一种可分析异常单体趋势的电池管理系统(BMS)

《Energies》:A Battery Management System Capable of Analyzing Abnormal Cell Trends

【字体: 大 中 小 】 时间:2026年07月01日 来源:Energies 3.9

编辑推荐:

  锂离子镍锰钴氧化物(NMC, Nickel Manganese Cobalt Oxide)电池组的运行安全性与循环寿命取决于对单体电池渐进式老化的早期识别,而非仅靠故障发生后的被动保护。传统电池管理系统(BMS, Battery Management Syst

  
锂离子镍锰钴氧化物(NMC, Nickel Manganese Cobalt Oxide)电池组的运行安全性与循环寿命取决于对单体电池渐进式老化的早期识别,而非仅靠故障发生后的被动保护。传统电池管理系统(BMS, Battery Management System)主要依赖固定阈值保护机制,不足以识别失效前单体层面的长期异常趋势。本研究提出一种基于物联网(IoT, Internet of Things)的智能电池监测与可视化框架,用于72 V、20串NMC电池组中面向趋势的异常行为分析。JK?BMS负责单体电压采集,ESP32?S3微控制器作为IoT网关通过低功耗蓝牙(BLE, Bluetooth Low Energy)无线采集高分辨率单体数据,数据传输至Home Assistant平台进行集中式时序可视化和单体对比分析。主要贡献为一种启发式异常检测算法,评估各单体电压的时间趋势,重点关注3.0–3.5 V临界工作区间内的不稳定性;与常规阈值法不同,该方法检测随时间反复出现的异常模式。基于累积异常频次的频率型告警机制将电池健康状态划分为正常、预警和危急三个等级,实现渐进式老化评估。实验结果表明所提框架能有效识别传统BMS逻辑无法发现的早期老化模式,支持预测性维护,提升运行安全性,并为电动出行与分布式储能应用提供可扩展、低成本的先进电池健康监测方案。
论文解读:A Battery Management System Capable of Analyzing Abnormal Cell Trends
一、研究背景与开展的研究及意义
传统电池管理系统(BMS, Battery Management System)主要采用过压、欠压、过流、过温等固定阈值保护机制,属于被动响应式防护,无法在单体电芯(cell)发生渐进性容量衰减、内阻增长或电压不稳定等早期退化被触发前予以识别。单体退化若未被及时发现,会通过串并联拓扑传播,导致电池组(pack)加速老化、容量跳水甚至热失控(thermal runaway)。近年虽有基于机器学习(ML, Machine Learning)的电池预后(prognostics)研究,但其计算开销大、依赖云端或大量训练数据,难以在低成本的边缘节点部署。为此,研究人员基于现有IoT架构构建了一种低开销、面向趋势的退化筛查框架,结合JK?BMS、ESP32?S3 BLE网关与Home Assistant平台,在热力学敏感区(3.0–3.5 V)对单体电压时序行为进行启发式异常累积分析,以在常规硬件保护逻辑之外实现早期退化识别与预测性维护。该文发表于MDPI期刊《Energies》。
二、主要关键技术方法
研究人员选用标称72 V、20串(20S)18650 NMC(Nickel Manganese Cobalt Oxide)锂离子电芯组为对象;采用JK?BMS获取单体电压、总压、电流、温度及单体交流内阻;ESP32?S3通过BLE读取JK?BMS数据并以MQTT协议经Wi?Fi发布至Raspberry Pi 4上运行的Mosquitto代理;Home Assistant进行时序存储与仪表板可视化。异常检测采用三条启发式规则:(1)5 s窗口内单体电压波动量超过Vthresh=0.05 V且每分钟频次>Fthresh=3次;(2)单体间最大压差ΔV=Vmax?Vmin超过0.1–0.2 V(依充电态而定)判定严重不均衡;(3)当单体电压处于3.0 V≤Vi(t)≤3.5 V且满足规则1时强化标记。基于滑动时间窗内累积异常次数Nanomaly划分健康等级:低频(正常)、中频(预警/早期退化)、高频(严重退化/危急),并在Home Assistant中通过规则引擎触发分级告警。充电控制由ESP32另一模块通过继电器执行,设定上限~83.5–83.8 V(单体≈4.10 V)、下限保护63 V,并对比84.8 V过充条件验证优化效果。一阶等效电路模型(ECM, Equivalent Circuit Model:V(t)=Voc(t)+I(t)·Rint+(1/Ceq)∫I(t)dt)作为理论参照用于解释实测电压阶跃(I·Rint)与极化(Ceq充放电)行为,但不做在线参数辨识。
三、研究结果
3.1. Theoretical Modeling Framework
研究人员采用一阶ECM作为理论基线解释充电瞬间阻性压降与动态极化充电过程,确认JK?BMS实测数据可用以验证模型各分量,但不做实时在线辨识。
3.2. Experimental Validation of Theoretical Model
通过JK?BMS实测数据验证了ECM三要素:(1)注流瞬间电压阶升符合I·Rint,高内阻单体波动更大;(2)恒流(CC, Constant Current)段电压渐升符合等效电容Ceq极化积累;(3)近满电恒压(CV, Constant Voltage)段电流趋零、电压稳定符合开路电压Voc。总内阻约稳定在0.007 Ω,电池温度35.3–36.8 °C,MOSFET温度36.8 °C,表明无异常发热。ESP32控制器成功实现自动启停充电(启动阈73.95 V,终止83.53 V且电流<0.21 A)、过放保护(<63 V断开,>65 V恢复)。Home Assistant仪表板实时显示总压、电流、单体电压、内阻、温度及异常指示。
3.3. Data Acquisition and System Operation
JK?BMS以BLE向ESP32?S3推送单体电压采样值(采样间隔1–5 s),ESP32打包为MQTT报文发至RPi端,形成"采集—边缘预处理—发布—订阅存储—可视化"的不干涉原BMS保护逻辑的流水管线。
3.4. Cell Voltage Trend Analysis
除瞬时阈值外,系统持续分析三特征:(1)电压稳定性——稳态频繁振荡提示Rint升高或化学劣化;(2)单体间压差ΔV=Vmax?Vmin——持续偏大提示不均衡或局部老化;(3)趋势漂移——某单体相对其余单体电压曲线逐渐偏离提示老化。
3.5. Heuristic Anomaly Detection Strategy
制定三条轻量级规则:快速波动检测(ΔVcell>0.05 V/5 s且频次>3次/min)、单体间压差超标(ΔV>0.1–0.2 V)、3.0–3.5 V敏感区内波动强化标记,可在边缘端低算力运行。
3.6. Frequency-Based Degradation Classification
按观测窗内Nanomaly划为正常(低频)、预警(中频,早期退化迹象)、危急(高频,严重退化),提供可解释的健康评级。
3.7. Visualization and Alert Generation
Home Assistant仪表板多时间尺度(1 min/3 min/1 h/3 h)呈现单体电压折线、总压、ΔV趋势及异常标记,规则触发本地通知。支持手动清零指定单体历史计数以重启监测。
4.1. Experimental Setup
硬件含72 V 20S NMC组、JK?BMS、双ESP32模块(S3网关+控制)、RPi 4服务器、Home Assistant,连续采集充放电循环数据。
4.2. Real Time Cell Voltage Telemetry and Dashboard Visualization
仪表板稳定显示20串单体实时电压,绿/黄/红三色区分正常、预警、危急状态,可同步观察局部失衡与整组轮廓。
4.3. Quantitative Analysis of Cumulative Cell Anomalies and Degradation Mapping
累积异常统计显示:多数单体归为正常(含少量噪声引起高频计数但未超安全界);Cell 3、9、10、13、15因稳态微小电压偏离被标为预警(尽管异常计数为零或低);Cell 8与Cell 17累积达6次异常触发危急告警。证实框架能依据频次与稳态偏离综合判断,并可单独复位计数器。
4.4. Frequency-Based Anomaly Detection Results
对比84.8 V与83.8 V充电:前者致个别单体>4.27 V触发BMS过压保护且异常频次高、温升大;后者单体电压维持在4.20–4.23 V,未触保护,异常频次与热应力显著降低,压差缩小。说明适度降低充电上限可有效抑制重复异常模式与早期退化诱因。
4.5. Real Time Cell Voltage Monitoring
仪表板成功呈现瞬态电压值与组压趋势,较传统BMS界面提升态势感知。
4.6. Detection of Voltage Instability
系统捕捉到短时电压振荡并累计频次,反复波动单体被算法标记高亮,验证启发式检测有效性。
4.7. Long-Term Trend Observation
长期监测发现部分单体相对组平均电压逐渐偏离(最大ΔV由未优化时0.15–0.18 V降至优化后<0.1 V),提示早期不均衡。确认降压充电(84.8 V→83.5 V)减少异常频次、热效应并改善均一性;强调单体电压不宜长期低于3.5 V以防加速老化。
四、讨论与结论翻译
研究人员指出,本架构将硬件监测与分析处理解耦,兼容既有BMS无需大幅改动,相比云ML方案计算开销极低,适合资源受限IoT节点;局限在于依赖启发式规则,未来可引入轻量ML以适应更多电化学体系,并可融合温度分布监测。结论如下:
本研究成功演示了一种可解释、低成本、可扩展的基于物联网(IoT)的电池监测架构,用于面向趋势的退化筛查。系统将一阶物理模型与轻量边缘启发式算法结合以隔离异常单体。实验结果验证:使电芯工作在敏感低压及高压边界内显著影响长期稳定性;维持单体电压高于非线性阈值3.5 V可避免局部应力;将最大充电组压上限由84.8 V优化至83.5 V成功将严重单体压差由0.18 V抑制至低于0.1 V,消除过压故障并减少热积累。多分辨率仪表板可视化与基于频次的异常追踪相结合,为电动出行与分布式储能网络中的预测性维护提供了实用的边缘可部署方法论。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号