電動汽車 （EV） 領域，里程焦慮和電池壽命是消費者最關心的問題，一場無聲的革命可能正在進行中：人工智能 （AI） 正在進入電動汽車技術的核心——電池管理系統 （BMS）。雖然 AI 在幾乎任何行業(yè)中都受到的關注往往超過其應有的關注，但問題是“為什么以及如何將 AI 應用于汽車電池，它能否在車輛的整個生命周期內實現精確的電動汽車續(xù)航里程預測？

電動汽車電池：AI 的游樂場

當談到 AI 對復雜問題和大型數據集的永不滿足的胃口時，電動汽車電池提供了完美的游樂場。鋰離子電池組由數百甚至數千個單獨的“呼吸”電化學電池組成（圖 1），其反應非常敏感。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。一旦安裝在電動汽車中，它也會對現實世界的條件做出反應，包括充電和駕駛過程中的電氣變化、環(huán)境因素以及經常被忽視的機械壓力和振動。

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

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

這些來自制造和運營的影響在車輛中表現為電池容量（續(xù)航里程）和功率隨時間的變化——這種現象對最終用戶來說既至關重要，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，這種復雜性歸結為每個電池的陽極和陰極中的鋰離子插層過程、固體電解質界面 （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現象和相關性是一項挑戰(zhàn)，需要從兩個方向解決：子細胞級別基于物理的電化學建模和車隊級別的大數據驅動機器學習算法。隨著復雜的相關性和來自實驗室測試和真實世界車輛的大量數據集，問題出現了：“AI 是否有尚未開發(fā)的潛力？

汽車 BMS 的作用

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

由于 EV 電池設計、電池形式和化學成分的多樣性，不存在一刀切的 BMS。每個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(jiān)控單元、高壓隔離開關、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/破壞性情況（圖 2）。

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

狀態(tài)估計：也許 BMS 最關鍵和最具挑戰(zhàn)性的任務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）。在評估電動汽車的轉售價值時，后者本質上很重要，因為電動汽車凈成本的 30% 左右是電池。

電動 Veronika

3. BMS 生成可接受的狀態(tài)估計輸出的任務需要精確的監(jiān)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重要。

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

AI 正在產生重大影響的一個有前途的領域是狀態(tài)估計。矛盾的是，EV 中最受關注的量——它的續(xù)航里程——并不是一個直接的測量值;這是一個估計。從歷史上看，狀態(tài)估計依賴于通過廣泛的實驗室測試開發(fā)的預定義算法和查找表。但是，在現實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，這種傳統方法是否足夠呢？

傳統 BMS 方法的不足之處

開發(fā) BMS 是一項資源密集型任務，與每個電池組的獨特架構密切相關。最昂貴和最耗時的部分是 BMS 的校準，因為它依賴于對手頭電池進行廣泛的實驗室測試。

電芯、模塊和電池組在各種條件下經過多年的嚴格測試，以繪制其電化學行為。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際車輛中使用它們，傳統的 BMS 算法依賴于參數化電池模型與卡爾曼濾波器及其變體等技術相結合。卡爾曼濾波器動態(tài)集成電壓、電流和溫度數據，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） 正極化學成分的電池中，該電池表現出平坦的電壓曲線，因此測量偏差很小會導致嚴重的預測誤差（圖 4）。

4，當曲線接近零斜率時，基于化學特定曲線的電荷狀態(tài)估計對不準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，容易出現累積誤差，特別是當電池老化時（圖 5）或在非典型條件下運行。這就是 AI 解鎖動態(tài)、數據驅動型解決方案的地方。

電動 Veronika

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

AI 在 EV BMS 系統方面的機會

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 為三個關鍵應用領域帶來了機會：

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世界駕駛條件和電池老化過程的動態(tài)特性。這是通過邊緣機器學習（“邊緣計算”）利用大量電池數據來實現的。

與前面提到的在實驗室環(huán)境中創(chuàng)建的靜態(tài)查找表不同，復雜的神經網絡直接嵌入到車輛芯片中。這些網絡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使用云連接實現自我學習和跨車隊協作的智能系統。

這方面的一個例子是 Electra Vehicles，它使用基于神經網絡的算法來分析來自電池、車輛、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，可實現實時調整和持續(xù)改進（請參閱下面的視頻）。最近的結果表明，這種方法實現了卓越的精度——SOC 估計誤差小于 1%，SOH 誤差低于 3%，顯著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充電站。然而，AI 可以為 EV BMS 創(chuàng)造難以置信價值的第二個領域是安全系統和預測性維護。機器學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)車隊運營商來說特別有用。雖然仍然缺乏這種能力的明確證據，盡管許多公司聲稱已經實現了它，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 開發(fā)時間

最后一個相關的領域從實際的車輛作中移出，并在開發(fā)階段應用 AI。盡管 AI 正在將 BMS 系統轉變?yōu)樽詫W習系統，但該技術尚未達到完全消除電池實驗室測試需求的程度。

但是，通過整個生態(tài)系統的正確合作，AI 可以應用于這一領域，以顯著減少所需的測試。這超越了目前占主導地位的、統計驅動的實驗設計。例如，Monolith 已經展示了 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汽車電池的管理方式，提高電池整個生命周期的準確性、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 在某些領域（例如長期預測性維護）的全部潛力的有形證據仍在出現，最多可提前三個月預測故障。盡管如此，AI 的變革潛力不容忽視。