电动汽车先进锂离子电池模型：评估最优降阶技术

《Mathematics and Computers in Simulation》：Advanced Lithium-ion battery models for electric vehicles: Assessing the optimal order reduction technique

　　

基于物理的模型（physics-based models）可以极大地提高锂离子电池管理系统（Battery Management System, BMS）估计电池状态的能力。将这些模型集成到电池嵌入式硬件中，有可能延长电池单体的性能和寿命。然而，简化该模型以减轻计算工作负载，对于在嵌入式微处理器中成功实现至关重要。研究人员使用层次分析法（Analytic Hierarchy Process, AHP）为在微控制器中运行的先进模型选择最合适的降阶技术（reduced-order technique）。模型的实施可行性基于对控制导向应用（control-oriented applications）重要的加权标准进行评估，例如精度（accuracy）、执行时间（execution time）、所需内存（required memory）、可观性（observability）和可控性（controllability）。该过程的应用及相应的边界标准在代表电动汽车市场的不同评估场景中得到了示例说明。所提出过程的成功结果验证了其在类似决策场景中的可扩展性和可重复性。该方法不仅推进了先进基于物理的模型在锂离子电池管理系统中的集成，还拓宽了决策工具在控制领域的适用性。

**论文解读文章**

**研究背景与问题**

电动汽车（EV）的锂离子电池（LIB）管理系统（BMS）依赖于精确的电池状态估计以确保安全、高效运行并延长电池寿命。当前，等效电路模型（ECM）因其低计算负担而广泛用于估计荷电状态（SoC）、功率状态（SoP）和健康状态（SoH）等。然而，ECM缺乏物理洞察力，无法捕捉锂离子传输动力学，导致在高变化率或接近操作极限时出现预测误差。相比之下，基于物理的模型，如Doyle-Fuller-Newman（DFN）模型，通过直接模拟电化学方程提供更准确的状态估计，但其伪二维（P2D）偏微分方程（PDE）表达导致极高的计算需求，限制了在BMS实时控制中的应用。因此，研究人员采用降阶模型（ROM）策略来平衡精度与计算效率。然而，现有的多种降阶技术（如TPA、Padé、Ho-Kalman）在精度、执行时间、内存需求、可观性和可控性等关键指标上表现各异，缺乏针对不同BMS架构（集中式、分散式、模块化）的明确选择方法。这一空白促使研究人员开展本研究，旨在通过多准则决策工具（层次分析法，AHP）系统评估并选择最优降阶技术，以推动基于物理的模型在BMS中的实际嵌入集成。

**研究内容与意义**

研究人员提出了一种基于AHP的决策方法论，用于在典型EV BMS场景中确定最佳降阶技术。通过定义四个代表性BMS场景（紧凑型BMS、灵活高效BMS、精确状态估计、先进控制策略），并针对每个场景加权评估五个关键准则（精度、执行时间、内存、可观性、可控性），研究人员比较了TPA、Padé和Ho-Kalman三种降阶算法的不同阶数变体。研究基于LGM50-T电池的公开电化学参数数据集，构建了单粒子模型（SPM）作为P2D-ROM基础，并利用MATLAB仿真平台模拟了代表性驾驶循环电流。结果表明，没有单一方法在所有场景中占优，2阶Ho-Kalman方法在内存效率、执行时间和可控性之间提供了最佳平衡，而4阶Padé方法在精度要求苛刻的场景中表现最优。该研究验证了AHP作为模型降阶决策工具的可扩展性和可重复性，为BMS设计者提供了结构化指导，以根据具体应用需求选择最合适的ROM技术，从而加速先进基于物理模型在电动汽车BMS中的实际部署。论文发表在《Mathematics and Computers in Simulation》。

**主要关键技术方法**

研究人员使用的关键技术方法包括：1) 基于单粒子模型（SPM）的降阶模型框架，简化P2D模型，保留固体颗粒扩散动力学；2) 三种降阶技术：TPA（多项式参数近似）、Padé近似（有理函数逼近频域特性）、Ho-Kalman算法（数据驱动实现算法，基于脉冲响应识别模态参数）；3) 层次分析法（AHP）进行多准则决策，通过Saaty标度建立准则权重，并计算一致性比率（CR）确保判断一致性；4) 仿真测试平台：基于LGM50-T电池公开数据集（来自文献[29]），利用MATLAB并行计算工具箱模拟驾驶循环电流，提取精度、执行时间、内存、可观性和可控性性能指标；5) 基准模型：参数化后的双RC支路等效电路模型（ECM-2RC），用于对比精度、执行时间和内存。

**研究结果**

**AHP权重结果**
通过步骤1-3的AHP实施，计算了每个场景的准则权重（图5），所有CR值均低于0.1，表明判断一致性。权重反映了各场景的定性假设：紧凑型BMS中内存和可控性优先；灵活高效BMS中执行时间优先；精确状态估计中精度和可观性优先；先进控制策略中可控性和执行时间优先。

**各替代方案性能**
表5展示了所有DRA方法及基准（FVM和ECM-2RC）的量化结果。精度（RMSE）方面，高阶模型（如Padé4、HK4）误差更低（0.00160–0.00171），而TPA误差最高（0.01163）。执行时间方面，TPA和HK2最快（约3.99 μs），高阶模型（Padé4、HK4）耗时更长（约9.14–9.59 μs）。内存需求随模型阶数增加而增大（从TPA的72字节到Padé4/HK4的136字节）。可观性和可控性通过主特征值λ₁量化，高阶模型在可观性上表现更好（如Padé4的15.88），可控性则TPA表现突出（123.66）。

**精度评估**
图6展示了不同DRA替代方案在驾驶循环下的终端电压输出。与FVM参考相比，高阶Padé和Ho-Kalman模型更准确地匹配电压曲线，而TPA偏差较大。RMSE比值矩阵（表6）转换为Saaty标度后，得到精度优先级向量（表8），其中Padé4和HK4优先级最高（0.302和0.281）。

**执行时间分析**
图7通过核密度估计（KDE）展示了各替代方案执行时间的概率分布。模式值（最可能执行时间）作为AHP输入，TPA和HK2最快（约3.99 μs），Padé4和HK4较慢（约9.14 μs）。尽管差异微小，但在电池包尺度下显著影响整体性能。

**AHP决策结果**
表9和图8展示了各场景下AHP最终优先级得分。场景1（紧凑型BMS）中TPA最优（0.2156）；场景2（灵活高效BMS）中HK2最优（0.20148）；场景3（精确状态估计）中Padé4最优（0.15522）；场景4（先进控制策略）中HK2最优（0.13686）。表10显示HK2和TPA在整体上最平衡（面积u²分别为0.068和0.062）。

**基准比较**
ECM-2RC在精度（RMSE=0.01352）上劣于所有SPM-DRA替代方案，但执行时间（34.55 μs）和内存（36字节）显著优于最轻量的DRA。在场景1和2中ECM具有明显优势，但在场景3中Padé4在精度和可观性上更优，场景4中HK2提供了ECM无法实现的可控性优势。

**BMS架构初步设计**
基于最优DRA方案，计算了电池包（110S-3P，330个LGM50-T电池）所需的数据传输率。2阶最优DRA（场景1、2、4）需118.80 kB/s，4阶最优DRA（场景3）需224.40 kB/s，而ECM-2RC仅需54.40 kB/s。所有方案均可容纳于所选微控制器（Infineon AURIX TC39x）的320 kB可用闪存，但较高数据传输率要求分布式或模块化BMS架构，以避免集中式总线拥塞。

**讨论与结论**

**讨论总结**
研究通过AHP方法论系统评估了不同降阶技术，验证了其在不同BMS场景中的适用性。结果表明，决策过程受场景特定权重影响显著，没有通用最优方案。与ECM的对比凸显了SPM模型在状态估计和控制方面的优势，但ECM在计算效率上仍占优。未来工作需在真实汽车级微控制器上验证嵌入式实现，并探索无线和模块化BMS架构，以及扩展至电解液动力学和退化建模等更复杂的ROM域。

**研究结论翻译**
本研究展示了在典型EV BMS架构中，为构建基于SPM的模型而识别最优DRA技术的AHP分步实施过程。分析表明，没有单一方法在所有准则中占优；相反，最优选择取决于具体设计重点。总体而言，2阶Ho-Kalman方法在内存效率、执行时间和可控性之间提供了最佳平衡，而4阶Padé方法在精度关键时表现优异，实现了最低的RMSE并紧密匹配终端电压输出。与ECM-2RC的基准比较凸显了尽管ECM在内存和执行时间方面高效，但基于SPM的模型在嵌入式BMS环境中提供了ECM无法实现的优越状态估计和增强的定性控制。然而，BMS结构必须适当设计以适应这些先进功能。本研究证实了AHP作为电池模型降阶结构化决策工具的价值。通过量化关键准则之间的权衡，该方法论指导了针对特定BMS架构选择最合适ROM的决策。未来工作将聚焦于汽车微控制器上的嵌入式验证、探索无线和模块化BMS架构，并将该方法扩展到其他ROM领域（如电解液动力学和退化建模），从而弥合高保真电化学模型与实时BMS实施之间的差距。