综述：电动汽车锂离子电池建模、荷电状态(SoC)估计和管理方法综述

《Batteries》：A Review of Modelling, State of Charge Estimation and Management Methods of EV Lithium-Ion Batteries Moayad Albakri and Ahmed Darwish

　　

电动汽车(EVs)可以显著减少温室气体排放并应对气候变化问题。现代电动汽车主要由电化学电池供电，例如铅酸(Pb-acid)电池、镍氢(NiMH)电池、钠离子(Na-ion)电池、固态电池和锂离子(Li-ion)电池。与其他电池类型相比，锂离子电池因其高能量密度、高充放电效率和长寿命等实用特性，最适合用于电动汽车应用。然而，锂离子电池的主要风险在于其易发生热失控现象，这引发了关于电动汽车推进系统安全的严重担忧。热失控必须谨慎考虑，因为一旦发生便无法阻止，且可能导致电池爆炸。导致此现象的主要原因之一是滥用电池的荷电状态(SoC)。因此，电池管理系统(BMS)通过准确估计并适当管理电池单体，在减轻热失控过程刺激方面起着关键作用。为帮助研究人员和设计人员理解这一问题，本论文综述了最有效的电动汽车锂离子电池SoC估计方法，并将这些方法与电动汽车市场中实用的能量管理系统联系起来。

**1. 引言**
引言部分指出，全球气候变化问题主要由温室气体排放导致，交通运输领域贡献了超过25%的排放。电动汽车(EVs)通过依赖电化学电池替代化石燃料，可在此缓解过程中发挥重要作用。锂离子(Li-ion)电池因其高能量密度、高效率、长寿命及成熟供应链，成为最适用于电动汽车推进系统的技术。然而，锂离子电池存在热不稳定性和热失控风险，热失控一旦开始便无法通过冷却阻止，可能引发火灾或爆炸。荷电状态(SoC)的滥用（如过充或过放）是诱发热失控的主要原因之一。电池管理系统(BMS)通过监测单体电压、电流、温度及SoC，并执行充电平衡等控制功能，在确保安全运行中至关重要。本文旨在综述有效的SoC估计方法，并将其与电动汽车实际牵引控制系统相结合，为学术和工业界提供见解。

**2. 锂离子电池参数**
本节介绍了决定锂离子电池性能的关键参数，包括容量(C)、内阻(R_i)、能量效率(EF)、健康状态(SoH)和自放电。
**2.1 容量(C)**
容量（单位安时Ah）表示电池在指定电流下可提供的总电荷。典型锂离子电池容量范围为20-200 Ah。例如，特斯拉Model 3使用21700圆柱电池，容量4.9 Ah、标称电压3.6 V，电池包以96串46并组成355 V、255 Ah。容量受电流应力、温度和不均匀温度分布影响，高温加速退化，低温则降低可用容量。振动在50 Hz时对容量退化影响最大。
**2.2 内阻(R_i)**
内阻用于计算电压损失、热量产生、功率能力和效率。等效电路包含开路电压(E)和内阻(R_i)，以及动态电阻(R_D)和电容(C_D)以模拟扩散过程。固体电解质界面(SEI)层随使用增厚会导致内阻上升，增加热耗散并限制充电能力。
**2.3 能量效率(EF)**
能量效率定义为有用输出能量与输入能量之比。典型锂离子电池在SoC高于80%或低于20%时效率下降。快充快放导致锂镀现象，不可逆消耗电荷。实验测试显示，Panasonic NCR18650电池在670 mA电流下EF约为90%，而在6.7 A下降至约76%。
**2.4 健康状态(SoH)**
SoH代表电池相对于新电池的剩余寿命，100%为全新。温度每升高10 °C，SoH退化速率翻倍。极低温度导致锂镀风险，过度快充快放造成永久容量损失。最大放电深度(DoD)由100%-SoC计算，保持DoD高于30%可将循环寿命延长约3倍。SoH退化直接影响SoC估计的准确性，因其改变了电压-电流-能量关系。改进策略包括多阶段恒流(CC)恒压(CV)优化、脉冲充电、自适应充电及有效热管理。
**2.5 自放电**
内部化学反应导致锂离子电池即使不接负载也会损失存储能量。存储温度超过40 °C时自放电加倍，SoC高于80%或低于10%时自放电加速。室温下每月损失1-3%，低温(10-15 °C)下降至0.5-1%。

**3. SoC估计**
准确估计SoC对于提升性能、确保安全及预测剩余里程至关重要。SoC无法直接测量，只能通过电压、电流和温度间接估计。表面温度可通过热电偶、热敏电阻或齐纳二极管型传感器测量，但内部温度难以直接获取。
**3.1 库仑计数法**
库仑计数通过积分电流i(t)计算电荷Q(t)，进而得到SoC。该方法计算简单，适合在线运行，但依赖标称容量C_nom，而容量随SoH退化漂移；同时电流传感器误差会导致累积偏移。霍尔效应传感器或分流电阻用于电流测量，后者受温度影响精度。
**3.2 库仑计数结合开路电压(OCV)查找表**
为改善库仑计数法，引入OCV查找表校准初始SoC。BMS存储SoC与OCV及温度的关系函数。在静止或低电流时，BMS通过比较实测电压与存储值，使用卡尔曼滤波(KF)校正电压漂移。OCV曲线随老化变化，因此需采用自适应OCV表和SoH修正因子。
**3.3 基于模型的估计方法**
基于模型的方法分为电化学模型(EM)、等效电路模型(ECM)和电化学阻抗模型(EIM)。EM通过微分方程描述锂浓度，精度高但计算复杂；ECM使用电阻、电容和电压源简化行为，计算量较低；EIM通过频率分析阻抗，对SoC变化敏感但复杂。三种方法均可结合卡尔曼滤波(KF)提高精度，但参数随时间和老化变化，需自适应估计（如双KF同时估计SoC和SoH）。
**3.4 数据驱动估计方法**
将电池视为黑箱，利用人工神经网络(ANN)、模糊逻辑或支持向量机处理非线性行为。示例中使用高斯过程回归(GPR)结合KF，输入电流和电压，输出SoC预测。GPR学习电池动态，KF递归估计并校正不确定性。实验表明该方法精度高、鲁棒性好，但计算负担大，需昂贵微控制器，适合作为辅助算法。数据驱动方法通常基于新电池训练，随SoH下降预测可能退化，需定期重训练或在线学习。
**3.5 SoC估计方法的比较评估**
**3.5.1 准确性**：纯库仑计数长时间后误差可>5%，加入OCV查找表可改善；基于模型的方法（含KF）精度通常2-3%；数据驱动方法误差更低但依赖训练数据覆盖范围。
**3.5.2 计算成本**：库仑计数最低；基于模型方法中等；数据驱动方法最高。
**3.5.3 鲁棒性**：库仑计数最弱；基于模型方法通过包含温度状态和滤波增强鲁棒性；数据驱动方法在训练域内鲁棒，但域外较弱。
**3.5.4 电动汽车适用性**：纯库仑计数不适用；库仑计数+OCV适用于低成本电动汽车；基于模型方法是当前最佳权衡，广泛用于商业系统；数据驱动方法适用于下一代BMS，但需结合自适应学习以解决电池老化和温度依赖性。
**3.5.5 电动汽车SoC估计器示例**：丰田普锐斯使用鲁棒KF观测器与保守查找表；特斯拉采用高级KF变体并设置容量缓冲；宝马基于鲁棒模型估计；雷诺、日产仍使用库仑计数加OCV校正。

**4. 能量管理系统**
BMS负责监测单体电压、电流、温度及SoC和SoH，防止过充过放，执行热管理和单体均衡。电压差异需保持在10 mV以内，温差约3 °C，否则会导致不均匀老化和热失控风险。均衡方式分为被动和主动。典型电池包由多个模块（段）串联组成，例如特斯拉Model X为96串74并。
**4.1 集中式BMS**
所有传感器直接连接至单个电子控制单元(ECU)，结构简单、成本低、延迟小，适用于低电压小电池包系统。但随单体数量增加，导线过多、噪声敏感、单点故障风险高，且热传感器布置受限。常用于小型电动汽车和大学生方程式赛车（如ORION BMS2）。
**4.2 模块化BMS**
每个电池模块配备本地ECU，通过控制器局域网(CAN)总线与主控制器通信。该架构可扩展至800 V，减少长高压导线，便于诊断和模块预测试。许多主流电动汽车（如表格中列举的）采用模块化BMS。缺点在于成本较高，通信链路鲁棒性对振动和电磁干扰敏感。串联菊花链中断会导致误跳闸。图18展示了因通信中断导致的系统误动作案例。研究提出冗余多通道双向菊花链环路（如图19所示）以改善可靠性。
**4.3 分散式BMS**
每个单体或小组拥有独立控制系统，无中央单元。本地单元通过通信链接协调，使用下垂控制实现功率均分。该架构降低故障点、提高可控性和可扩展性，但成本高、软件复杂，且缺乏确定性和明确权威性。ISO 26262标准要求安全责任明确、确定性高，因此分散式BMS目前主要限于航空航天和军事应用，在电动汽车推进系统中应用有限。
**4.4 电动汽车BMS架构的比较评估**
集中式BMS可扩展性有限，单点故障风险高，导线复杂且易受电磁干扰(EMI)，成本最低。模块化BMS可扩展性较好，故障隔离能力强，抗EMI更优，是性能与成本的平衡。分散式BMS可扩展性极佳，故障容错潜力大，但成本高、软件复杂，且难以满足EV安全标准对确定性的要求。总结如表6所示。

**5. 结论**
电池性能随时间及充放电方式退化。BMS需快速准确地估计SoC。传统OCV方法不适合现代电动汽车，结合快速算法（如库仑计数加OCV查找表）与高级算法（如人工智能）是可行的解决方案。当前大多数电动汽车采用模块化（分布式）BMS，兼顾模块化、成本与ISO 26262合规性。