电动汽车电池剩余电量不准惹的祸，里程焦虑如何拯救？

如果有人问：你为什么没有买电动汽车？你可能有一大堆答案：什么自燃（毕竟是小概率事件）、充电难（正在改善）、续航里程短（正常情况下500-800公里应该够用）、电池成本高等等，但最大心理障碍应该是续航焦虑！因为上路后心里没底，不知道自己的车到底能跑多远，那个地方有没有充电站，不焦虑才怪呢！

对于车企来说，电动汽车想要大卖，除了利用电池技术创新增加电池能量和效率外，精确显示剩余电量，消除电动汽车大规模接受的最大心理障碍——续航焦虑，改善驾驶体验，提振消费者信心仍是关键。

为了避免手机电池耗尽突然关机，用户会尽早插上充电宝或寻找电源。如果能够精确测量和显示汽车电池电量，车主就可以心中有数，未雨绸缪，避免出现电池耗尽突然抛锚的现象。

其实，汽车电池电量的精确测量和显示大家都想做，但是难点很多，谈何容易！电动汽车电池的电量测量比手机困难得多，很难精确估计。

原因有三：

其一，木桶效应。

手机使用的单体电池没有经过内部的串、并联组合，外部电极是由电池直接引出的。动力电池与之不同，先由几颗到十几颗单节小电池（Cell，电芯）串并联组成电池组（模块），典型模块有10至24节电池，采用不同配置组装以适合多个车辆平台。模块化设计是大型电池组的基础，为了更有效地利用空间，要将模块串并联组成大电池包（Pack），以增加电压和功率。磷酸铁锂电池标称电压为3.3V左右，三元锂电池标称电压为3.8V左右。

因此，动力电池组结构非常复杂，一个典型电池组有96节串联电池，以4.2V充电时会产生400V以上的总电压。电池组中的电池节数越多，达到的电压就越高。每个电芯的物理特性决定了其在实际使用中的充放电特性可能会有所不同。

在使用中，即使所有电池的充放电电流都相同，但每个电芯的反应也不尽相同。单个电芯的失效可能影响整个电池组的性能。而且，锂电池无法在极限充放电情况下工作，必须保持在15%至85%的特定电量范围内，否则电池性能就会下降。所以，为了获得整个电池包的数据，必须对每个电芯的充放电电压进行监测和管理，而且在车辆生命周期中一直要这样做。

看似一样的电池，特性却有差异

由于动力电池由很多电芯组成，因此最弱的电芯就像木桶的短板，会限制整个电池组的性能。如果弱的电芯过度充电或放电都会造成损坏。

其二，动力电池材料不同。

电池材料不同，放电曲线就有差异，对电池电量测量的要求也不一样。对于放电曲线平缓的电芯，电压测量精度更为重要。如下图，三星2600mAh采用类似111（正极镍-钴-锰原子数比为1:1:1）三元正极材料；恒河2200mAh采用类似532（正极镍-钴-锰原子数比为5:3:2）三元正极材料；比克2200mAh（18650C4）采用纯钴（正极全是钴，不含镍、锰）酸锂正极。

不同电池材料的放电曲线差异

为了防止过度充放电，电池单元应保持在满容量的20%到90%之间。在85kWh的电池中，可用于正常行驶的容量仅为60.9kWh。如果测量误差为5%，为了电池继续安全地运行，必须将电池容量保持在25%至85%之间，总可用容量已从70%降到60%。因此，精度是电动汽车电池电量测量的一个重要特性。

其三，使用环境恶劣。

电动汽车可能在-40℃低温或50℃高温条件下行驶；潮湿、机械应力和15年以上的使用寿命都对动力电池的环境耐受度提出了更高的要求。

为了解决这些难题，半导体厂商和从事电池研究的专家都在探索精准测量和预测电动汽车电池电量的方法。

BMS有助于电动汽车电池电量精准测量

ADI公司混合信号产品部高级产品营销工程师Christopher Gobok表示，在汽车的大部分历史中，创新一直专注于提高ICE的燃烧效率、减少排放物并提供舒适的用户体验。但是，近年来ICE汽车的最新创新绝大部分是电子技术进步的直接结果，包括底盘系统、动力传动系统、自动驾驶和高级驾驶员辅助系统（ADAS）、信息娱乐和安全系统的改进。EV具有许多与ICE车辆相同的电子系统，当然还有传动系统本身。后者基本上以动力电池为核心，整车价值中的电子部分高达75％，随着半导体技术的不断发展，这部分价值将不断增加，也降低了各种电子模块和子系统的成本。甚至非传统的汽车厂商，例如英特尔，也都在寻找其中的商机。

Christopher Gobok

他指出，毫不奇怪，在电动汽车的所有电子子系统中，制造商和消费者都将目光投向了电动汽车的心脏——电池系统。电池系统包括可充电电池本身，当前标准的锂离子（Li-Ion）电池和电池管理系统（BMS）可最大程度地提高电池使用量和安全性。

现在，低压电池监视器已进入高压电动汽车中。ADI的BMS解决方案采用LTC2949 EV电池组监视器，它是一款适用于电动车辆和混合动力车辆及其他隔离式电流检测应用的高精度电流、电压、温度、电量和电能表。

高精度电流检测配置的LTC2949浮动EV电池组监视器

Christopher Gobok介绍说，BMS的主要功能是监视电动汽车大电池组中单个电池和电池组的电压、电流、温度、充电状态（SOC）、健康状态（SOH）以及其他相关功能，例如冷却液流量。除了具有明显的安全性和性能优势外，BMS还准确监控这些参数，可以带来更好的驾驶体验，帮助驾驶员实时了解电池状况。EV BMS的其他职责还包括将能量回收到电池组中（再生制动）、平衡电池、保护电池组免受电压、电流和温度的影响，并与其他子系统（如充电器、负载、热量管理和紧急关机）通信。

LTC2949用于低侧电流检测配置，其中isoSPI通信线与底部LTC6811-1电池监视器（0V至5V测量范围，适合大多数电池化学应用）并联。为了提高可靠性，可以通过将第二个isoSPI收发器连接到电池组的顶部并创建环形拓扑来实现双向通信。这样，LTC681x和LTC2949共同构成了一个全面的EV BMS监视解决方案，该电路可以被称为BMS的模拟前端（AFE）。

使用LTC6811-1和LTC2949的分布式EV BMS监视拓扑

当LTC2949的三个数据采集通道中的任何一个配置为快速模式（转换时间为782μs，分辨率为15位）时，LTC2949可以将其电池组的电压和电流测量与来自任何LTC681x多电池监测器的电池电压测量同步，以推断出单个电池阻抗、寿命和SOH。有了这些信息，就可以评估电池组的续航时间，因为最弱的电池最终决定了整个电池组的SOH。

由于SOH是电池或电池组寿命的关键，并且测量的是其相对于新电池的状况，因此使用精确的EV BMS监视器不仅可以最大程度地延长行驶里程，而且还能最大程度地减少意外电池故障。

为了确保监视精度，LTC2949提供了可编程的增益校正因数，以补偿测量组件的公差，通过持续补偿公差和温度影响，不仅可以提高监视精度，而且可以使用成本较低的外部组件。

用人工智能（AI）预测电池续航时间

2020年2月，斯坦福大学教授Stefano Ermon和William Chueh领导的一个团队与丰田研究院的研究人员合作开发了一种基于机器学习的方法，可以将电池测试时间缩短98%，解决了让电动汽车电池使用更持久、充电更快的一个关键问题，更可以预测电池充电后的续航时间。这项研究已发表在《自然》杂志上。

Stefano Ermon和William Chueh领导的团队

Stefano Ermon教授说：“电池性能可以决定电动汽车的使用体验，从行驶里程到充电时间再到汽车的使用寿命。现在，人工智能有可能使像加油一样给电动车充电成为现实，并可改善电池技术的其他方面。”

他表示，几十年来，电动汽车电池的发展一直受到评估时间的限制。在电池开发过程的每个阶段，新技术都必须经过数月甚至数年的测试，才能确定电池的寿命。他说：“在电池测试中，你必须尝试大量的东西，因为你得到的性能会有很大的不同。有了人工智能，我们能够迅速找出最有前途的方法，并省去许多不必要的实验。”

研究人员编写了一个程序，根据几个充电周期预测电池对不同充电方式的反应。该软件还可以实时决定关注或忽略哪些充电方式。通过缩短试验时间和次数，研究人员将试验时间从近两年缩短到了16天。

一直以来，电池的超高速充电都是一个挑战，快速充电的强度会给电池带来更大的应力，通常会导致电池过早失效。而电池组的成本占电动汽车总成本的很大一部分，为了防止电池组受损，电池工程师必须测试一系列详尽的充电过程，以找到最有效的充电方法。新的研究试图优化这一过程——对人类来说低效的快速充电试错测试的优化，而对机器来说完全不是问题。

“机器学习以一种更聪明的方式反复试验，电脑在进行探索方面比我们强多了，可以尝试新的和不同的方法，以及何时开发、或瞄准最有前途的项目。”参与研究的计算机科学研究生Aditya Grover说。

首先，机器学习减少了每次循环实验的时间。

研究人员发现，反复给每个电池充电直到它坏掉来测试电池寿命的方法，可以预测电池在充电100次后的续航时间。这是因为机器学习系统在接受了几次电池循环失灵的训练后，可以从早期数据中发现预测电池寿命的模式。

第二，机器学习减少了必须测试的方法的数量。

计算机从以往的经验中吸取教训，迅速找到最佳的协议进行测试，而不是对每一种可能的充电方法都进行同等的测试。通过更少周期内测试更少的方法，研究人员很快找到了一种最优的超高速充电方案。

Ermon说：“它给了我们一个非常简单的充电协议，有些事是我们不曾预料到的。这就是人与机器的区别：机器没有人类直觉的偏见，人类直觉有时会误导自己。”

该团队的目标是找到在10分钟内为电动汽车电池充电的最佳方法，使电池的整体寿命最大化。

无独有偶，今年3月中旬，美国加州大学河滨分校（UCR）工程师发表的一项新的研究印证了上述研究的重要性——商用大功率快速充电桩的一个致命弱点会使电动汽车电池受到高温和电阻的影响，让电池过早寿终正寝。

参与该研究的工程师Tanner Zerrin在《能源储存》杂志上发表的一项研究报告称，仅25个行业标准快速充电周期就会毁掉汽车的电池。这对时间紧迫的电动汽车驾驶者当然不是一个好消息，因为对他们来说，只有快速充电才能最大限度地减少花在路上的时间。

快速充电前后出现物理、化学损伤的电动汽车电池

他还说：“快速充电会对锂离子电池的寿命产生不利影响，因为电池的内阻增加，进而产生热量。”更糟糕的是，经过60次充电循环后，商用方法造成了电池壳破裂，电极和电解液暴露于空气，增加了火灾或爆炸的风险。60摄氏度/140华氏度的高温加速了这种损伤和风险。

据了解，在作为新基建核心基础设施的充电桩建设中，并没有考虑到快速充电对电池损伤的问题，也没有发现上下游厂商提供相应的解决方案。这不能不说是一个不大不小的隐患。

预测电池健康状态，还是人工智能

锂离子电池凭借其高能量和功率密度实现了现代生活必不可少的多种创新。但是，推进这些技术进一步发展的主要绊脚石是电池退化的不可预测性：难以准确预测电池的SOH和剩余使用寿命（RUL），以告知用户是否应该更换电池并避免意外容量衰减。此外，电池预后对于回收行业至关重要，以决定电池应作为废旧金属回收还是用于要求不高的“第二次”应用。但是，预测锂离子电池的SOH和RUL是一项尚未解决的挑战，限制了电动汽车和消费电子等技术的发展。

电池预测的常规方法依赖于对微观降解机制的建模，例如，固体电解质膜锂镀层的生长和活性物质损失。尽管提供了物理见解，但是表征和模拟每个降级机制都是不可扩展的。为了克服这一挑战，最近的研究集中在数据驱动的方法上。该想法是对电池执行实时、非侵入性测量，并使用统计机器学习将这些测量与电池健康状态相关联，而无需对物理机制进行建模。但是，数据驱动方法的挑战是定义一组输入物理信息，并建立可靠的统计模型。

传统方法是从充放电曲线得出的特征，因为典型BMS会收集电流-电压数据。与通常的电流-电压数据相比，电化学阻抗图谱（EIS）可以通过测量对电压扰动的电流响应来获得很宽频率范围的阻抗；反之亦然，它包含所有材料特性的丰富信息、界面现象和电化学反应。这直接关系到电池内部可能的退化，并且能够跟踪电池的状态。

但是，将EIS部署到预测性电池诊断中会因图谱的高维数而受阻，EIS会在跨越数十年的频率范围内记录阻抗的实部和虚部。尽管质变是显而易见的，但挑出与降解相关的定量特征仍具有挑战性。现有方法可将图谱缩小为低维特征：通过对等效电路模型进行拟合来解释图谱，最新方法是通过机器学习来帮助进行拟合。拟合通常是不唯一的，并且纯电气模型能否捕获电池的物理、化学和材料特性及过程，或仅专注于精选频率值仍得怀疑。

机器学习的最新进展无需手动选择功能就可以将整个数据集作为输入模型，并让模型选择最相关的变量。这些已开发模型可用于退化诊断，例如使用高斯（Gaussian）过程模型预测未来的容量和SOC，并使用正则化线性模型预测循环寿命。但是，这些模型都是以充放电曲线为输入而开发的。输入的信息内容限制了模型的功能，要根据电池寿命的早期数据来预测电池的后期行为仍然很难。

2020年4月，英国剑桥大学和纽卡斯尔大学的Yunwei Zhang和Qiaochu Tang等研究人员称，他们利用新的机器学习模式可以为电动汽车、智能手机等移动电子产品开发更安全可靠的电池。他们在《自然通讯》（Nature Communications）发表的题为“基于机器学习的锂离子电池阻抗图谱退化的模式识别”中表示，将EIS技术与高斯过程机器学习技术相结合，建立了一个精确的电池预测系统。据称，其准确度是目前技术的10倍。

EIS是一种实时、无创、信息丰富的测量技术，目前在电池诊断中还没有得到充分应用。在不同健康状态、充电状态和温度下收集了超过20000个商用锂离子电池的EIS图谱，这是所知同类数据中最大的数据集。其高斯过程模型以整个图谱为输入，不需要进一步的特征工程，并自动确定哪些图谱特征的预测退化。该模型准确地预测了剩余使用寿命，即使不完全了解电池过去的工作条件。其结果证明了EIS信号在电池管理系统中的价值。

35℃（a）和45℃（b）下循环的电池预估（红色）和测得（蓝色）容量曲线

EIS-RUL GPR模型仅根据当前循环的EIS测量值准确预测在25℃循环的所有四个测试电池的RUL，而无需先前循环的EIS测量值。这一结果表明，其EIS机器学习技术具有转化为原型BMS的潜力。

预测剩余使用寿命

该方法实现了较低的预测误差，与BMS中当前跟踪的信号相比，EIS可以提供有关电池运行状况丰富得多的信息，而GPR方法可以有效地利用这些EIS信号。

在电池回收的情况下，电池的诊断更具挑战性，因为电池的历史运行状况（例如温度）一直在变化。尽管温度是通过电池模块或电池组内的传感器测量的，但实际温度可能会因工作条件下的较大温度梯度而有很大差异。该研究进一步简化了温度为25、35或45℃。我们结合了在三种不同温度下获得的训练数据，实际上迫使GPR学习EIS的特征，而EIS的特征仅取决于容量而不取决于温度。多温度模型可以估算出各种温度下循环的电池容量。

上述研究表明EIS信号在BMS设计中具有潜在价值，未来人们可能不需要在很宽的频率范围内全面扫描就可以获得与降级有关的信号，之后可以扩展到循环温度随时间或充放电速率变化等更具挑战性和现实性的研究。

老司机的经验vs系统预测

现在的情况是，电动汽车驾驶者要根据自己的经验做出平均能耗的预测，这往往比电动汽车系统给出的预测更准确。不过续航里程的预测算法正在努力改进，未来有望超过最有经验的老司机。

迄今为止，真正能准确预测电池电量、续航里程的电动汽车几乎没有，有此功能的汽车寥寥。主机厂所推出是只是基于大数据的云端行车数据监控服务，但并没有将预测可用续航里程作为重要卖点。例如，比亚迪元EV的手机APP云服务包括电量、续航、能耗值、里程、充电进度等数据；雪佛兰BOLT EV则可根据时间、地形、天气情况及车主驾驶习惯预测可用续航里程，但至今并没有见到对这一功能的测评；后来的车型再未提及此项功能。

比亚迪元EV的云服务APP

要说在这方面领先的还是特斯拉。2018年底，特斯拉更新了其Model S用户手册，使用了关于“能量使用预测”的新说法：“计算是基于驾驶风格（预测速度等）和环境因素（海拔变化、天气等）等因素的估计值。”该计算可以预测车辆到达目的时的电量状态，并建议在需要时停车充电。特斯拉的方法是使用海拔、风和车外温度等数据来预测续航里程。此前，特斯拉已提醒车主：以较高的速度驾驶或大量使用机舱空调或热量可能会影响行驶里程。

为了帮助客户计划和预测续航里程，特斯拉分享了一个计算机模型，可在以下情况下模拟预测Model S的行驶距离：

恒定速度（如巡航控制）*

平坦地面/无风*

关闭气候控制或仅使用自然通风（无暖气或空调）*

300磅的车辆负载（驾驶员加上乘客或货物）*

关闭车窗户和天窗*

轮胎充气至建议压力*

新电池组（少于1年，低于25,000英里）

请注意：

作为一名老司机，都了解*项对于续航里程有一定影响，特别是行驶速度，不管是燃油汽车还是电动汽车。当然，前者使用暖气不会有什么影响。

最先发现“能量使用预测”的Model S车主是Keith Trice，他根据熟悉的路线——从芝加哥开车到密歇根州——对其进行了测试。他记得，在一些类似的天气里，Model S旅行计划器预测到达中途超级充电站时大约还剩50％电量。而在寒冷天气中测试这条路线时，Model S旅行计划器预计到达同一充电站将使用63％的电量（剩余37％），实际结果八九不离十。这意味着该系统能够在寒冷天气中较准确地预测耗电量和可用续航里程，有助于消除用户的续航焦虑。

特斯拉正在努力实现这一目标，其他主机厂呢？难道这不是一个重要“卖点”吗？

如果电动汽车能像手机一样准确预测电池健康状态和剩余使用寿命，里程焦虑就会成为过去。你既可以保护环境，又不必担心中途抛锚。真是那样，也许不久你就会买一辆电动汽车！