论文标题：Evaluation of Battery Management Systems for Electric Vehicles Using Traditional and Modern Estimation Methods

论文链接： https://www.mdpi.com/2673-8732/4/4/29

期刊名：Network

期刊主页：https://www.mdpi.com/journal/network

引言：

电池管理系统（BMS）被称为电动汽车的 "大脑"。来自西伦敦大学的Nagham Saeed教授及其团队介绍了一种面向电动汽车（EV）的先进电池管理系统（BMS）的研发成果，该系统旨在提升电池的性能、安全性与使用寿命。BMS 的核心在于借助专用传感器，对电压、电流、温度等关键参数进行精准监测。这些传感器支撑起电池荷电状态（SOC）与健康状态（SOH）的精确计算，并通过物联网云平台界面实现实时数据展示。所提出的 BMS 采用数据驱动方法，如卡尔曼滤波器（KF），进行电池状态估计，从而在每个充电周期内持续更新电池状态，提升估算的准确性与适应性。基于 MATLAB/Simulink 的仿真测试，历经多个充放电循环，结果表明先进卡尔曼滤波器在处理电池非线性行为方面具有卓越的准确性。研究显示，所提出的 BMS 在 SOC 跟踪方面误差显著更低，误差范围仅为 0.32% 至 1%，而传统方法的误差最高可达 5%。上述发现强调了在 BMS 中集成稳健传感器系统的重要性，这有助于优化电动汽车电池管理、降低维护成本，并提升电池的可持续性。本文已经发表在Network期刊。

图 1 BMS 模型的实际搭建

BMS的六大模块与核心算法解析

该 BMS 由六大模块构成：监测采用 3–4V 锂离子单体电池，规避电动车 600–800V 高压的实验室风险；专用传感器采集电流、电压、温度；Arduino Uno 运行 SOC 与 SOH 估计算法并衔接硬件；数据经 Wi-Fi 上传至 ThingSpeak 云平台实现远程聚合；用户界面与 LED 指示灯（红 = 过热，绿 = 正常）完成可视化展示；智能冷却系统超温自动启动，配合加固硬件抵御振动，保障稳定运行。状态估计层面，系统以等效电路模型（ECM）刻画锂电池行为，电流曲线驱动充放电循环，传感器数据与初始 SOC、内阻 R0 共同输入估计器，融合库仑计数法（CC）、扩展卡尔曼滤波（EKF）和无迹卡尔曼滤波（UKF）多种算法提升精度；SOH 基于估算 SOC 与 R0 计算，最终向用户输出真实 SOC、估算 SOC、SOH 及 R0 等全面状态信息。

图 2 系统工作流程框图

BMS 仿真模型搭建与参数设置

基于 Simulink R2024a 搭建的 BMS 仿真模型采用等效电路模型（ECM），电池设定为 10 个充放电循环（每小时 1 个），输出电压 3.6–4.2 V、电流 15 A、温度 295–336 K，初始 SOC 为 30%、内阻 R0 为 0.008 Ω。电压、电流、温度传感器测量值叠加随机白噪声，温度通过受控斜坡与噪声模拟真实环境波动。仿真采用三种 SOC 估计算法 —— 库仑计数法（CC）、扩展卡尔曼滤波（EKF）和无迹卡尔曼滤波（UKF），初始 SOC 故意设为 35% 以模拟实际 BMS 的初始估算偏差；两种 SOH 估计算法（EKF、UKF）则基于 SOC 输出与电池温度计算 SOH。数字示波器实时显示真实 / 估算 SOC、SOH、R0 及温度等参数，模型通过数字时钟与实时同步运行。

图 3 Simulink 下的 BMS 仿真模型实现：BMS 模型（a）与用户交互界面（b）

仿真结果

仿真历经 5 个充放电循环，结果表明：UKF 法 SOC 估算精度最高，误差仅 0.32%–1%；EKF 法次之，误差 1%–1.6%；传统 CC 法最差，误差达 5%。UKF 曲线与真实 SOC 高度重合，EKF 偶有尖峰，CC 偏差明显。SOH 从 100% 降至约 75%，前期（0–2000 s）衰减较快，后期趋缓。温度方面，充电因吸热反应降温、放电因放热反应升温；智能冷却系统在温度超限时自动启动，将电池维持在安全范围。不同初始 SOC 条件测试显示，初始偏差越大，CC 法误差激增（最高 20%），而 EKF/UKF 仍能保持较好精度，证明现代方法鲁棒性更强。综合来看，UKF 在处理非线性、高维系统方面最优，但计算成本较高；CC 法简单低成本，却精度不足且随电池老化进一步下降。该 BMS 误差优于 IEC 62660-2 等行业标准，不过仍需在极端温度、高振动等真实环境中进一步验证。

图 4 物联网平台电池参数可视化展示

表 1 初始 SOC 条件对 SOC 估算精度的影响对比

总结

本文强调了稳健自适应的 BMS 对电动汽车电池管理的重要意义：通过精准测量与估算 SOC、SOH 等关键参数，实现性能、安全性与使用寿命的协同提升。研究对比了传统 CC 法与现代卡尔曼滤波类数据驱动方法，所开发 BMS 兼具稳健性、自适应性、成本效益与可持续性，可在全生命周期内减缓电池内部退化、降低维护与更换成本。

基于 Simulink 仿真与 ThingSpeak 物联网平台的全面评估表明：UKF 法在 SOC 与 SOH 估算中精度最高，满电时估算 SOC 为 90%、放空时为 30%，跟踪真实 SOC 的充电误差仅 1%、放电误差低至 0.32%，显著优于传统方法。综上，UKF 法是面向实际场景的先进稳健 BMS 首选估计技术。未来研究将拓展至乘用车、商用车队及重型车辆等不同 EV 类别，验证系统对多样化运行需求的适应性。

Network期刊介绍

主编：Alexey Vinel, Halmstad University, Sweden

期刊专注于网络科学与技术的前沿研究，涵盖了广泛的研究领域，包括但不限于网络协议与架构设计、边缘计算、云计算、雾计算、人工智能与机器学习在网络中的应用、区块链技术、网络安全与隐私保护、5G/6G无线通信技术、物联网 (IoT)、绿色网络与能源效率优化等多个领域。目前期刊已被 ESCI (Web of Science), Scopus, EBSCO等数据库收录。