势，并据此提前安排合适的充放电策略，此策略常称为预测性充放电管理。

其主要过程是通过传感器收集动力电池的如电压、电流、温度、SOC、SOH等相关参数，并根据动力电池的物理化学性质建立电池模型，以模拟动力电池在不同工况下的充放电性能和热特性。过程中会利用历史数据通过ARIMA（自回归整合滑动平均模型）、状态空间模型等时间序列预测方法预测动力电池未来可能的状态，并结合动力电池模型和当前状态，预测在不同控制策略下动力电池未来将会出现的状态，BMS将以此为依据，选择最优策略加以执行。

以ARIMA模型预测电池容量衰退趋势为例，其大概过程如下：

1）数据收集

首先，BMS会连续不断地记录每个单体电池在不同工况下的充放电电流、电压以及相关环境变量，这些数据随着时间推移形成时间序列；

2）数据预处理

对收集到的历史数据进行清洗、缺失值填充、标准化或归一化等预处理工作，使之满足ARIMA模型的建模要求；

3）模型建立阶段

采用ARIMA模型对动力电池的荷电状态变化或容量衰减等指标进行建模；

4）参数估计与模型检验

通过最大似然估计或其他方法确定ARIMA模型的参数，并进行模型残差检验、白噪声检验等，确保模型有效且能够捕捉数据的时间序列特征；

5）预测阶段

基于训练好的ARIMA模型，利用最近一段时间内的电池状态数据作为输入，预测未来某一时间段内动力电池的SOC水平、剩余寿命或是容量衰减的速度；

6）应用

预测结果显示在未来某个时刻动力电池可能出现的状态，BMS将根据此预测信息提前调整充放电策略，如决定何时开始充电、何时结束充电以及充电速率的选择等，通过此提前的动态策略调整，从而让动力电池充电过程具有高效的同时，更具应用安全性。

通过多维度、多技术的应用，可让动力电池的充电过程在基于电池本身性能无法改变的前提下，较之原充电模型在充电效率、电池安全、寿命延长、能量利用率等方面都更具应用优势。