基于BMS與云平臺的動力電池健康管理體系

朱鵬霏，李 麗，常澤宇，余佩雯，郁亞娟，3

(1.北京理工大學 機電學院，北京 100081；2.北京理工大學 材料學院，北京 100081；3.北京理工大學 重慶創新中心，重慶 401120)

0 引言

鋰離子電池(LIBs，lithium ion battery)作為當今電動汽車(EVs，electric vehicles)的動力電池，具有容量高、質量輕、額定電壓較高、比能量高、充放電循環壽命長、自放電率低等優點[1]。然而，隨著時間和循環周期的增加，鋰離子電池發生老化現象[2]，在EVs中表現出電池容量降低、續航里程減少、充電時間增加、功率性能變弱等方面，這對用戶造成了“里程焦慮”問題[3]。

為了解決EVs的續航里程預測和電池系統安全性問題，電池健康狀況(SOH，state of health)評估成為了解決手段[4]。目前中高端EVs會配置電池管理系統(BMS，battery management system，BMS)，通過其芯片內置的模型算法實現電池SOH評估與預測[5]。然而由于車載BMS芯片計算精度、速度難以兼顧、多種時間尺度評估困難[6]，長時間電池數據儲存有限等缺點，動力電池SOH評估的實際應用發展陷入瓶頸。基于現狀，本文提出了將云計算與存儲平臺融入改進后的BMS系統中[7]，通過硬件與軟件的設計，實現了多線程計算電池SOH，實時反饋至用戶與BMS系統。本文提出的系統化設計思路解決了傳統動力電池SOH評估應用的缺點，具有兼顧高精度與速度；實時化預測；滿足多種時間尺度、各種工況條件等新優勢，具有實際化應用的參考價值，為云平臺運用于EVs動力電池健康管理提供了新方向[8]。值得注意的是，本文提出了一種可行性的體系架構案例，采用的實際商業化產品是可以被替代的，重點為一種融入云平臺的新型動力電池健康管理系統搭建思路。

1 整體架構思路

基于BMS與云平臺的動力電池健康管理體系架構思路如圖1所示，與現有的只依賴于EVs內部BMS系統進行的電池健康預測不同，設計的體系思路為：將云平臺與BMS相結合，搭建了基于BMS、云平臺、用戶端的多層架構系統，能夠解決當前EVs電池健康管理的難以同時兼顧準確性與預測速度，多時間尺度、多工況條件、多動力電池種類評估困難等問題，實現了多線程、在線化、實時化的電池健康預測評估與管理。

圖1 電池健康管理體系總設計圖

該設計體系的工作總流程如下：EVs端BMS的從控制器模塊收集全部電芯數據，主控制器模塊整理歸納，利用5G通訊模塊將電池SOH計算任務上交給云平臺，保證了數據的實時性，實現1～10 ms內的超低延時。多種云平臺的選擇，保障了商業化可能，將數種電池SOH評估模型與算法負載于云平臺內進行多線程計算，通過用戶需求篩選機制和云平臺智能篩選機制，匹配最適宜的預測結果，傳輸給用戶端手機app和車載屏幕程序進行實時查看，同時反饋給EVs端的BMS主控模塊芯片，針對電池的安全性問題和不一致性問題及時下達調控命令，提高電池壽命，將安全隱患消除于萌芽狀態。

2 動力電池BMS設計

電動汽車的BMS是通過收集電流、電壓、溫度等各項參數來監控電池組的健康狀況，從而保證安全與穩定。根據國家標準GB/T38661-2020的要求[9]，BMS要負責監控電池組狀態，判斷電池的SOH、SOC等，這就要求BMS具有較強的數據處理能力。在現有的應用中，BMS離線運作，通過芯片內置算法與模型實現SOH評估與預測。由于體積限制，主控制模塊上搭載的有限SOH評估法會導致預測精度有限，且實時性較差。

本文設計的SOH評估系統將大數據云計算與存儲平臺納入體系中，因此要求BMS具有數據在線傳輸功能，因此對BMS進行了分布式改進設計，如圖2，加入了數據傳輸單元5G-DTU，減輕了主控制模板的計算壓力，將SOH數值計算部分上傳至云平臺完成。本文BMS設計重點包括從控制器模塊、主控制器模塊、通信模塊三部分，采用目前已存在的商業化產品，并搭建自行設計的BMS運行流程邏輯。

圖2 分布式BMS架構設計

2.1 BMS從控制器模塊設計

電動汽車的BMS從控模塊需要一次性監控12至24塊單體電芯，在本設計案例中，前端數據采集芯片(AFE)芯片為美信半導體公司的MAX17843，擁有12個數據通道，因此單塊MAX17843芯片能實現1～12塊單體電芯的監測。MAX17843滿足ISO26262和汽車安全性等級ASIL D/C要求，其正常工作溫度范圍為-40℃至+125℃，可用電壓測量范圍為0.2～4.8 V。故MAX17843是同時實現較低成本與較高安全性的不同種類動力電池EVs系統的很好選擇。為了提高續航里程，新型EVs將在可用空間的條件允許下，盡可能多放電芯，通常一款具有長續航的EVs有數百塊單體電芯，如特斯拉model 3有著96個電池模組，441個2170型單體電芯。由于選用的AFE芯片美信MAX17843只能同時監測12塊電芯的數據通道，因此，需要數十塊MAX17843芯片，具體數量由不同EVs的實際情況決定。

單個AFE芯片MAX17843將通過電壓傳感器、電流傳感器、溫度傳感器收集所負責的12塊單體電芯充放電數據，各MAX17843芯片通過電氣隔離的SPI接口實現對EVs上百塊單體電芯的全部監測，所有的數據上傳至從控制器模塊CPU：AC781x，進一步整理歸類不同種類的數據，為上發至主控制模塊和下放均衡調控指令做準備。從控模塊的架構示意圖如圖3所示。

圖3 從控模塊架構示意圖

利用ATC Link Tool等開發工具為芯片設計配套軟件，從控制器模塊的主要功能為：收集電流、電壓、溫度等電池充放電數據，初步檢查各電芯是否正常運行且均衡一致，接收主控模塊的調控命令，消除異常情況和不一致性。本文從控模塊軟件設計運行邏輯如圖4所示。

對于電芯的均衡調控有多種方法，以SOC和SOH分析結果為主的調控被認為是最可靠的電池均衡控制手段。當從控模塊的AC781x芯片初步分析電池數據得到不一致性結果時，需要采取第一階段的簡單均衡控制，針對不同類型的EVs動力電池，在出廠時應該內置不同的充電、放電保護電壓值。如表1，如磷酸鐵鋰電池放電保護電壓為2 V，充電保護電壓為3.7 V，當觸發界限值進行均衡調控時，達到維護截止電壓3.5 V時停止[10]。從控制器模塊設計的第一階段均衡調控邏輯流程如圖5。

表1 不同鋰離子動力電池均衡調控的電壓閾值

圖5 從控制器模塊第一階段的均衡調控

2.2 BMS主控制器模塊設計

BMS主控模塊負責接收從控制器模塊上傳的數據綜合整理分類儲存，并利用內嵌的電池SOC、SOH評估模型和算法進行估算，將電池老化數據進行量化反饋給EVs用戶和生產廠商，同時，當BMS任意模塊檢測到不穩定性因素時，如：電池溫度急速攀升、電池組受到機械損傷、風冷系統停止運轉等，均會將緊急信號上傳給BMS的主控制器模塊，由主控模塊進行危險等級判定，從而命令調控模塊及時處理。主控模塊也會將問題及時上傳給用戶端知曉，部分汽車也具有聯網功能，能將故障問題及時打包發送給后臺廠商。

本文由于引入云計算平臺，采用的是多線程SOH計算方法，因此BMS主控模塊的芯片計算功能被替代，這將大幅減少BMS設計應用成本。另一方面，為主控制器模塊搭載5G傳輸模塊，保證與云平臺實時的數據溝通，及時得到電池SOH評估值。

主控制器模塊與BMS其余模塊的數據傳輸架構如圖6所示，內部數據傳輸是通過CAN總線模塊實現，集成的CAN總線模塊能夠具有高達80 MHz的高速，負責上傳未處理的數據并接收主控模板的調控命令。CAN總線具有ISO11898國際化完善的串行同行協議，方便設計與開發。

圖6 BMS內部與外部數據傳輸

設計的BMS主控模板與云平臺之間的信息傳輸是通過5G無線數據傳輸終端(5G-DTU)實現的，選用的5G-DTU是華為的MH5000-31，其網絡制式兼容2G至5G信號，常用5G頻段號為n1/41/78/79，符合國內使用需求。下載和上傳的傳輸速率分別為2 Gbps、230 Mbps，有效地滿足BMS與云平臺之間數據實時反饋，保證在線電池SOH評估與預測。5G-DTU與電動汽車BMS主控制器模塊通過232或485接口連接數據。在通信時，需要符合主流的5G通信頻段，如中國電信和中國聯通的3.3 GHz+3.5 GHz，中國移動的2.6 GHz+4.9 GHz[11]，中國廣電的3.3 GHz+4.9 GHz頻段，而歐美日本主要還有3.2 GHz的n77頻段。

選擇的主控器模塊中央CPU為芯旺的KF32A系列芯片。KF32A151的開發板采用KungFu32為內核，運行電壓為2.0～3.6 V，最高運行頻率為120 MHz，運行溫度符合Grade1級車規工作溫度范圍(-40℃～125℃)。盡管KF32A151與國際大廠MCU產品仍有不小差距，不過其已經能勝任本文的設計內容。

KF32A151主要負責功能為：判斷系統是否處于電氣絕緣的安全狀態；對從控制器模塊上傳電池數據的總體歸納收集；對已采集的電流、電壓、溫度進行精度確認；利用CAN總線與EVs其它部分進行調控分工；提取特征參數值，如繪制IC/DV曲線，提取曲線峰值等；利用5G-DTU模塊上傳至云平臺，并實時接收云平臺計算結果反饋；利用反饋結果及時下放命令對單體電芯進行調控，延緩電池衰老；將電池SOH預測結果反饋給用戶端app和車載屏幕。因此主控模塊流程設計如圖7。

圖7 主控制器模塊流程設計

3 基于云平臺的電池健康管理設計

在本設計中，引入了云計算與存儲平臺，其高速的數據處理能力、多線程的數據分析能力、長時間的數據存儲能力，有效解決了現有BMS對電池SOH計算復雜度的限制問題。

根據設計需求，云平臺需要兼備云計算和云存儲的功能。一般企業內部會搭建獨立的私有云平臺，在此設計案例中，考慮到國內云平臺市場的占有率和發展成熟度，采用了阿里云平臺作為設計典型。阿里云平臺同時具有根據用戶需求自動調整計算資源的彈性云計算服務器ECS和存儲服務器OSS，能被企業廣泛接收。在大數據情境下，云平臺多個處理器同時處理數據，并將結果分類排列并匯總，進而得到最終結果[12]

3.1 云平臺多種SOH模型算法融合設計

在設計的云平臺中，將多種SOH計算方法負載于云平臺上，讓SOH預測結果快速且多樣，這是本論文的關鍵點之一。國內外學者提出了種類繁多的電池SOH評估機制，這些方法均建立在不同模型與算法之上，在其對應使用條件下具有較好的預測結果[13]。現有的鋰離子動力電池SOH評估方法分為四個大類：模型法、數據驅動法、其它法、融合型法，每個大類里又包含不同的研究方向。

本文的設計案例中，采用了八種最新的優秀SOH評估與預測方法，這些SOH評估法的計算方法、流程與結果特點都被高影響因子的SCI、EI論文收錄并展示，八種方法各具優勢，初步實現了設計體系能針對多種類EVs動力電池、各種實際工況條件的SOH評估與預測。八種方法適用不同情況，將其與云平臺進行組合，能夠囊括幾乎所有適用需求。值得注意的是，本論文設計的BMS-云平臺體系能搭載多種多樣的SOH評估算法，選擇的八種方法僅作為設計的典型代表，實際操作時還能搭載更多種類的SOH評估方法，滿足更多使用需求。

設計案例中，云平臺搭載的方法一為：最小二乘支持向量機(LS-SVM)法[14]，該方法將優化問題中的二次規劃非線性問題轉化為線性問題，計算復雜度大幅下降，因此云平臺負荷較小、所需數據量少能快速反映。針對LiFePO4電池為驅動的EVs老化數據進行LS-SVM優化，得到了圖8(a)的結果。均方根誤差(RMSE)在0.32%～0.48%間波動，在其3.19～3.24 V這個平穩區間預測結果較好。云平臺搭載的方法二為：相關向量機與灰色模型融合(RVM+GM)法[15]，能有效解決電池組在較長一段時間的擱置后，再次循環時發生容量異常增加的“容量再生問題”錯誤評估情況。具體方法是RVM和GM法融合時，能將正常的電池老化現象與容量再生問題解耦分開，通過多步迭代預測減少累計誤差，解決了容量再生帶來的SOH預測精準度下降問題，因此方法二更加適用于EVs在長期停止運行后再次啟動時的預測。

云平臺搭載的方法三為：人工神經網絡與電化學阻抗模型融合法(ANN+EIS-based model)[16]，不同于基于容量的SOH評估法需要數個充放電周期的全部數據才能構建預測模型，在線阻抗相位信息測量并不需要等待一個完整的充電/放電循環[17]，因此方法三基于內阻的SOH評估具有較快的預測速度，能夠避免緊急EVs故障。

搭載的方法四為：極限學習機與等效電路模型融合法(ELM+ECM)[18]，從EVs電池中提取歐姆內阻和極化內阻的增量作為特征參數來表征電池老化情況，引入的ELM構建了在線SOH評估的聯合框架，實現了較高精準度的在線實時預測，預測時間為0.013 6 s。不過存在溫度對內阻測量準確度的影響。

云平臺搭載的方法五為：粒子濾波與布朗運動模型融合法(PF+BM)[19]，本質是樣本概率密度函數來近似計算，利用最大似然估計法(MLE)初始化相關模型參數，將布朗粒子在給定時間間隔的移動距離作為模型預測電池容量退化的基礎。然后，利用PF估計BM的漂移參數。方法五在短時間尺度下SOH預測的均方根誤差小于4%，不過在長時間尺度下電池SOH評估誤差逐漸增大，RMSE達到25%。

搭載的方法六為：融合小波去噪與高斯過程函數回歸融合法(WD+GPR)[20]，如圖8(c)，WD利用僅在非常小的一段區間內有非零值的“小波”進行降噪處理，從而取出外在因素引起偏移的噪聲，預測精準度很高，穩定性和適用性均較好。不過計算復雜度較大，對云平臺計算的負荷較高；且當電池數據量過少時預測精度下降，當電池數據量較大，計算時間將顯著延長。

搭載的方法七為：長短期記憶與粒子群優化融合法(LSTM+PSO)[21]，利用LSTM建立模型基礎，并引入PSO優化體系的賦值、偏差和模型的關鍵參數等，并預訓練設定的模型；同時結合注意機制(AM)，降低誤差干擾，實現高精度同時預測電池SOH與剩余壽命周期(RUL)。

搭載的方法八為：基于容量增量分析與高斯濾波的融合法(ICA+GS)[22]，通過收集電池充放電數據來構建V-dQ/dV曲線或V-dV/dQ曲線如圖8(d)，由于環境噪聲波動較大，因此結合GS平滑曲線得到圖8(e)，很好地保留曲線上與電池老化密切相關的重要特征。該方法針對三元鎳鈷錳電池進行了數據優化。

3.2 云平臺選擇SOH預測結果的設計

在設計案例中已經分析了具有代表性的八種最新電池SOH在線評估法，這些方法各有優缺點，能分別適用于絕大部分的情況。因此將以案例中的八種方法為基礎，設計一套能夠在不同情況下，根據用戶需求和EVs實際情況，云平臺對多線程的SOH預測結果能夠智能化選擇并輸出的體系。值得注意的是，無論是以阿里云為代表的共有付費云平臺還是企業搭建的私有云平臺，均能搭載更多種類的電池SOH在線評估算法與模型，從而保證從BMS上傳的電池數據能多線同時計算，得到更合適的預測值，本次設計案例選用的八種方法能基本囊括各種使用場景。

通過分析，可以根據以RMSE為代表的預測精準度、以從慢到快Ⅰ—Ⅷ為代表的預測速度、以從低到高Ⅰ—Ⅷ為代表的云平臺負荷壓力、優點、缺點、建議使用場景六個方面來對設計案例中提出的八種代表性方法進行歸納總結對比(如表2)。

表2 設計案例中八種SOH評估方法總結

本文設計的融合多種電池SOH評估法的云平臺能夠根據實際工況和用戶需求來選擇最適宜的方法。因此，針對云平臺多線程SOH計算結果，設計了一套選擇性輸出最優化結果方案，主要包括兩套結果反饋機制：基于用戶需求的反饋機制(如圖9)和基于實際情況的云平臺智能篩選反饋機制(如圖10)。

圖9 基于用戶需求的反饋機制

圖10 基于云平臺智能篩選的反饋機制

EVs用戶在點火啟動后，能夠通過車載屏幕或手機app程序選擇自己的需求，此情況為以用戶需求為主的結果反饋機制，可以大體分為四大類，如圖9：對結果直觀性要求、對長期預測的要求、對短期預測的要求、對反饋速度與精度的要求。用戶根據自我需要進行確認，云平臺將匹配最適合的SOH評估結果，傳輸到用戶端。

設計的另一種機制為：云平臺智能篩選反饋，如圖10。BMS將包括EVs種類、電芯編號、充放電規律等全部數據分類整理并上傳給云平臺，云平臺能根據匹配的信息，篩選匹配最合適的某種或多種評估方法進行結果輸出。設計的云平臺篩選機制在滿足用戶需求上，另外考慮了電池種類、用戶使用習慣、溫度條件、EVs運行狀況四個大類，與設計案例中的八種方法進行匹配。

根據EVs常見的動力電池種類，可以分為三種，以LiFePO4為驅動、以NCM為驅動、以固態鋰離子電池為代表的其它種類電池驅動，在八種SOH評估與預測方法的設計案例中，某些方法對特定電池的適用性更好，故上述情況分別適用于方法1、方法8、方法6；

根據云平臺分析用戶使用EVs的習慣，判斷其是數據分布有序的規律性充放電，或者是長時間擱置未充電情況；后者需要考慮“容量再生”帶來的較大SOH評估偏差，因此選用方法2能有效消除不準確性，而規律性的充放電則可使用方法1、8利用云平臺中的歷史數據得到結果。

根據BMS實時上傳信號判斷EVs是剛啟動，能用方法2與方法8通過充電歷史數據直接得到SOH預測結果，若BMS上傳故障警告信號則需要利用方法3最快速預測得到SOH結果，若正常運行則適合方法6、7；

根據BMS實時上傳的溫度數據，云平臺來判斷EVs所處溫度條件。當溫度變化>5℃時，溫度對電池內阻的影響較大，以內阻法來預測電池SOH的方法不再合適，故采取方法7；而溫度較為恒定時，即變化范圍≤5℃，則可使用方法4的內阻法來進行預測。

3.3 云平臺后臺服務器管理的設計

本文主要利用云平臺的兩大功能：云計算、云儲存。云平臺并不是獨立的架構，是需要大量的后臺服務器支持其功能正常運作。因此在本設計中，后臺服務器應該具備以下功能：

電芯充放電數據監控。BMS主控模板收集并整理好EVs所有電芯的充放電數據(包括電流、電壓、溫度、內阻等)，通過5G-DTU將全部信息傳輸至云平臺的后臺服務器。在監控充放電數據同時，服務器也進行數據存儲，存儲時間取決于EVs廠商要求，通常要求以年為單位，企業可以對某款EVs進行大數據分析，報廢后能夠分析其全壽命周期。

用戶信息管理。此項功能主要針對服務廠商，能夠通過云平臺的后臺服務器將EVs信息與用戶信息綁定。用戶信息包括了EVs購買者信息，用戶對EVs的充放電規律，EVs的行程定位、運行時長、運行狀況等。注意，收集的用戶信息在后臺服務器要進行加密保護措施，權限設置為僅用戶和廠商能進行查看，不允許編輯。

硬件信息管理。此項功能主要針對EVs內部所有零部件情況，檢測各硬件安全狀況、壽命期限、ID信息等。

相關數據分析。此功能主要包括了設計案例中多種SOH融合評估模型與算法。此外還應該包括：分析EVs的日志數據，從而得到用戶的使用習慣規律，便于提供在不同時間段匹配最佳的評估機制；分析各電芯的數據，從而將電芯不一致性調控的方案反饋給BMS主控模塊，主控模塊通過調控模塊向各模塊下發調控命令，消除電芯的不一致性，提高電池組的使用壽命。

警告信號處理，此項功能主要是針對后臺服務器對EVs緊急安全狀況的處理。當EVs遇到碰撞或高溫等其它安全狀況時，BMS控制電芯緊急斷電或快速制冷等操作，并將最后的數據上傳給云平臺服務器實現緊急存儲。該作用類似于飛機的“黑匣子”，記錄EVs緊急狀態前后所有信息，這樣即使EVs在事故后完全毀壞且無法獲得信息，用戶和廠家也可以事后及時調取云平臺的后臺服務器記錄進行取證分析。

4 用戶端設計

在設計案例中，以阿里云平臺搭載的八種電池SOH評估模型與算法，多線程計算后得到多種SOH評估與預測結果。通過用戶需求反饋機制和云平臺智能篩選反饋機制，能夠得到最合適的反饋結果，進而輸送給EVs與用戶端。因此，有必要針對用戶端信息接收進行設計。

4.1 基于手機app端的應用程序設計

目前5G手機已經得到了大范圍的普及，BMS和云平臺的信息實時傳遞是架構在5G/4G網絡上的，因此基于ApiCloud平臺工具，針對安卓系統、蘋果系統、微軟手機系統、塞班系統等多系統進行app開發與適配；設計數據庫；開發后臺系統；UI優化等。

設計的手機app，總體架構如圖11(a)所示，分為用戶層、中轉層、數據層。具體來說就是用戶通過手機app，向web端服務器發送5G信號，請求訪問數據。web端服務器通過與云平臺的后臺服務器的聯系，得到多線程SOH評估值以及其它建議值，利用簡易的JSON數據流格式返回用戶app端。

圖11 手機app

登錄手機app后，主界面的設計簡單清晰，如圖11(b)，應該包括五個可供選擇的模塊。

模塊1為我的信息，用戶可修改個人相關信息，包括用戶名、登錄密碼、汽車出廠編號等；模塊2為電池健康預測，此部分為設計的核心，通過BMS與云平臺的設計，實現了EVs鋰離子動力電池在各種實際情況下的電池SOH評估與預測，結果將通過5G信號發送到用戶手機app上。點擊電池健康預測按鈕進入后，界面分為用戶需求與云平臺智能篩選兩部分，如圖11(c)，用戶需求分為直觀性、長期預測、短期預測、反饋速度；云平臺智能篩選分為電池種類、用戶習慣、運行狀況、溫度條件。模塊3為歷史數據查詢，分為按時間段查詢、按區域查詢；用戶可以輸入想要查詢的過去時間段或輸入某一特定區域，app會顯示相關的電池健康狀態變化曲線，行駛里程數，充放電循環次數，電量變化曲線等等。模塊4為電池狀態監測，包括當前狀態下的電池溫度、總電流、總電壓、電量、預計剩余公里數等；這些數據來源均是電動汽車的BMS系統，主控制器模塊收集所有電芯數據并歸類處理上傳到云平臺服務器，再返回至用戶app端，滿足實時查詢的功能。模塊5為警告中心，當EVs出現緊急情況，如電芯溫度劇烈升高，電池組機械損壞等，手機app會聯動汽車車載屏幕程序，及時以“危險警告”報警提醒用戶，并及時將數據與情況上報給云平臺服務器，便于后續及時分析；若出現多塊電芯達到終止壽命、冷卻液缺失、風冷系統有灰塵堵塞等情況但不影響EVs正常運行，手機app會以“維修提醒”來警示用戶及時返廠處理“暗病”，將電池不健康因素消除在萌芽狀態。

4.2 基于EVs車載屏幕程序的設計

針對EVs車載屏幕的結果反饋功能架構如圖12(a)，與手機app不同的是，車載屏幕的架構多出了BMS系統直連的功能。BMS是通過AFE芯片收集電芯全部數據，利用設計的從控芯片解析得到數據，通過CAN通信上傳到主控芯片，歸類整理所有的電芯數據，得到在電量、電流、電壓、溫度等數據的變化，并可做成變化曲線圖，CAN總線直連上傳到車載屏幕程序中，省去了通過云平臺中轉的過程，能夠比用戶通過手機app更快地得到當前EVs數據。

智能化EVs發展道路離不開車載屏幕的支持，目前新型EVs的車載屏幕在向著更大觸屏、更豐富交互體驗、更人性化UI設計等方向發展。因此設計的車載屏幕如圖12(b)所示，注重模塊化分布，界面簡單交互性強，分為了兩大部分：多媒體功能區、EVs健康管理區。

5 結束語

針對電動汽車車載BMS不能同時兼顧電池SOH評估的精度與速度，難以在各種時間尺度上滿足預測的需求，致使電動汽車電池健康管理實際應用發展緩慢的問題，提出了融合云平臺與BMS的電池健康管理體系架構思路，能夠實現5G在線評估電池健康狀況，集合各種電池SOH評估模型與算法，多線程實時計算并反饋預測結果，滿足多種動力電池種類和工況條件，為電動汽車健康管理提供了新方向，具有較好的未來應用價值。