電池管理系統新技術應用

黃 建,陳陸平,朱 晨

（比亞迪汽車工業有限公司,廣東 深圳 518118）

0 引言

在全球能源供應趨緊、化石燃料價格上漲的背景之下，為了應對該輪全球能源危機的沖擊，中國一直在積極推進布局新能源汽車以及新型儲能系統產業。現如今，鋰離子電池廣泛應用于新能源電動車輛以及新型電化學儲能系統中，大量串并聯的電池單體需要利用電池管理系統實現數據采集、狀態監測、充電管理、均衡控制、溫度管控等重要功能，以實現更高效且安全的能量存儲以及能量輸出。隨著大數據云平臺及人工智能技術的高速進步，電池管理系統的整體架構也在不斷發展。

1 動力電池區塊鏈技術

1.1 區塊鏈與去中心化賬本系統

自2008 年Satoshi Nakamoto 建立了全球第一個區塊鏈系統——比特幣以來，此類加密的數字貨幣實現了完全的去中心化，即點對點的交易而無需第三方介入。比特幣的爆發也促成了區塊鏈系統的迅速發展。區塊鏈本質上是一種可分布在多個位置的分布式數據集的P2P 網絡[1]，其中的去中心化賬本的每個變化情況都會在網絡上的所有副本中反映。也就是說，一旦某個用戶提交了變更情況，必須經過整個網絡的驗證與審批，才可以實現將變更添加到去中心化賬本中。信息的變更一旦完成，就不可被任何用戶更改。

區塊鏈中各區塊通過鏈（加密散列函數）連接，數據僅可通過挖礦/共識算法以區塊的形式增加。在周期性的挖礦行為中，礦工是一類參與挖礦過程的網絡參與者。礦工在一致算法的約束下計算生成新塊的相應散列。一旦創建了該散列，新的塊便會被添加到鏈中，并將生成的散列傳至所有區塊網絡節點，每個節點均需要驗證該結果。如果通過了整個網絡節點的驗證，該區塊便會被添加至區塊鏈數據庫。此后，任何記錄篡改都將對該區塊無效，因為存在其他多個節點的支撐維護，保證了數據的穩定性與安全性，這也使得區塊鏈成為通信技術領域中最安全的分布式系統架構之一。

1.2 電池區塊鏈平臺應用

區塊鏈技術由于其高度的數據安全性以及去中心化分布式架構，可以廣泛應用一切基于海量數據支撐，但現存為中心化賬本技術的行業。

鋰離子電池現在大規模應用于電動汽車以及儲能系統。但由于鋰電池中使用的關鍵材料中的鈷和鋰僅在少數幾個國家開采，可能會對供應鏈和應用市場方面提出一定的挑戰。隨著需求的日益增長，電動汽車、電力電網中的大規模應用可能會因價格上漲而受限。大量的因壽命結束而退役的電池，出于環保角度，需要考慮在“逆向供應鏈”中收集、拆卸以回收有用和有價值的材料和能源。因此，梯級利用這一概念應運而生。

區塊鏈技術為電池的梯次利用提供了一種可行方案。事實上，區塊鏈技術已經被認為可在電力能源領域廣泛應用，Alexandra[2]等人針對用戶間的點對點的電力交易，提出P2P 系統可以結合區塊鏈技術來跟蹤交易電量，并擁有透明的自動結算系統。Mhaisen[3]等人提出了一種基于智能合約的分布式基站系統控制方法，并將其部署在電池儲能系統節點的分布式網絡上。電池系統由于其存儲的靈活性以及數據平臺系統，可以基于區塊鏈技術建立電池自生產線一直到用戶使用層的全壽命周期的數據存儲鏈[4]。

Wang[5]等人提出使用射頻識別設備作為信息追溯的媒介，每個電池被分配一個唯一的射頻識別標簽，包含電池的生產信息以及使用信息。生產商通過平臺接口將電池靜態生產數據寫入區塊，物流商也將物流信息寫入區塊，賣方將這些信息作為銷售信息。用戶同樣可以掃描獲取電池信息，并在使用過程中自動上傳電池使用以及狀態信息。傳統的評估體系是以第三方收購機構為核心，掌握了對數據絕對的控制權。若有來自其他方的利益驅使，就可能對電池的使用數據進行惡意的篡改，極大地損害消費者的利益并嚴重打擊多方的信任度。基于區塊鏈的電池數據存儲，保證了所有節點的地位對等以及數據的一致性。系統可以溯源，數據的篡改需要受到整個網絡的驗證[6]。如果電池產品存在安全隱患，廠商也可以通過溯源缺陷產品的源頭，并對同一批次的缺陷產品的分布進行追蹤定位，顯著提高產品召回的效率。

2 電池技術與人工智能融合應用

2.1 基于數據驅動的材料體系篩選

隨著電動汽車市場的擴大，安全性逐漸成為用戶選購電動汽車的重要指標。其中動力電池的安全性對電動汽車安全起決定性作用。現在市場上的鋰離子電池基本是液態電解質，由溶解在有機溶劑中的鋰鹽組成。液態離子電導率高，電池輸出能力強，但可燃性較高，存在一定安全隱患。而非易燃固態電解質可以顯著提高電池的安全性以及能量密度，但較低的離子電導率成為限制其應用的主要原因。已知的含鋰化合物可達上萬種，甚至很多都還未經測試，這對固態電解質的選擇提出了挑戰。Harada[7]等人對Li1+x+2yZr2-x-yYxCay(PO4)3中CaO 與Y2O3的組成進行了優化，實驗合成了49 種固態電解質化合物。實驗結果表明離子電導率、相穩定性與相對密度間的成分相關性極其復雜，使用實驗以及人工篩選最優組成非常困難。利用貝葉斯優化方法搜索最佳成分，可加速確定優化成分。Sendek[8]等人提出對含鋰結晶固體的大規模計算篩選方法。首先篩選出具有穩定化學結構性能、低成本的含鋰固體的12 831 種材料，再基于數據驅動的方法，利用邏輯回歸開發一個預測模型以及設置若干置信度標準，可將候選材料減少到21 個。為了不對離子電導率產生影響，多晶樣品的粒度需要進行表征，進而提出了基于數據驅動的超離子分類模型。現在已經廣泛使用高通量計算、開放量子材料數據庫來發現新材料，涵蓋電解質以及電極。最初的目標是篩選，但這些數據庫也為針對電池性能機器學習提供了幫助。

2.2 基于深度學習的電池算法

電池模型的建立是電池管理系統開發的前提，對于電池的狀態估計、均衡控制、故障診斷等相當重要。鋰離子電池模型中最為典型的就是等效電路模型、電化學模型以及數據驅動模型。等效電路模型簡單，適合實時系統使用，但缺乏物理意義，難以反映電池運行過程中老化、失效等特征。電化學模型由非線性的偏微分方程描述，計算復雜，難以實際應用。如果考慮到電池的老化機制，二者均難以適用，如何將與老化相關的密度泛函理論、分子動力學整合入這類模型也是一大難題。如果希望能基于大量歷史測量數據來預測未來的電池的電行為，往往會采用數據驅動的方法，創建出模型往往也被稱作黑箱模型。此類模型沒有物化原理支持，僅考慮輸入參數與輸出參數之間的映射關系。

Attia[9]等人開發了一種機器學習方法，生成基于六步、十分鐘快速充電協議，從而最大限度地延長電池循環壽命。電池的老化預測是電池梯次利用的一大難題，Li[10]等人從分解的容量增量曲線提取電池老化特征生成訓練集，利用基于數據驅動的支持向量回歸技術，建立電池的老化模型。楊杰君[11]等人使用具有在線學習能力的OSELM 建立SOC 估計模型，采用分階段式學習，可在訓練完畢舍棄訓練樣本，顯著提高模型的泛化能力。模型也可自適應變化的信息流并及時學習電池運行時測量出的最新樣本。

但機器學習模型不是全能的，其本身容易出現過擬合，且泛用性有限。而且由于過程缺乏物理化學意義，數據可信度無理論支持。如果將物理化學原理融入機器學習模型將有助于開發更易于解釋的模型。模型的訓練過程也可進一步優化，對于已有的訓練好的模型，當執行額外的模擬時，可被添加到數據庫并且重新訓練機器學習模型。這種主動學習的循環可以顯著減少所需的模擬次數。

3 學科融合下的全新電池平臺

3.1 物聯網與云數據平臺

當涉及基于數據的全生命周期預測、電池參數更新與系統策略優化等功能，傳統BMS 的中嵌入式系統計算能力有限的問題便顯露出來。BMS 使用的先進傳感器以及有線通信網絡會導致關鍵線束問題，例如物理連接失敗、電磁干擾下的通信失敗等。隨著BMS 功能模塊的增加，整個系統成本也會極大增加。

為了解決這些問題，部分學者提出可以利用云端數據平臺與傳統BMS 系統相結合的方式，圖1 為一種基于無線物聯網模塊以及云數據平臺的云端電池管理系統。利用數據采集模塊獲取動力電池的電壓、電流、溫度等數據。數據在給定的采樣周期內完成采集，并臨時存儲至物聯網模塊中的通信組件中，用戶可以將通信組件中數據通過物聯網網關、基于TCP/IP 協議傳至云數據管理平臺的云存儲器中，物聯網組件幾乎只保留對電池的均衡控制以及安全保護的功能。電池的云數據平臺包含云數據存儲器、數據分析模塊、模型算法模塊以及用戶界面的可視化模塊。云數據存儲器通過互聯網接收來自物聯網組件上傳的數據，可對數據進行分類管理，并通過加密措施保護數據安全性。數據分析模塊集成了高性能并行計算、電池數據挖掘、機器學習等功能。模型算法模塊包含了現已經廣泛應用的一些電池模型算法以及控制策略，利用存儲器中數據實現實時計算。最后，部分監測數據以及狀態結果利用GUI 實現可視化，更加便于用戶理解。相對于傳統BMS 系統，這類云端BMS 管理系統由于在車載端的硬件結構大為簡化，計算處理與數據存儲移交云平臺處理，成本大幅度地降低。

圖1 物聯網與云數據平臺架構

3.2 維度擴展的數據測量平臺

當涉及電池電化學機理，傳統的傳感器便難以應對。諸多學者提出了一些方法，可穿透電池外殼，顯示出電池內部電化學變化與結構變化。但值得注意的是，這些反映電池殼體內部信息的方法產生的數據量巨大，甚至可能是二維圖像數據。傳統BMS 根本無法處理這些數據，且缺乏足夠的量化手段，因此暫時難以應用于實際。但隨著大數據與云平臺的廣泛應用，這些數據也可以在云端進行計算處理。

郭銀磊[12]利用X 射線發生器產生X 射線穿透電池構建層析圖像。X 射線強度數據經過模數轉換后得到反映電池內部結構的數據，可以構建電池的層析結構圖像。謝宗軒[13]利用正負極強弱活性物質在層析圖像中的零階矩作為基于數據驅動的電池循環壽命預測的形態修正系數，改善了僅考慮大量單一電性能數據的壽命衰減預測的精度。此外，超聲波已經廣泛應用于無損檢測領域，可反映石墨極片片層的填充狀態與電池內部氣體鼓包。利用這一敏感性，馬廣廷[14]使用一定頻率超聲波以及保持超聲探頭不變的條件，表明電池的SOC 與超聲信號的峰值強度存在較為穩定的遞增關系。

隨著越來越多的傳感器元件以及監測儀器將被集成到車用板載BMS 上，甚至電池可能自生產階段便會集成這些傳感器接口。數據量以及數據維度的擴張對BMS 采集與數據處理模塊提出了挑戰，這可能在未來需要與高效的無線物聯網模塊協同配合。

4 結語

高通量計算、開放量子材料數據庫目前已經被廣泛使用于發現新材料。這些數據庫也為針對電池算法的機器學習提供了幫助。基于無線物聯網模塊的電池管理系統可將采集數據上傳至云存儲器建立電池數據庫，集成在云端電池管理系統的機器學習與人工智能算法利用數據來執行運算。區塊鏈技術則為電池數據安全性提供了充足的保障。