電動(dòng)汽車 （EV） 領(lǐng)域，里程焦慮和電池壽命是消費(fèi)者最關(guān)心的問題，一場無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)汽車技術(shù)的核心——電池管理系統(tǒng) （BMS）。雖然 AI 在幾乎任何行業(yè)中都受到的關(guān)注往往超過其應(yīng)有的關(guān)注，但問題是“為什么以及如何將 AI 應(yīng)用于汽車電池，它能否在車輛的整個(gè)生命周期內(nèi)實(shí)現(xiàn)精確的電動(dòng)汽車?yán)m(xù)航里程預(yù)測？

電動(dòng)汽車電池：AI 的游樂場

當(dāng)談到 AI 對復(fù)雜問題和大型數(shù)據(jù)集的永不滿足的胃口時(shí)，電動(dòng)汽車電池提供了完美的游樂場。鋰離子電池組由數(shù)百甚至數(shù)千個(gè)單獨(dú)的“呼吸”電化學(xué)電池組成（圖 1），其反應(yīng)非常敏感。不過，這種靈敏度不僅僅涉及制造過程中的輕微偏差和雜質(zhì)。一旦安裝在電動(dòng)汽車中，它也會對現(xiàn)實(shí)世界的條件做出反應(yīng)，包括充電和駕駛過程中的電氣變化、環(huán)境因素以及經(jīng)常被忽視的機(jī)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。

隨著電池充電/放電和老化，它們實(shí)際上會“呼吸”和膨脹。這導(dǎo)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(dá) 15% 左右。

這些來自制造和運(yùn)營的影響在車輛中表現(xiàn)為電池容量（續(xù)航里程）和功率隨時(shí)間的變化——這種現(xiàn)象對最終用戶來說既至關(guān)重要，但矛盾的是，對行業(yè)來說卻令人沮喪地不透明。

在微觀尺度上，這種復(fù)雜性歸結(jié)為每個(gè)電池的陽極和陰極中的鋰離子插層過程、固體電解質(zhì)界面 （SEI） 層的形成以及離子擴(kuò)散途徑。在電池組層面，商用電動(dòng)汽車中唯一可用的信號無非是電池組電流、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(xiàn)象和相關(guān)性是一項(xiàng)挑戰(zhàn)，需要從兩個(gè)方向解決：子細(xì)胞級別基于物理的電化學(xué)建模和車隊(duì)級別的大數(shù)據(jù)驅(qū)動(dòng)機(jī)器學(xué)習(xí)算法。隨著復(fù)雜的相關(guān)性和來自實(shí)驗(yàn)室測試和真實(shí)世界車輛的大量數(shù)據(jù)集，問題出現(xiàn)了：“AI 是否有尚未開發(fā)的潛力？

汽車 BMS 的作用

如果電池化學(xué)是電動(dòng)汽車的心臟，那么電池管理系統(tǒng)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(tǒng)的交互以及它們對充電系統(tǒng)的響應(yīng)。

由于 EV 電池設(shè)計(jì)、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(tǒng)都針對特定的電池架構(gòu)量身定制，包括硬件和軟件元件，如電池監(jiān)控單元、高壓隔離開關(guān)、隔離監(jiān)視器和熱熔器。

汽車 BMS 的主要功能包括：

安全監(jiān)控：BMS 持續(xù)監(jiān)控電池溫度、電壓和電流，以防止過度充電/放電或過熱等危險(xiǎn)/破壞性情況（圖 2）。

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

狀態(tài)估計(jì)：也許 BMS 最關(guān)鍵和最具挑戰(zhàn)性的任務(wù)是準(zhǔn)確估計(jì)電池的充電狀態(tài) （SOC）（衡量電池當(dāng)前可用能量的指標(biāo)）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)汽車的轉(zhuǎn)售價(jià)值時(shí)，后者本質(zhì)上很重要，因?yàn)殡妱?dòng)汽車凈成本的 30% 左右是電池。

電動(dòng) Veronika

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

電池平衡：為了最大限度地延長電池壽命和性能，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(tǒng)以保持最佳電池溫度，這對性能和使用壽命至關(guān)重要。

數(shù)據(jù)通信：BMS 與其他車輛系統(tǒng)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(jì)。矛盾的是，EV 中最受關(guān)注的量——它的續(xù)航里程——并不是一個(gè)直接的測量值;這是一個(gè)估計(jì)。從歷史上看，狀態(tài)估計(jì)依賴于通過廣泛的實(shí)驗(yàn)室測試開發(fā)的預(yù)定義算法和查找表。但是，在現(xiàn)實(shí)世界的駕駛條件和電池老化會帶來無休止的可變性的情況下，這種傳統(tǒng)方法是否足夠呢？

傳統(tǒng) BMS 方法的不足之處

開發(fā) BMS 是一項(xiàng)資源密集型任務(wù)，與每個(gè)電池組的獨(dú)特架構(gòu)密切相關(guān)。最昂貴和最耗時(shí)的部分是 BMS 的校準(zhǔn)，因?yàn)樗蕾囉趯κ诸^電池進(jìn)行廣泛的實(shí)驗(yàn)室測試。

電芯、模塊和電池組在各種條件下經(jīng)過多年的嚴(yán)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(shù)據(jù)構(gòu)成了電池模型和靜態(tài)查找表的基礎(chǔ)，這些表是傳統(tǒng) BMS 算法的支柱。

因此，這些查找表可以看作是預(yù)先計(jì)算的數(shù)據(jù)集，它將電池的開路電壓 （OCV） 等參數(shù)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)際車輛中使用它們，傳統(tǒng)的 BMS 算法依賴于參數(shù)化電池模型與卡爾曼濾波器及其變體等技術(shù)相結(jié)合?？柭鼮V波器動(dòng)態(tài)集成電壓、電流和溫度數(shù)據(jù)，以估算 SOC 和 SOH。它們依賴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(xiàn)出平坦的電壓曲線，因此測量偏差很小會導(dǎo)致嚴(yán)重的預(yù)測誤差（圖 4）。

4，當(dāng)曲線接近零斜率時(shí)，基于化學(xué)特定曲線的電荷狀態(tài)估計(jì)對不準(zhǔn)確的開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(xiàn)累積誤差，特別是當(dāng)電池老化時(shí)（圖 5）或在非典型條件下運(yùn)行。這就是 AI 解鎖動(dòng)態(tài)、數(shù)據(jù)驅(qū)動(dòng)型解決方案的地方。

電動(dòng) Veronika

5. 隨著電池的老化，它們的能量存儲能力會下降，從而導(dǎo)致特征 SOC 曲線發(fā)生相應(yīng)變化。如果沒有 BMS，較低的最大電壓會導(dǎo)致過早老化的電池過度充電，從而降低整個(gè)電池組的性能。

AI 在 EV BMS 系統(tǒng)方面的機(jī)會

傳統(tǒng) BMS 方法的這些局限性凸顯了對更智能、更具適應(yīng)性的系統(tǒng)的需求。AI 為三個(gè)關(guān)鍵應(yīng)用領(lǐng)域帶來了機(jī)會：

1. 提高 SOC 和 SOH 估計(jì)的準(zhǔn)確性

在 BMS 狀態(tài)估計(jì)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程的動(dòng)態(tài)特性。這是通過邊緣機(jī)器學(xué)習(xí)（“邊緣計(jì)算”）利用大量電池?cái)?shù)據(jù)來實(shí)現(xiàn)的。

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

這使得自適應(yīng) BMS 系統(tǒng)成為可能，該系統(tǒng)結(jié)合了重新校準(zhǔn)步驟，最終演變成能夠通過使用云連接實(shí)現(xiàn)自我學(xué)習(xí)和跨車隊(duì)協(xié)作的智能系統(tǒng)。

這方面的一個(gè)例子是 Electra Vehicles，它使用基于神經(jīng)網(wǎng)絡(luò)的算法來分析來自電池、車輛、駕駛員和環(huán)境的數(shù)據(jù)。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(xiàn)實(shí)時(shí)調(diào)整和持續(xù)改進(jìn)（請參閱下面的視頻）。最近的結(jié)果表明，這種方法實(shí)現(xiàn)了卓越的精度——SOC 估計(jì)誤差小于 1%，SOH 誤差低于 3%，顯著提高了電池使用壽命內(nèi)的距離預(yù)測精度。

2. 提高安全性和預(yù)測性維護(hù)

令人鼓舞的是，可以以 99% 的置信度到達(dá)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(tǒng)和預(yù)測性維護(hù)。機(jī)器學(xué)習(xí)可以識別模式并訓(xùn)練自己根據(jù)溫度、電壓和電流的特定變化來檢測電池是否存在安全問題或需要維修。

確切地知道電池還能使用多長時(shí)間，以及在需要維護(hù)之前可以完成多少次循環(huán)，這對商業(yè)車隊(duì)運(yùn)營商來說特別有用。雖然仍然缺乏這種能力的明確證據(jù)，盡管許多公司聲稱已經(jīng)實(shí)現(xiàn)了它，但不可否認(rèn)的是，潛力是存在的。

3. AI 可用于減少電池測試和 BMS 開發(fā)時(shí)間

最后一個(gè)相關(guān)的領(lǐng)域從實(shí)際的車輛作中移出，并在開發(fā)階段應(yīng)用 AI。盡管 AI 正在將 BMS 系統(tǒng)轉(zhuǎn)變?yōu)樽詫W(xué)習(xí)系統(tǒng)，但該技術(shù)尚未達(dá)到完全消除電池實(shí)驗(yàn)室測試需求的程度。

但是，通過整個(gè)生態(tài)系統(tǒng)的正確合作，AI 可以應(yīng)用于這一領(lǐng)域，以顯著減少所需的測試。這超越了目前占主導(dǎo)地位的、統(tǒng)計(jì)驅(qū)動(dòng)的實(shí)驗(yàn)設(shè)計(jì)。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(xì)胞重復(fù)次數(shù)減少 75%。

總結(jié)與展望：人工智能在電動(dòng)汽車電池開發(fā)和管理中的未來

人工智能正在重新定義電動(dòng)汽車電池的管理方式，提高電池整個(gè)生命周期的準(zhǔn)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（例如長期預(yù)測性維護(hù)）的全部潛力的有形證據(jù)仍在出現(xiàn)，最多可提前三個(gè)月預(yù)測故障。盡管如此，AI 的變革潛力不容忽視。