文|星灿其里

编辑|星灿其里

随着环境污染和化石燃料短缺的加剧，人们正在加速转向可再生能源。主流电动汽车使用锂离子电池作为主要动力源，预计到2030年电动汽车数量将超过3亿辆，所需的电池产能将达到3000 GWh。

由于单个电芯的电压和产能限制，我们通常需要并联或串联成百上千个电芯来构建高功率和高容量的电池组。为了安全和高效管理这些超过100 kWh的高容量和300 V 以上高压电池组，我们需要一套出色的电池管理系统。

电池状态估计是电池管理系统的核心功能之一。常估计的电池状态包括：电量状态（SOC）、健康状态（SOH）、功率状态（SOP）、能量状态（SOE）和安全状态（SOS）。

与大多数电化学储能系统一样，电池内部状态无法直接测量，只能从有限的信号如电压、电流和温度等信号中间接估计和预测。由于电池内部的复杂电化学反应，内部状态与外部测量信号之间存在高度非线性关系，这在复杂或极端工作条件下会加剧。

此外，电池在循环过程中的衰退会影响状态估计的可靠性，增加状态估计的难度。因此，准确的电池状态估计仍然是一个技术挑战，特别是在电池衰退期间，需要稳定和精确的估计。

迅速发展的电池管理系统

本研究旨在为电池管理系统提供创新思路。潜在贡献如下：（1）总结和分析200多篇同行评议期刊论文中的电池状态估计的研究现状和典型方法；（2）总结电池状态估计中的技术问题，给出潜在的技术框架；（3）提出创新的电池联合状态估计方案；（4）强调电池状态估计的发展趋势。

随着电动汽车和储能电站的发展，电池管理系统（BMS）正迅速发展。BMS可以分为四代：

第一代：零管理，主要用于检测铅酸电池的电压和简单的充放电控制。

第二代：简单管理，主要监控少数锂离子电池的数据（如电流、电压和温度），并具有简单的控制算法来防止过充电和过放电。

第三代：高级管理，主要管理大量电池的性能和安全性，具有高智能度。具备状态估计、故障诊断、热管理和快速充电等功能。

*四代第**：智能管理，正在开发用于复杂条件下大规模电池的长期精确管理。具有上述高级BMS的功能，超快充电、主动安全控制和强大的交互性，如车辆到电网（V2G）、车辆到家庭/建筑（V2H/B）和车辆到车辆（V2V）；个性化；灵活性；定制化。 BMS正在从被动的分布式管理发展到主动的协作管理，从阶段控制发展到全生命周期控制。

锂离子电池有长的使用寿命，其状态具有严重的非线性特征。但是，BMS只能直接获得电流、电压和温度等信号。

因此，电池状态估计的技术挑战是利用有限的外部信号估计电池复杂的内部状态，并利用短时间的测试信号预测长期状态。具体来说，电池状态估计的主要技术挑战在于信号、模型和算法，在线快速提取锂离子电池的关键电化学特征。

充分利用电化学模型

电池模型通常用于反映电池的电化学固有特征。常用的电池模型包括整数阶等效电路模型（IOECM）、分数阶等效电路模型（FOECM）、电化学模型和神经网络模型。

其中，IOECM由于其简单的结构、易于实现和低的计算负载而被广泛使用，但无法提取电池内部的隐藏特征。FOECM比IOECM在电化学特征提取方面略强，但带来复杂的计算。神经网络模型需要许多训练数据才能达到满意的模型精度。

电化学模型可以精确描述电池的电化学特征。但是，电池老化会影响电化学模型的参数，导致循环依赖问题，复杂的电化学模型难以在实际场景中实时应用。 在电池内置智能传感器成熟和大规模应用之前，不容易测量其内部状态。

递增容量（IC）曲线和电化学阻抗谱（EIS）曲线可以通过外部信号测量有效表征内部电化学特征。然而，IC曲线高度依赖于低噪声恒流条件。

EIS曲线通常由电化学工作站在线测量，并需要记录跨几十个频段的实部和虚部阻抗，这严重阻碍了EIS的在线应用。因此，开发一种高精度、低成本的方法，可以通过在线测量少数频点重构全频段EIS曲线，以及在动态条件下提取IC曲线的在线方法，可能是一个解决方案。

电池的剩余能量（SOE）反映了电池的剩余电量，与电池可以放电的电荷量和放电过程中的电压相关。与SOC相比，SOE更适合用于估计电动汽车的续航里程。SOE可以分为两种类型。第一种将SOE定义为电池的理论剩余能量（TRE），第二种将SOE定义为电池的剩余放电能量（RDE）。

TRE是电池在极小放电电流下放电至SOC = 0时可以释放的能量。RDE是电池在一定的载荷条件和环境温度下放电至截止电压时可以释放的能量。

两者的区别如图所示。可以看出，电池的TRE是电池内部的状态值，表示电池当前存储的能量，与温度、负载条件等无关。电池的RDE可以由图中的实线红色区域表示，与放电速率、负载条件、环境温度等因素相关。

总之，无论是TRE还是RDE，估计电池SOE对优化BMS的能量管理策略和提高估计电动汽车续航里程的准确性有重要意义。

SOC的估计精度与SOC本身估计的准确性密切相关。因此，SOC与SOH的联合估计广受关注。尽管数据驱动方法可能具有理想的实时估计精度，但影响容量损失的因素尚未得到很好的考虑。

数据和模型融合方法

近年来，数据和模型融合方法得到发展，以提高容量估计的精度、稳定性和鲁棒性。图中显示了一种新型的容量估计框架，它结合了数据驱动和模型驱动方法。

该方法的基本原理和过程如下：首先，使用模型驱动方法和数据驱动方法分别估计电池容量。在电池老化过程中，模型驱动方法估计的容量较稳定，但由于参数错配，精度较低。数据驱动方法获得的容量精度高但稳定性差。

利用上述两种方法获得的容量差作为反馈信号，闭环控制模型参数，实时更新模型参数，并使用模型驱动方法获得新的容量。

模型驱动产生的新容量与数据驱动的容量进行融合，以获得估计容量。该框架结合了数据驱动和模型驱动方法的优点，估计的电池有较高的精度和稳定性。

电池剩余放电能量（RDE）与未来工作条件、环境温度、电池健康状态等因素密切相关。因此，在估计RDE时需要考虑这些因素的耦合效应。通常采用基于预测的方法。

需要进一步研究考虑复杂工作条件和多因素的SOC估计方法。在我们以前的研究中，提出了一个用于未来负载预测并考虑电池温度和老化效应的RDE估计框架，如图中所示。

其基本原理和流程如下：首先，实现隐马尔可夫模型（HMM）来预测电池未来负载。然后，在不同温度下进行容量测试以确定限制SOC。第三，遗忘因子RLS算法在线识别和更新电池模型参数，以解决参数误匹配问题。根据预测的电流、SOC和电压序列，在不同操作条件下估计RDE。

最大功率（SOP）一般由峰值功率特征化。具体意义是电池在一定时间内在电压、电流、SOC等限制下可以吸收或释放的最大功率。

在电动汽车驱动过程中，BMS实时更新SOP以评估电池是否能满足加速或上坡时的功率需求。常见的SOP估计方法总结如下：

实验方法。实验方法是根据电池标准功率测试程序进行实验来获得SOP，例如美国的USABC测试、日本的JEVS测试和中国的标准电池测试。实验方法准确且易于实现，但操作过程较长，无法在线应用。

特征映射方法。通过标准电池测试可以获得电池功率与某些参数之间的静态相关性，称为特征映射。然后，根据当前电池的参数通过查表或插值获得SOP。混合脉冲功率特征化（HPPC）测试是最常用的映射提取方法。

限制条件方法。该方法通过考虑电流、电压、SOC等限制来计算电池峰值电流。峰值功率等于峰值电流与开路电压的乘积。该方法的基本原理和流程如图所示，其中Idchmax是峰值充电电流；Ichamin是峰值放电电流；Icha，volmin是受端电压限制的最小可充电电流；Idch，volmax是受端电压限制的最大可放电电流；Idchmax和Ichamin分别是峰值充电电流和峰值放电电流；Ut（t）是端电压。

该方法有三个核心技术：（1）建立用于估计电池电压和SOC的电池模型。（2）获得电池模型的参数以提高SOC估计精度。（3）如何确定限制区域内的峰值功率。

从上面的分析可以看出，电池状态估计方法非常丰富。实现单个电池状态估计在理论上没有太大技术难度，许多算法可以达到高的理论估计精度。

但是，考虑到实际复杂的车辆条件下测量信号是很有限的，这是一个亟需提高实际电池状态估计精度的问题。此外，电池各状态之间是相互耦合和影响的，其关系可以描述如下。电池寿命和内阻用于表征电池SOH的基本参数，直接影响电池SOC估计精度。

SOC和模型参数是SOP估计的关键参数。SOC、容量和内阻直接影响SOE估计。这些关系如图所示。

基于我们之前的研究，提出了一个SOC、SOH、SOE和SOP的联合框架，如图所示。该框架的主要原理如下：使用FFRLS算法实时更新模型参数和OCV曲线。

使用更新的模型参数和电池容量，通过EKF或UKF算法实时更新SOC。第三，使用更新的SOC和SOC-电量方法实时估计SOH，使用OLS算法实时更新SOE-SOC曲线和总能量[25]。第四，使用UKF算法利用SOC和SOE-SOC曲线实时估计SOE。

使用极限条件方法实时估计SOP。上述算法框架协同估计多个电池状态，精度高、鲁棒性强，可以更好地适应电池老化和环境温度变化。

智能生命周期管理。智能算法可以深度挖掘电池的内在特征和本质特征，提高状态估计的精度和稳健性。

因此，集成高级智能算法的电池状态估计将成为一个永恒的主题。人工智能和云网络正在重塑和提升传统的电池状态估计方法。高级智能算法（深度学习和迁移学习）被广泛应用于电池状态估计。

电池状态估计方法方法可以实现不同温度下电力电池SOC估计的总体误差小于1%的目标。通过识别电池充电期间的最佳SOC窗口来实现准确的机载SOH估计，误差为0.4%。

用基于长短期记忆（LSTM）深度神经网络的数据驱动方法同时估计SOC和SOE，可以实现SOC和SOE估计的平均绝对误差（MAE）分别为0.91%和1.09%。此外，电池状态估计将贯穿电池整个生命周期，例如电池生产期间的缺陷预测和电池梯级利用期间的剩余价值估计。

状态估计是BMS最基本的功能之一。准确的状态估计可以延长电池使用寿命和提高电池安全性。本文全面回顾了典型电池状态估计（SOC、SOH、SOE和SOP）的研究现状、技术挑战和发展方向。

可测量信号有限、模型参数不匹配、严重的非线性和电池状态的时间可变性是电池状态估计面临的主要挑战。相应地，智能感知、云计算、大数据和智能算法是可行的解决方案。

通过智能感测获取更丰富的信号，先进的智能算法加强模型和信号特征，云计算和大数据深入挖掘特征信号，电池状态估计的精度和稳定性正在稳步提高。在复杂和极端工作条件下准确共同估计电池状态仍然是一项具有挑战性的研究，智能电池和先进技术正在重塑电池状态估计方法。

通过采用多维、多层次和多尺度信号信息挖掘和状态估计表示，结合间歇性和连续性信息的特征，综合最佳联合估计方法可以解决复杂和极端工作条件下电池状态估计精度的问题。