问题
电池管理系统常用在各个场合，如手机、电脑、功率电力电子设备。
SOC(State of charge)与SOH(State of health)估计是需要实现的两个重要算法。
芯片方案
BQ34Z100-G1:
1 | http://www.ti.com.cn/product/cn/BQ34Z100-G1 |
还有其它方案，原理类似。
采用高精度的ADC做电荷计，对电池内电荷进行准确计数（安时积分）；
同时输入电池的测试曲线，用以作为基准，采用逻辑进行校正，具体见bq34z100-g1的算法文档。
只需要会使用芯片就可以了，门槛低，也是最常用应用最多的方案。
因为没有动态特性的跟踪，误差较大，可能达20%。[1]
扩展卡尔曼滤波
扩展卡尔曼滤波是对非线性系统进行在线参数估计的一种算法，它用在BMS系统中十分适用，据多篇文献，可达到较高精度1%之内[1]。
这有两种方法：
方法一是对系统所有的参数都进行建模（建模参考[2]），然后直接把所有参数进行在线扩展卡尔曼滤波[1]，获取准确的系统参数。这种方法据称准确度较高，我不负责任地评估一下，它的稳定性可能较差，为了获取所有的参数，系统需要经历比较全面的动态过程，这在实际工作状态下是很难实现的；同时在MCU内的计算需求大。
方法二是对系统的动态参数提前进行建模以及测试，然后在线仅实现卡尔曼滤波对电池内阻在线跟踪。建模仍然参考[2]。
先对一阶的系统进行建模，对电池动态特性中的每个参数都作为被估计的参数，进行建模，然后进行最小二乘拟合，获取不同情况下的电池参数。
为了实现较高的跟踪精度，仍需要对电池在不同温度、不同SOC情况下的动态特性进行建模，具体说来就是将把电池在不同SOC（0%到100%，step 10%）下进行脉冲放电，并计算它的动态参数，获取离线参数表。
然后在线实现内阻跟踪。
估计可以达到很高的精度以及很高的稳定性及较小的计算需求。
其它设计参考
Hack Tesla BMS：
1 | https://hackaday.io/project/10098-model-s-bms-hacking |
Matlab：
1 | https://ww2.mathworks.cn/solutions/power-electronics-control/battery-models.html |
参考文献
[1] Andre, Dave, et al. “Advanced mathematical methods of SOC and SOH estimation for lithium-ion batteries.” Journal of power sources 224 (2013): 20-27.
[2] He, Hongwen, Rui Xiong, and Hongqiang Guo. “Online estimation of model parameters and state-of-charge of LiFePO4 batteries in electric vehicles.” Applied Energy 89.1 (2012): 413-420.
[3] Cheng, Ka Wai Eric, et al. “Battery-management system (BMS) and SOC development for electrical vehicles.” IEEE transactions on vehicular technology 60.1 (2010): 76-88.
[4] Plett, Gregory L. “Extended Kalman filtering for battery management systems of LiPB-based HEV battery packs: Part 3. State and parameter estimation.” Journal of Power sources 134.2 (2004): 277-292.
[5] Yu, Zhihao, Ruituo Huai, and Linjing Xiao. “State-of-charge estimation for lithium-ion batteries using a kalman filter based on local linearization.” Energies 8.8 (2015): 7854-7873.
[6] Huang, Shyh-Chin, et al. “An online SOC and SOH estimation model for lithium-ion batteries.” Energies 10.4 (2017): 512.
[7] Zhang, Ruifeng, et al. “State of the art of lithium-ion battery soc estimation for electrical vehicles.” Energies 11.7 (2018): 1820.
[8] Hoshiya, Masaru, and Etsuro Saito. “Structural identification by extended Kalman filter.” Journal of engineering mechanics 110.12 (1984): 1757-1770.
[9] Ljung, Lennart. “Asymptotic behavior of the extended Kalman filter as a parameter estimator for linear systems.” IEEE Transactions on Automatic Control 24.1 (1979): 36-50.
[10] Welch, Greg, and Gary Bishop. “An introduction to the Kalman filter.” (1995): 41-95.
