AI在汽車(chē)電池管理系統中的作用

電動(dòng)汽車(chē) （EV） 領(lǐng)域，里程焦慮和電池壽命是消費者最關(guān)心的問(wèn)題，一場(chǎng)無(wú)聲的革命可能正在進(jìn)行中：人工智能 （AI） 正在進(jìn)入電動(dòng)汽車(chē)技術(shù)的核心——電池管理系統 （BMS）。雖然 AI 在幾乎任何行業(yè)中都受到的關(guān)注往往超過(guò)其應有的關(guān)注，但問(wèn)題是“為什么以及如何將 AI 應用于汽車(chē)電池，它能否在車(chē)輛的整個(gè)生命周期內實(shí)現精確的電動(dòng)汽車(chē)續航里程預測？

電動(dòng)汽車(chē)電池：AI 的游樂(lè )場(chǎng)

當談到 AI 對復雜問(wèn)題和大型數據集的永不滿(mǎn)足的胃口時(shí)，電動(dòng)汽車(chē)電池提供了完美的游樂(lè )場(chǎng)。鋰離子電池組由數百甚至數千個(gè)單獨的“呼吸”電化學(xué)電池組成（圖 1），其反應非常敏感。不過(guò)，這種靈敏度不僅僅涉及制造過(guò)程中的輕微偏差和雜質(zhì)。一旦安裝在電動(dòng)汽車(chē)中，它也會(huì )對現實(shí)世界的條件做出反應，包括充電和駕駛過(guò)程中的電氣變化、環(huán)境因素以及經(jīng)常被忽視的機械壓力和振動(dòng)。

電動(dòng) Veronika1. EV 電池可能由模塊組成，其中兩個(gè)模塊都由電池組成。

隨著(zhù)電池充電/放電和老化，它們實(shí)際上會(huì )“呼吸”和膨脹。這導致體積變化，在一些全固態(tài)電池化學(xué)成分的情況下，體積變化可能高達 15% 左右。

這些來(lái)自制造和運營(yíng)的影響在車(chē)輛中表現為電池容量（續航里程）和功率隨時(shí)間的變化——這種現象對最終用戶(hù)來(lái)說(shuō)既至關(guān)重要，但矛盾的是，對行業(yè)來(lái)說(shuō)卻令人沮喪地不透明。

在微觀(guān)尺度上，這種復雜性歸結為每個(gè)電池的陽(yáng)極和陰極中的鋰離子插層過(guò)程、固體電解質(zhì)界面 （SEI） 層的形成以及離子擴散途徑。在電池組層面，商用電動(dòng)汽車(chē)中唯一可用的信號無(wú)非是電池組電流、電池電壓和一些溫度傳感器。

彌合這一差距以繪制所有相關(guān)現象和相關(guān)性是一項挑戰，需要從兩個(gè)方向解決：子細胞級別基于物理的電化學(xué)建模和車(chē)隊級別的大數據驅動(dòng)機器學(xué)習算法。隨著(zhù)復雜的相關(guān)性和來(lái)自實(shí)驗室測試和真實(shí)世界車(chē)輛的大量數據集，問(wèn)題出現了：“AI 是否有尚未開(kāi)發(fā)的潛力？

汽車(chē) BMS 的作用

如果電池化學(xué)是電動(dòng)汽車(chē)的心臟，那么電池管理系統就是它的大腦。它管理單個(gè)電池單元的行為、它們與動(dòng)力傳動(dòng)系統的交互以及它們對充電系統的響應。

由于 EV 電池設計、電池形式和化學(xué)成分的多樣性，不存在一刀切的 BMS。每個(gè)系統都針對特定的電池架構量身定制，包括硬件和軟件元件，如電池監控單元、高壓隔離開(kāi)關(guān)、隔離監視器和熱熔器。

汽車(chē) BMS 的主要功能包括：

安全監控：BMS 持續監控電池溫度、電壓和電流，以防止過(guò)度充電/放電或過(guò)熱等危險/破壞性情況（圖 2）。

電動(dòng) Veronika2. 兩種不同的電池設計、電池格式或化學(xué)成分可能具有不同的安全工作區。

狀態(tài)估計：也許 BMS 最關(guān)鍵和最具挑戰性的任務(wù)是準確估計電池的充電狀態(tài) （SOC）（衡量電池當前可用能量的指標）和健康狀態(tài) （SOH），它反映了老化電池的整體狀況和容量與其原始狀態(tài)相比（圖 3）。在評估電動(dòng)汽車(chē)的轉售價(jià)值時(shí)，后者本質(zhì)上很重要，因為電動(dòng)汽車(chē)凈成本的 30% 左右是電池。

電動(dòng) Veronika

3. BMS 生成可接受的狀態(tài)估計輸出的任務(wù)需要精確的監控系統變量，例如電壓、溫度和電流。

電池平衡：為了最大限度地延長(cháng)電池壽命和性能，BMS 確保電池組中的所有電池單元都得到均勻的充電和放電。

熱管理：BMS 控制冷卻系統以保持最佳電池溫度，這對性能和使用壽命至關(guān)重要。

數據通信：BMS 與其他車(chē)輛系統連接，為駕駛員和其他控制單元提供關(guān)鍵的電池信息。

AI 正在產(chǎn)生重大影響的一個(gè)有前途的領(lǐng)域是狀態(tài)估計。矛盾的是，EV 中最受關(guān)注的量——它的續航里程——并不是一個(gè)直接的測量值;這是一個(gè)估計。從歷史上看，狀態(tài)估計依賴(lài)于通過(guò)廣泛的實(shí)驗室測試開(kāi)發(fā)的預定義算法和查找表。但是，在現實(shí)世界的駕駛條件和電池老化會(huì )帶來(lái)無(wú)休止的可變性的情況下，這種傳統方法是否足夠呢？

傳統 BMS 方法的不足之處

開(kāi)發(fā) BMS 是一項資源密集型任務(wù)，與每個(gè)電池組的獨特架構密切相關(guān)。最昂貴和最耗時(shí)的部分是 BMS 的校準，因為它依賴(lài)于對手頭電池進(jìn)行廣泛的實(shí)驗室測試。

電芯、模塊和電池組在各種條件下經(jīng)過(guò)多年的嚴格測試，以繪制其電化學(xué)行為。這些測試包括性能評估、安全評估和壽命測量。收集的數據構成了電池模型和靜態(tài)查找表的基礎，這些表是傳統 BMS 算法的支柱。

因此，這些查找表可以看作是預先計算的數據集，它將電池的開(kāi)路電壓 （OCV） 等參數映射到不同溫度（通常為 -20°C 至 60°C）下的實(shí)際 SOC。 為了提高精度，通常會(huì )加入其他尺寸，例如 SOH 和充電/放電速率 （C-rates）。

為了處理這些表并在實(shí)際車(chē)輛中使用它們，傳統的 BMS 算法依賴(lài)于參數化電池模型與卡爾曼濾波器及其變體等技術(shù)相結合?？柭鼮V波器動(dòng)態(tài)集成電壓、電流和溫度數據，以估算 SOC 和 SOH。它們依賴(lài)于高精度的電池電壓測量，尤其是在磷酸鐵鋰 （LFP） 正極化學(xué)成分的電池中，該電池表現出平坦的電壓曲線(xiàn)，因此測量偏差很小會(huì )導致嚴重的預測誤差（圖 4）。

4，當曲線(xiàn)接近零斜率時(shí)，基于化學(xué)特定曲線(xiàn)的電荷狀態(tài)估計對不準確的開(kāi)路電壓測量變得高度敏感。

這些方法受靜態(tài)模型的約束，容易出現累積誤差，特別是當電池老化時(shí)（圖 5）或在非典型條件下運行。這就是 AI 解鎖動(dòng)態(tài)、數據驅動(dòng)型解決方案的地方。

電動(dòng) Veronika

5. 隨著(zhù)電池的老化，它們的能量存儲能力會(huì )下降，從而導致特征 SOC 曲線(xiàn)發(fā)生相應變化。如果沒(méi)有 BMS，較低的最大電壓會(huì )導致過(guò)早老化的電池過(guò)度充電，從而降低整個(gè)電池組的性能。

AI 在 EV BMS 系統方面的機會(huì )

傳統 BMS 方法的這些局限性凸顯了對更智能、更具適應性的系統的需求。AI 為三個(gè)關(guān)鍵應用領(lǐng)域帶來(lái)了機會(huì )：

1. 提高 SOC 和 SOH 估計的準確性

在 BMS 狀態(tài)估計中使用 AI 的核心原因之一恰恰在于利用真實(shí)世界駕駛條件和電池老化過(guò)程的動(dòng)態(tài)特性。這是通過(guò)邊緣機器學(xué)習（“邊緣計算”）利用大量電池數據來(lái)實(shí)現的。

與前面提到的在實(shí)驗室環(huán)境中創(chuàng )建的靜態(tài)查找表不同，復雜的神經(jīng)網(wǎng)絡(luò )直接嵌入到車(chē)輛芯片中。這些網(wǎng)絡(luò )不斷了解特定駕駛員在其獨特環(huán)境中如何使用電池。

這使得自適應 BMS 系統成為可能，該系統結合了重新校準步驟，最終演變成能夠通過(guò)使用云連接實(shí)現自我學(xué)習和跨車(chē)隊協(xié)作的智能系統。

這方面的一個(gè)例子是 Electra Vehicles，它使用基于神經(jīng)網(wǎng)絡(luò )的算法來(lái)分析來(lái)自電池、車(chē)輛、駕駛員和環(huán)境的數據。這些算法部署在邊緣的微處理器上，例如德州儀器 （TI） 的微處理器，可實(shí)現實(shí)時(shí)調整和持續改進(jìn)（請參閱下面的視頻）。最近的結果表明，這種方法實(shí)現了卓越的精度——SOC 估計誤差小于 1%，SOH 誤差低于 3%，顯著(zhù)提高了電池使用壽命內的距離預測精度。

2. 提高安全性和預測性維護

令人鼓舞的是，可以以 99% 的置信度到達下一個(gè)充電站。然而，AI 可以為 EV BMS 創(chuàng )造難以置信價(jià)值的第二個(gè)領(lǐng)域是安全系統和預測性維護。機器學(xué)習可以識別模式并訓練自己根據溫度、電壓和電流的特定變化來(lái)檢測電池是否存在安全問(wèn)題或需要維修。

確切地知道電池還能使用多長(cháng)時(shí)間，以及在需要維護之前可以完成多少次循環(huán)，這對商業(yè)車(chē)隊運營(yíng)商來(lái)說(shuō)特別有用。雖然仍然缺乏這種能力的明確證據，盡管許多公司聲稱(chēng)已經(jīng)實(shí)現了它，但不可否認的是，潛力是存在的。

3. AI 可用于減少電池測試和 BMS 開(kāi)發(fā)時(shí)間

最后一個(gè)相關(guān)的領(lǐng)域從實(shí)際的車(chē)輛作中移出，并在開(kāi)發(fā)階段應用 AI。盡管 AI 正在將 BMS 系統轉變?yōu)樽詫W(xué)習系統，但該技術(shù)尚未達到完全消除電池實(shí)驗室測試需求的程度。

但是，通過(guò)整個(gè)生態(tài)系統的正確合作，AI 可以應用于這一領(lǐng)域，以顯著(zhù)減少所需的測試。這超越了目前占主導地位的、統計驅動(dòng)的實(shí)驗設計。例如，Monolith 已經(jīng)展示了 AI 如何將老化測試的需求減少 40%，將細胞重復次數減少 75%。

總結與展望：人工智能在電動(dòng)汽車(chē)電池開(kāi)發(fā)和管理中的未來(lái)

人工智能正在重新定義電動(dòng)汽車(chē)電池的管理方式，提高電池整個(gè)生命周期的準確性、安全性和效率。然而，對 AI 的懷疑仍然存在，這是正確的。雖然做出了許多承諾，但 AI 在某些領(lǐng)域（例如長(cháng)期預測性維護）的全部潛力的有形證據仍在出現，最多可提前三個(gè)月預測故障。盡管如此，AI 的變革潛力不容忽視。