AI在汽车电池管理系统中的作用

电动汽车 （EV） 领域，里程焦虑和电池寿命是消费者最关心的问题，一场无声的革命可能正在进行中：人工智能 （AI） 正在进入电动汽车技术的核心——电池管理系统 （BMS）。虽然 AI 在几乎任何行业中都受到的关注往往超过其应有的关注，但问题是“为什么以及如何将 AI 应用于汽车电池，它能否在车辆的整个生命周期内实现精确的电动汽车续航里程预测？

电动汽车电池：AI 的游乐场

当谈到 AI 对复杂问题和大型数据集的永不满足的胃口时，电动汽车电池提供了完美的游乐场。锂离子电池组由数百甚至数千个单独的“呼吸”电化学电池组成（图 1），其反应非常敏感。不过，这种灵敏度不仅仅涉及制造过程中的轻微偏差和杂质。一旦安装在电动汽车中，它也会对现实世界的条件做出反应，包括充电和驾驶过程中的电气变化、环境因素以及经常被忽视的机械压力和振动。

电动 Veronika1. EV 电池可能由模块组成，其中两个模块都由电池组成。

随着电池充电/放电和老化，它们实际上会“呼吸”和膨胀。这导致体积变化，在一些全固态电池化学成分的情况下，体积变化可能高达 15% 左右。

这些来自制造和运营的影响在车辆中表现为电池容量（续航里程）和功率随时间的变化——这种现象对最终用户来说既至关重要，但矛盾的是，对行业来说却令人沮丧地不透明。

在微观尺度上，这种复杂性归结为每个电池的阳极和阴极中的锂离子插层过程、固体电解质界面 （SEI） 层的形成以及离子扩散途径。在电池组层面，商用电动汽车中唯一可用的信号无非是电池组电流、电池电压和一些温度传感器。

弥合这一差距以绘制所有相关现象和相关性是一项挑战，需要从两个方向解决：子细胞级别基于物理的电化学建模和车队级别的大数据驱动机器学习算法。随着复杂的相关性和来自实验室测试和真实世界车辆的大量数据集，问题出现了：“AI 是否有尚未开发的潜力？

汽车 BMS 的作用

如果电池化学是电动汽车的心脏，那么电池管理系统就是它的大脑。它管理单个电池单元的行为、它们与动力传动系统的交互以及它们对充电系统的响应。

由于 EV 电池设计、电池形式和化学成分的多样性，不存在一刀切的 BMS。每个系统都针对特定的电池架构量身定制，包括硬件和软件元件，如电池监控单元、高压隔离开关、隔离监视器和热熔器。

汽车 BMS 的主要功能包括：

安全监控：BMS 持续监控电池温度、电压和电流，以防止过度充电/放电或过热等危险/破坏性情况（图 2）。

电动 Veronika2. 两种不同的电池设计、电池格式或化学成分可能具有不同的安全工作区。

状态估计：也许 BMS 最关键和最具挑战性的任务是准确估计电池的充电状态 （SOC）（衡量电池当前可用能量的指标）和健康状态 （SOH），它反映了老化电池的整体状况和容量与其原始状态相比（图 3）。在评估电动汽车的转售价值时，后者本质上很重要，因为电动汽车净成本的 30% 左右是电池。

电动 Veronika

3. BMS 生成可接受的状态估计输出的任务需要精确的监控系统变量，例如电压、温度和电流。

电池平衡：为了最大限度地延长电池寿命和性能，BMS 确保电池组中的所有电池单元都得到均匀的充电和放电。

热管理：BMS 控制冷却系统以保持最佳电池温度，这对性能和使用寿命至关重要。

数据通信：BMS 与其他车辆系统连接，为驾驶员和其他控制单元提供关键的电池信息。

AI 正在产生重大影响的一个有前途的领域是状态估计。矛盾的是，EV 中最受关注的量——它的续航里程——并不是一个直接的测量值;这是一个估计。从历史上看，状态估计依赖于通过广泛的实验室测试开发的预定义算法和查找表。但是，在现实世界的驾驶条件和电池老化会带来无休止的可变性的情况下，这种传统方法是否足够呢？

传统 BMS 方法的不足之处

开发 BMS 是一项资源密集型任务，与每个电池组的独特架构密切相关。最昂贵和最耗时的部分是 BMS 的校准，因为它依赖于对手头电池进行广泛的实验室测试。

电芯、模块和电池组在各种条件下经过多年的严格测试，以绘制其电化学行为。这些测试包括性能评估、安全评估和寿命测量。收集的数据构成了电池模型和静态查找表的基础，这些表是传统 BMS 算法的支柱。

因此，这些查找表可以看作是预先计算的数据集，它将电池的开路电压 （OCV） 等参数映射到不同温度（通常为 -20°C 至 60°C）下的实际 SOC。 为了提高精度，通常会加入其他尺寸，例如 SOH 和充电/放电速率 （C-rates）。

为了处理这些表并在实际车辆中使用它们，传统的 BMS 算法依赖于参数化电池模型与卡尔曼滤波器及其变体等技术相结合。卡尔曼滤波器动态集成电压、电流和温度数据，以估算 SOC 和 SOH。它们依赖于高精度的电池电压测量，尤其是在磷酸铁锂 （LFP） 正极化学成分的电池中，该电池表现出平坦的电压曲线，因此测量偏差很小会导致严重的预测误差（图 4）。

4，当曲线接近零斜率时，基于化学特定曲线的电荷状态估计对不准确的开路电压测量变得高度敏感。

这些方法受静态模型的约束，容易出现累积误差，特别是当电池老化时（图 5）或在非典型条件下运行。这就是 AI 解锁动态、数据驱动型解决方案的地方。

电动 Veronika

5. 随着电池的老化，它们的能量存储能力会下降，从而导致特征 SOC 曲线发生相应变化。如果没有 BMS，较低的最大电压会导致过早老化的电池过度充电，从而降低整个电池组的性能。

AI 在 EV BMS 系统方面的机会

传统 BMS 方法的这些局限性凸显了对更智能、更具适应性的系统的需求。AI 为三个关键应用领域带来了机会：

1. 提高 SOC 和 SOH 估计的准确性

在 BMS 状态估计中使用 AI 的核心原因之一恰恰在于利用真实世界驾驶条件和电池老化过程的动态特性。这是通过边缘机器学习（“边缘计算”）利用大量电池数据来实现的。

与前面提到的在实验室环境中创建的静态查找表不同，复杂的神经网络直接嵌入到车辆芯片中。这些网络不断了解特定驾驶员在其独特环境中如何使用电池。

这使得自适应 BMS 系统成为可能，该系统结合了重新校准步骤，最终演变成能够通过使用云连接实现自我学习和跨车队协作的智能系统。

这方面的一个例子是 Electra Vehicles，它使用基于神经网络的算法来分析来自电池、车辆、驾驶员和环境的数据。这些算法部署在边缘的微处理器上，例如德州仪器 （TI） 的微处理器，可实现实时调整和持续改进（请参阅下面的视频）。最近的结果表明，这种方法实现了卓越的精度——SOC 估计误差小于 1%，SOH 误差低于 3%，显著提高了电池使用寿命内的距离预测精度。

2. 提高安全性和预测性维护

令人鼓舞的是，可以以 99% 的置信度到达下一个充电站。然而，AI 可以为 EV BMS 创造难以置信价值的第二个领域是安全系统和预测性维护。机器学习可以识别模式并训练自己根据温度、电压和电流的特定变化来检测电池是否存在安全问题或需要维修。

确切地知道电池还能使用多长时间，以及在需要维护之前可以完成多少次循环，这对商业车队运营商来说特别有用。虽然仍然缺乏这种能力的明确证据，尽管许多公司声称已经实现了它，但不可否认的是，潜力是存在的。

3. AI 可用于减少电池测试和 BMS 开发时间

最后一个相关的领域从实际的车辆作中移出，并在开发阶段应用 AI。尽管 AI 正在将 BMS 系统转变为自学习系统，但该技术尚未达到完全消除电池实验室测试需求的程度。

但是，通过整个生态系统的正确合作，AI 可以应用于这一领域，以显著减少所需的测试。这超越了目前占主导地位的、统计驱动的实验设计。例如，Monolith 已经展示了 AI 如何将老化测试的需求减少 40%，将细胞重复次数减少 75%。

总结与展望：人工智能在电动汽车电池开发和管理中的未来

人工智能正在重新定义电动汽车电池的管理方式，提高电池整个生命周期的准确性、安全性和效率。然而，对 AI 的怀疑仍然存在，这是正确的。虽然做出了许多承诺，但 AI 在某些领域（例如长期预测性维护）的全部潜力的有形证据仍在出现，最多可提前三个月预测故障。尽管如此，AI 的变革潜力不容忽视。