基于分段OCV–SOC模型的轻量级硬件实现充电状态估算算法
张加妍(Gahyeon Jang)、
姜承彬(Seungbum Kang)和
李成洙(Seongsoo Lee)
《Electronics》:Lightweight Hardware Implementation of a State of Charge Estimation Algorithm Using a Piecewise OCV–SOC Model
Gahyeon Jang,
Seungbum Kang and
Seongsoo Lee
【字体:
大
中
小
】
时间:2026年05月09日
来源:Electronics 2.6
编辑推荐:
摘要 电池荷电状态(SOC)估计是电池管理系统(BMS)中的关键功能,因为它直接影响安全运行和可用能量预测。在嵌入式BMS平台上,必须在严格的计算和内存预算内处理来自多个电池单元的信息。因此,估计器需要平衡准确性和实现成本。本文提出了一种基于锂离子电池开路
摘要 电池荷电状态(SOC)估计是电池管理系统(BMS)中的关键功能,因为它直接影响安全运行和可用能量预测。在嵌入式BMS平台上,必须在严格的计算和内存预算内处理来自多个电池单元的信息。因此,估计器需要平衡准确性和实现成本。本文提出了一种基于锂离子电池开路电压与荷电状态(OCV–SOC)关系的轻量级SOC估计方法,以及一种基于有限状态机(FSM)控制的独立测量IP。商用3.7V锂离子电池的参考OCV–SOC曲线通过一个双区域二次模型进行近似。该IP通过等效串联电阻(ESR)校正从测量的端电压估计OCV,并迭代更新SOC。为了获得可预测的运行行为并在收敛附近抑制振荡行为,硬件结合了1-LSB终止规则和基于最大迭代次数??max=10的防护机制。在基于FPGA的电池测量测试平台上进行的实时验证显示,充放电数据的整体归一化平均绝对误差(NMAE)为1.6%。当为Artix-7 XC7A100T合成时,所提出的测量IP仅使用了504个LUT(0.79%)和580个FF(0.46%)。TSMC 28纳米MPW实现进一步证明了其在芯片级别集成的可行性。
1. 引言
锂离子电池因其高能量密度和长循环寿命而被广泛应用于电动汽车(EVs)、能量存储系统(ESSs)和便携式电子设备中。随着应用范围的扩大,电池管理系统(BMS)对于准确监控和控制电池状态变得至关重要[1,2,3,4,5,6]。BMS定期测量电压、电流和温度等关键参数,并利用这些参数提供保护和操作控制,从而确保系统的安全性和可靠性[7,8,9]。在BMS功能中,荷电状态(SOC)估计尤为重要,因为它直接决定了剩余能量的了解、可用能量预测、功率限制和保护阈值。当SOC估计误差累积时,可用能量预测的不确定性会增加,保护控制可能会过于保守,从而降低系统效率和用户体验[4,5,10,11]。实际上,EV和小型ESS的BMS通常在低功耗微控制器或SoC平台上实现,其中必须在有限的计算和内存资源下定期处理来自多个电池单元的信息。因此,SOC估计是一个工业上重要的功能,嵌入式实现必须平衡估计性能与资源和功率预算[12,13,14]。
已经研究了多种SOC估计方法,包括库仑计数、基于模型的观察器和滤波器、基于电压的估计以及数据驱动的方法。每种方法在实现简单性、估计性能以及对模型或数据的依赖性方面都有不同的权衡,嵌入式BMS应用除了考虑准确性外,还必须考虑计算和内存成本[12,13]。最近的研究还报告了使用基于深度学习的SOC估计方法(包括深度学习框架和Transformer–LSTM结构)的强大性能[15,16]。此外,基于图的迁移学习和领域适应方法在智能故障诊断方面也取得了优异的结果,例如最近关于知识相关图引导的多源交互和空间通道协作多尺度图交互的研究[17,18]。这些研究反映了从复杂操作数据中学习可转移表示的数据驱动方法的最新进展。基于电化学阻抗谱(EIS)的估计也被用于电池SOC估计[19,20]。然而,这些方法可能需要额外的训练数据、特征提取、图或领域适应处理或专门的激励和测量程序。因此,它们在嵌入式BMS平台中的部署需要仔细考虑计算成本、内存使用和实现复杂性。从硬件设计的角度来看,实现不仅应明确解决资源使用问题,还应解决有界的最坏情况延迟和稳健的终止行为。许多现有的FPGA实现研究主要集中在展示功能可行性或系统级验证上,同时考虑实时操作约束和实现复杂性的轻量级硬件仍然需要。
本文提出了一种用于嵌入式BMS应用中测量IP开发的轻量级硬件SOC估计方法。所提出的方法使用一个具有两个区域的分段多项式来建模锂离子电池的参考OCV–SOC曲线,并从测量的端电压以及ESR校正中估计OCV,然后迭代更新SOC。估计器作为由有限状态机(FSMs)驱动的独立测量IP实现,使我们能够在资源受限的情况下解决硬件可行性和稳健的实时操作问题。该设计在实时FPGA电池测量测试平台上进行了验证,评估了SOC估计的准确性和资源使用情况。还提出了一个MPW实现,以证明ASIC的可行性。
本工作的主要贡献如下:
我们提出了一种SOC估计结构,该结构结合了双区域分段OCV–SOC多项式和ESR查找表(LUT)。这种结构减少了基于密集LUT映射的内存需求,并提供了适合定点硬件实现的紧凑算术结构。
我们提出了一种基于FSM控制的独立测量IP,包括1-LSB终止规则和基于此的防护机制以及操作符重用数据路径。所提出的IP使用共享算术资源进行迭代SOC估计,同时限制了过度迭代和极限环行为。
在FPGA电池测量测试平台上的实时验证显示,充放电数据的整体NMAE约为1.6%,资源使用量为504个LUT和580个FF,TSMC 28纳米ASIC实现进一步证实了硬件的可行性。
本文的其余部分组织如下。第2节回顾了相关研究。第3节描述了基于OCV–SOC关系的提出的估计方法。第4节介绍了测量IP的硬件设计和实现。第5节报告了实验结果,包括FPGA实时验证和MPW结果。第6节讨论了工作的意义和局限性,并概述了未来方向,第7节总结了本文。
2. 相关工作
2.1. SOC估计方法
由于SOC是一个无法直接测量的状态变量,因此通常采用基于可用传感器信号的间接估计方法,已经研究了多种估计技术[10]。库仑计数通过随时间积分电池电流来实现,实现简单且计算成本低;然而,传感器偏移、增益误差和采样误差会随着时间的积累逐渐增加长期SOC估计误差[21,22]。为了缓解这一限制,基于等效电路模型(ECMs)的观察器和滤波器方法已被广泛研究。其中,扩展卡尔曼滤波器(EKF)经常被用来通过结合电压和电流的动态行为来提高估计性能[22,23,24,25]。尽管如此,这些方法通常需要重复的状态和参数更新、线性化以及矩阵运算,这增加了计算成本,并且通常需要参数识别和校准程序[12]。数据驱动和学习基方法在各种条件下也报告了强大的性能,但在部署到嵌入式BMS平台之前,还需要考虑它们的模型大小、推理成本、数据依赖性和验证负担。
在基于电压的方法中,开路电压与SOC之间的关系是SOC估计的关键信息来源,OCV–SOC曲线通常被近似并存储为多项式或查找表(LUT)[26,27]。OCV–SOC模型因其相对简单的结构和良好的可重复性而具有吸引力,但所需的存储和计算成本强烈依赖于拟合策略和存储格式[21]。它们的适用性还取决于如何处理不同操作条件下OCV–SOC特性的变化,这使得模型选择对于实际BMS设计非常重要。基于OCV–SOC关系的方法可以单独使用,也可以与基于模型的库仑计数和滤波器结合使用,当采用迭代更新结构时,实时操作的终止设计成为估计器的重要组成部分[28,29,30,31,32,33]。
2.2. SOC估计的硬件实现
SOC估计算法的实际实现严重依赖于目标平台。嵌入式BMS通常建立在低功耗MCU或SoC上,在这些平台上,电池信息(如电压和电流)在有限的计算能力、内存容量和功率预算下定期采样和处理。因此,算法复杂性和内存需求是决定方法是否可以在嵌入式环境中部署的主要约束。相比之下,FPGA实现可以利用并行性和确定性执行,因此已被用于实现基于滤波器的估计器(如EKF)以及基于电压的估计器[34,35,36,37]。然而,许多现有的硬件研究侧重于概念验证实现或系统级验证,而不是共同设计和量化轻量级硬件的资源效率和终止行为。超出FPGA验证到芯片制造和测量的报告仍然有限。在这种背景下,用于嵌入式BMS应用的硬件不仅应简化SOC估计模型,还应明确所选模型如何转化为资源高效的实现。在基于OCV–SOC的估计中,基于密集LUT的映射会增加内存需求,而分段近似仍然可能需要不可忽视的算术资源,具体取决于实现方式。因此,轻量级测量架构应同时考虑模型存储、算术结构、实时操作约束下的终止行为和延迟界限。
3. 基于OCV–SOC的估计方法
3.1. 所提方法的概述
本研究的目标是在嵌入式BMS环境中实现锂离子电池的实时SOC估计。为此,我们提出了一种轻量级SOC估计算法和适合实现的硬件结构。该算法基于锂离子电池的OCV–SOC特性,但为了减少对大型LUT和高阶模型的依赖,OCV–SOC曲线被划分为两个电压区域,每个区域由一个二次多项式近似。使用测量的端电压V和电流I作为输入。在迭代更新过程中,从LUT获取与当前SOC估计相对应的ESR,构建OCV输入,然后更新SOC。整个计算遵循迭代更新结构:从当前SOC估计更新OCV,将得到的OCV应用于分段多项式模型,然后计算下一个SOC估计。为了实现实时操作,通过1-LSB收敛标准和最大迭代次数限制来保证终止。本文使用的主要符号和参数在表1中总结。SOC用S表示,第i次的估计值表示为。表1. 本工作中使用的关键符号和参数。图1总结了所提方法的整体处理流程。在每个采样时刻,获取端电压和电流。然后从LUT读取与当前SOC估计相关的ESR,并将此值与测量的电压和电流一起用于构建模型的OCV输入。将得到的OCV估计应用于分段二次OCV–SOC模型以计算更新的SOC估计。这个序列不断迭代,直到满足第3.3节中描述的终止规则,之后报告最终的SOC。
图1. 所提SOC估计方法的整体处理流程。实线和虚线箭头分别表示数据流和迭代SOC更新路径。框表示处理步骤。
3.2. 分段OCV–SOC建模
本节描述了如何将构成所提方法核心的OCV–SOC关系建模为适合硬件实现的形式。锂离子电池的OCV–SOC曲线是非线性的,其电压斜率随SOC变化。因此,用单个低阶多项式近似整个范围可能会在某些区域增加拟合误差,而增加多项式的阶数则会提高实现复杂性。为了减少对大型LUT或高阶多项式模型的依赖,我们将OCV–SOC曲线划分为两个电压区域,并用二次多项式近似每个区域,从而获得一个从OCV计算SOC的轻量级模型。SOC被归一化到0–1的范围,以匹配硬件中使用的定点表示和缩放。在图1中,该模型对应于分段OCV–SOC模型块,并在每次迭代中提供给定OCV的更新SOC值。
3.2.1. 参考OCV–SOC特性
OCV–SOC参考数据来自一个特征化的单个锂离子电池数据集,并用作分段多项式模型和ESR LUT设计的基础。用于误差评估的参考SOC是通过从同一数据集中进行OCV–SOC映射获得的。电池模型存储了不同SOC状态下的Voc和ESR,并提供了101个SOC点,Voc的分辨率为1 mV,ESR的分辨率为1 mΩ。参考数据集的不确定性受到电池模型分辨率以及数据集生成过程中使用的电压/电流测量精度的双重影响。参考OCV–SOC曲线在低SOC区域显示出陡峭的斜率变化,而随着SOC的增加逐渐变得平坦。由于该区域的特定非线性,在整个范围内应用单一的低阶近似可能会导致低电压区域的拟合误差增加。图2a和b分别比较了单一全范围近似和两区域分段近似在低电压和高电压区域的近似误差。在此比较中,NMAE值被归一化到全SOC范围内,以便两种近似结构可以在相同的基准上进行解释。如图2所示,两区域分段近似比单一近似更有效地遵循了该区域的特定非线性,特别是在低电压区域。因此,本研究采用两区域近似来减少区域特定的拟合误差,同时保持模型复杂性较低。
3.2.2 两区域分段多项式近似
两区域模型的多项式阶数和分区边界是通过使用参考OCV–SOC数据进行离线分析确定的。考虑到第3.2.1节讨论的非线性,多项式阶数的选择兼顾了局部近似能力和实现复杂性。二次多项式是能够在每个区域内明确表示局部曲率的最低阶多项式,而更高阶的模型需要额外的系数和算术运算。因此,二次形式被认为是适用于硬件实现的分段近似的最低阶模型。
然后,比较了两种低阶多项式阶数的候选模型在近似精度方面的表现。图3a显示了两区域结构中多项式阶数与整体NMAE之间的关系。尽管随着多项式阶数的增加,整体误差有所降低,但一旦主要局部曲率被二次项表示出来,进一步的误差减少就变得有限。这一结果支持采用两区域二次模型作为近似能力和实现复杂性之间的实际折中。
3.3 基于1 LSB的终止规则以实现可预测的运行时间行为
本节提出了一种基于1 LSB的终止规则,并结合了最大迭代次数的保护机制,以确保固定点迭代SOC更新在实时硬件中表现出可预测的运行时间行为。在样本k时,所提出的方法迭代更新SOC,第i次的估计值表示为。按照第3.1节中的处理流程,每次迭代都根据当前估计值构建所需的输入并计算下一个SOC值。
在固定点实现中,即使迭代更新进入收敛范围附近,缩放和量化误差也可能阻止估计值精确地稳定在一个固定点上。相反,估计值可能在相邻的可表示值之间轻微波动。在这种情况下,实际的变化非常小,但过于严格的终止条件可能会导致在达到足够收敛后仍进行不必要的额外迭代。因此,本工作根据两次连续估计值之间的差异来确定终止条件。容差设置为1 LSB,这对应于固定点SOC表示中的最小可区分变化。这一1 LSB标准减少了不必要的迭代次数,并且即使在估计值由于输入噪声或量化误差而有所抖动的情况下,也能确保最终的SOC决策稳定。
然而,仅凭1 LSB标准并不能完全防止在估计值在相邻量化级别之间交替的区域中长时间终止。在这种情况下,更新后的幅度可能会在阈值附近反复迭代。为了限制迭代次数,我们引入了最大迭代次数。这种保护机制提供了实时硬件中可预测的最坏情况执行时间,最终输出取为终止点处的最后一个更新值。相关的定义和终止规则总结在算法1中。
4. 硬件设计与实现
本节描述了用于实现基于OCV–SOC关系的迭代更新方法的硬件结构,该结构作为一个独立的计量IP(gauge IP)使用,不依赖于微处理器。在本文中,计量IP指的是一个能够独立执行SOC估计的硬件模块,其主要计算引擎称为Gauge Core。所提出的实现采用了固定点算术和最小的LUT结构,以适应有限的计算和内存资源。为了确保实时操作中的可预测运行时间,它采用了结合了1 LSB终止规则和最大迭代次数限制的终止保护机制。计量IP被描述为可综合的RTL(寄存器传输语言)实现,并在FPGA硬件平台上进行了验证。第5节通过MPW(金属图案宽度)结果进一步证明了ASIC的可行性。
4.1 系统硬件设计
本小节总结了用于将计量IP应用于实时SOC估计的系统级硬件组织和数据流。所提出的系统将测量和估计功能分开,并在每个采样周期重复相同的测量、估计和输出流程。电池端电压和电流的感应以及初始数据的采集由外部测量AFE(模数转换器)板处理。在每个采样时刻,计量IP接收测量数据,开始计算,通过Gauge Core计算SOC,并将结果提供给外部观察路径。因此,系统接口被简化为仅接收测量数据和观察结果SOC,而估计和终止逻辑完全位于计量IP内部。
在系统层面,硬件结构和数据流如下所示。如图5所示,计量IP由四个主要模块组成:(i) I2C模块,(ii) 顶层控制器,(iii) Gauge Core,以及(iv) UART模块。I2C模块作为双向串行接口,从外部AFE板接收每个样本的原始电压和电流数据。顶层控制器是一个FSM(状态机),它按顺序驱动系统,启动每个采样时刻的输入采集和估计,并按所需顺序生成控制信号。Gauge Core将接收到的测量数据存储在输入缓冲区中,应用固定点缩放将其转换为内部数字格式,计算OCV,选择活动区域,评估多项式,并迭代更新SOC。迭代终止由Gauge Core内部的终止保护机制决定,该机制实现了1 LSB规则,最终的SOC通过UART模块发送到PC进行性能评估和验证。
4.2 Gauge Core设计
Gauge Core是接收在采样时刻k获取的端电压和电流的计算模块,并根据OCV–SOC关系通过迭代更新来确定最终SOC。Gauge Core使用与当前SOC估计值相关的ESR值构建OCV输入,通过将OCV应用于分段多项式模型来更新SOC,并通过终止保护机制决定何时终止迭代。总之,该结构从当前估计值重复计算下一个SOC值,然后更新存储的估计值。通过存储ESR值和多项式系数,而不是将完整的OCV–SOC关系存储在密集的表格中,所提出的结构减少了内存需求。Gauge Core控制器作为FSM(状态机)管理整个处理流程,包括每个样本的计算开始、迭代更新的进展、终止检查以及最终输出的生成。控制流在接收到输入后启动迭代计算,并在每次迭代步骤中依次激活SOC计算器和终止保护器。因此,所有模块都在控制器的监督下按所需顺序运行,从接收输入到输出最终SOC值。SOC计算器根据输入样本和当前的SOC估计值计算下一个SOC值。它缩放输入电压和电流,使用ESR值构建OCV输入,然后选择相应的多项式区域来评估二次模型。这些操作在多个时钟周期内通过共享的16 × 16定点乘法器进行调度,从而在不为每个步骤分配单独乘法器的情况下减少了算术资源的使用。终止保护器在每次迭代中评估新计算的SOC与之前的估计值之间的差异,并根据第3节中定义的规则决定是否停止。当满足终止条件时,控制器结束该样本的迭代计算并输出最终SOC值。否则,更新后的估计值成为下一次迭代的状态。通过这种结构,Gauge Core在硬件内一致地执行完整的迭代数据流——ESR查找、OCV构建、分段多项式评估、终止检查和结果输出。
4.2.3. 操作符重用数据路径
本小节描述了Gauge Core采用的操作符重用数据路径,以便在有限的硬件资源下基于迭代更新进行SOC估计。重点是通过在输入缩放阶段、OCV构建和分段二次评估之间共享单个乘法器来降低算术成本,而不是将所需的乘法操作分散到多个并行乘法器中。SOC计算器使用顺序加法-移位乘法器进行16 × 16定点乘法。定点乘法首先执行整数乘法,然后根据预定义的小数位数进行移位对齐,最后归一化到所需的位宽。有符号操作使用二进制补码表示法处理。由于电池测量是逐个样本进行的,整体时间预算足够宽松,顺序乘法器可以在一个采样周期内完成所需的计算。因此,所提出的结构通过避免重复使用乘法器来换取较低的硬件使用量。
16 × 16定点乘法器在整个数据路径中共享。如图8所示,同一个乘法器被重复用于输入缩放、基于ESR的OCV构建和分段二次评估,从而无需额外的乘法器即可完成计算。在此过程中,乘法器输入通过MUXA和MUXB逐步选择,乘积通过累加路径依次组合形成中间项和最终更新值。算术阶段的进展和操作数选择由SOC计算器内部的本地FSM协调,与顶层Gauge Core控制器同步,以确保每个样本的迭代更新按一致顺序进行。
5. 实验结果
本节展示了从硬件角度验证所提出的测量IP实时可行性的实验结果。在实时FPGA电池测量测试平台上进行了操作,并使用收集的日志定量评估SOC估计的准确性。此外,还使用综合和实现报告总结了硬件资源使用情况和时间性能,以及通过MPW制造获得的ASIC布局和测量结果,以支持ASIC的可行性。总体而言,本节表明,基于FSM控制的轻量级测量架构可以在没有处理器控制的情况下实时运行,从估计准确性、实现成本和操作特性的角度来看都是如此。
5.1. 实验设置
为了验证测量IP的实时操作,构建了一个由5S锂离子电池组、AFE板、FPGA板和主机PC组成的集成测试平台。图9显示了整个测试平台的组织和接口连接,而图10展示了实现的验证设置。电池端电压和电流由外部模拟前端(AFE)板测量并通过I2C接口传输到FPGA。FPGA上实现的测量IP使用接收到的测量数据执行SOC估计,并通过外部观察路径输出结果。所有SOC估计所需的计算,包括迭代更新的终止决策,都在硬件逻辑中执行,而外部组件通过数据传输和结果记录支持验证。实验是在由商用锂离子电池单元组成的5S系列电池组上进行的,所使用的3.7V电池单元的规格在表3中总结。应用了充放电电流曲线,并收集了端电压和电流测量值以及SOC估计结果。
5.2. 准确性评估
本小节定量评估了所提出的测量IP的SOC估计准确性。评估基于在第5.1节描述的实时测试平台上充电和放电条件期间收集的电压和电流日志,以及来自测量IP的SOC输出日志。准确性指标是通过将测量IP的SOC输出与参考SOC在每个样本索引处对齐来计算的。本小节的目的是在实时操作条件下使用定量指标展示轻量级硬件实现的估计性能。采用的准确性指标包括平均绝对误差(MAE)、归一化MAE(NMAE)和均方根误差(RMSE)。MAE表示所有样本中估计SOC与参考SOC之间的平均绝对误差。NMAE通过SOC范围对MAE进行归一化,以便在不同条件下进行比较。RMSE对较大误差更敏感,因此作为误差分散的补充度量。在本文中,SOC表示为归一化量,指标计算中始终使用相同的单位和范围。设N表示样本总数,则参考SOC与测量IP输出之间的误差定义如下:
(2)
(3)
(4)
这里,N是样本总数,是归一化的SOC范围。在本研究中,SOC被归一化到0–1的范围,因此用于NMAE计算。
实验中的参考SOC是根据相同的参考OCV–SOC映射数据从测量的电压和电流日志离线生成的,用于构建分段模型和ESR LUT。然后使用样本索引将测量IP的输出与参考SOC对齐,并计算误差指标。对充电和放电测试都进行了准确性评估。充电测试遵循CC/CV条件,而放电测试使用CC条件,可选地包括休息间隔。对于每个测试,使用相同的索引基础比较收集的电压和电流样本以及测量IP的SOC输出来计算误差指标。结果通过代表性的SOC轨迹和样本间绝对误差分布的箱形图呈现。表4总结了所达到的准确性,表5将本工作的整体样本误差与文献中报告的代表性MCU和FPGA实现进行了比较。表5中报告的1.6%值是所有充放电样本上的总体NMAE。
5.3. 硬件实现结果
本小节总结了所提出的测量IP的FPGA资源使用情况和时间特性,然后展示了MPW ASIC的结果。FPGA资源利用率来自Vivado实现报告。结果显示使用了504个LUT(0.79%)和580个FF(0.46%)。此外,没有使用BRAM或DSP块,确认所提出的结构是一个不依赖于专用内存或DSP资源的轻量级逻辑实现。资源效率与明确报告了绝对资源计数的FPGA实现进行了比较,比较结果总结在表6中。表6显示了与代表性硬件实现的FPGA资源利用率比较。为了检查终止规则的收敛行为,记录了每个样本达到终止所需的迭代次数。如表7所示,大多数样本在达到最大迭代保护器之前就终止了。这一结果表明,在正常操作中,1-LSB标准是主要的终止条件,而保护器限制了罕见的长时间迭代。
6. 讨论
本工作的意义在于实现了基于OCV–SOC关系的迭代估计流程,作为一个基于FSM控制的独立测量IP,并将其转化为适合实际实现的轻量级硬件架构。所提出的结构结合了多项式OCV–SOC模型、ESR LUT、定点算术和操作符重用数据路径,并且完全在硬件中执行估计和终止检查。通过结合1-LSB终止规则和基于最大迭代次数的保护机制,该设计实现了实时操作中迭代估计的可预测运行时行为。从这个角度来看,所提出的测量IP可以被视为资源受限环境中SOC估计的轻量级硬件架构。FPGA和ASIC实现结果支持了这一设计方向的有效性。在实时测试平台上收集的充放电数据集上,所提出的测量IP的总体误差约为1.6%,同时仅使用了504个LUT(查找表)和580个FF(触发器)。此外,在50 MHz频率下,内部SOC计算延迟约为3.72 μs,完全在实时测试平台使用的250 ms采样周期范围内。此外,该设计被集成到了TSMC 28 nm CMOS工艺制造的MPW芯片中的一个模块中,证明了所提出的架构可以作为适合芯片级集成的轻量级测量IP实现。这项工作优先考虑轻量级硬件实现,因此当前结构中没有明确考虑温度变化、长期老化、迟滞效应以及多电池单元之间的不匹配等因素。这些因素可能会改变电池单元的OCV(开路电压)–SOC(状态容量)和ESR(等效串联电阻)特性,因此可能需要额外的补偿或校准机制。因此,所提出的设计不应被视为能够覆盖所有可能工作条件的完整电池状态估计器,而应被视为专注于硬件实现的基线架构。未来的工作可以通过温度依赖的OCV–SOC和ESR建模、考虑老化的系数校准、基于时间共享的多通道扩展以及与多电池单元的高级控制结构的集成来扩展该设计的适用性。在更多样化的负载配置和长期工作条件下的进一步验证也可以将所提出的测量IP发展成为适用于BMS SoCs(电池管理系统SoCs)或ASICs的轻量级估计核心。
7. 结论
本文提出了一种基于OCV–SOC关系的迭代SOC估计方法,以及一种基于FSM(状态机)控制的独立测量IP,用于嵌入式BMS环境中的轻量级硬件实现。该方法使用双区域二次多项式对参考OCV–SOC曲线进行建模,利用ESR LUT校正OCV,并通过16位定点算术和操作符重用数据路径迭代更新SOC。此外,该设计包含了一个无需微处理器的FSM控制结构以及终止保护机制,使得紧凑的OCV–SOC模型、定点数据路径和操作符重用结构能够在资源受限的硬件环境下支持实时操作。在FPGA测试平台上的实时验证表明,所提出的测量IP的总体NMAE(平均绝对误差)为1.6%,并且仅在Artix-7 XC7A100T上使用了504个LUT和580个FF实现。该设计还被集成到了TSMC 28 nm CMOS工艺制造的MPW芯片中的一个模块中,生成了包含12,026个门的物理布局。这些结果证明了所提出的架构是一种能够在资源受限环境中实现实时SOC估计的轻量级硬件解决方案。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号