如果有人問：你為什么沒有買電動汽車？你可能有一大堆答案：什么自燃（畢竟是小概率事件）、充電難（正在改善）、續(xù)航里程短（正常情況下500-800公里應(yīng)該夠用）、電池成本高等等，但最大心理障礙應(yīng)該是續(xù)航焦慮！因為上路后心里沒底，不知道自己的車到底能跑多遠，那個地方有沒有充電站，不焦慮才怪呢！

對于車企來說，電動汽車想要大賣，除了利用電池技術(shù)創(chuàng)新增加電池能量和效率外，精確顯示剩余電量，消除電動汽車大規(guī)模接受的最大心理障礙——續(xù)航焦慮，改善駕駛體驗，提振消費者信心仍是關(guān)鍵。

為了避免手機電池耗盡突然關(guān)機，用戶會盡早插上充電寶或?qū)ふ译娫?。如果能夠精確測量和顯示汽車電池電量，車主就可以心中有數(shù)，未雨綢繆，避免出現(xiàn)電池耗盡突然拋錨的現(xiàn)象。

其實，汽車電池電量的精確測量和顯示大家都想做，但是難點很多，談何容易！電動汽車電池的電量測量比手機困難得多，很難精確估計。

原因有三：

其一，木桶效應(yīng)。

手機使用的單體電池沒有經(jīng)過內(nèi)部的串、并聯(lián)組合，外部電極是由電池直接引出的。動力電池與之不同，先由幾顆到十幾顆單節(jié)小電池（Cell，電芯）串并聯(lián)組成電池組（模塊），典型模塊有10至24節(jié)電池，采用不同配置組裝以適合多個車輛平臺。模塊化設(shè)計是大型電池組的基礎(chǔ)，為了更有效地利用空間，要將模塊串并聯(lián)組成大電池包（Pack），以增加電壓和功率。磷酸鐵鋰電池標稱電壓為3.3V左右，三元鋰電池標稱電壓為3.8V左右。

因此，動力電池組結(jié)構(gòu)非常復雜，一個典型電池組有96節(jié)串聯(lián)電池，以4.2V充電時會產(chǎn)生400V以上的總電壓。電池組中的電池節(jié)數(shù)越多，達到的電壓就越高。每個電芯的物理特性決定了其在實際使用中的充放電特性可能會有所不同。

在使用中，即使所有電池的充放電電流都相同，但每個電芯的反應(yīng)也不盡相同。單個電芯的失效可能影響整個電池組的性能。而且，鋰電池無法在極限充放電情況下工作，必須保持在15%至85%的特定電量范圍內(nèi)，否則電池性能就會下降。所以，為了獲得整個電池包的數(shù)據(jù)，必須對每個電芯的充放電電壓進行監(jiān)測和管理，而且在車輛生命周期中一直要這樣做。

看似一樣的電池，特性卻有差異

由于動力電池由很多電芯組成，因此最弱的電芯就像木桶的短板，會限制整個電池組的性能。如果弱的電芯過度充電或放電都會造成損壞。

其二，動力電池材料不同。

電池材料不同，放電曲線就有差異，對電池電量測量的要求也不一樣。對于放電曲線平緩的電芯，電壓測量精度更為重要。如下圖，三星2600mAh采用類似111（正極鎳-鈷-錳原子數(shù)比為1:1:1）三元正極材料；恒河2200mAh采用類似532（正極鎳-鈷-錳原子數(shù)比為5:3:2）三元正極材料；比克2200mAh（18650C4）采用純鈷（正極全是鈷，不含鎳、錳）酸鋰正極。

不同電池材料的放電曲線差異

為了防止過度充放電，電池單元應(yīng)保持在滿容量的20%到90%之間。在85kWh的電池中，可用于正常行駛的容量僅為60.9kWh。如果測量誤差為5%，為了電池繼續(xù)安全地運行，必須將電池容量保持在25%至85%之間，總可用容量已從70%降到60%。因此，精度是電動汽車電池電量測量的一個重要特性。

其三，使用環(huán)境惡劣。

電動汽車可能在-40℃低溫或50℃高溫條件下行駛；潮濕、機械應(yīng)力和15年以上的使用壽命都對動力電池的環(huán)境耐受度提出了更高的要求。

為了解決這些難題，半導體廠商和從事電池研究的專家都在探索精準測量和預測電動汽車電池電量的方法。

BMS有助于電動汽車電池電量精準測量

ADI公司混合信號產(chǎn)品部高級產(chǎn)品營銷工程師Christopher Gobok表示，在汽車的大部分歷史中，創(chuàng)新一直專注于提高ICE的燃燒效率、減少排放物并提供舒適的用戶體驗。但是，近年來ICE汽車的最新創(chuàng)新絕大部分是電子技術(shù)進步的直接結(jié)果，包括底盤系統(tǒng)、動力傳動系統(tǒng)、自動駕駛和高級駕駛員輔助系統(tǒng)（ADAS）、信息娛樂和安全系統(tǒng)的改進。EV具有許多與ICE車輛相同的電子系統(tǒng)，當然還有傳動系統(tǒng)本身。后者基本上以動力電池為核心，整車價值中的電子部分高達75％，隨著半導體技術(shù)的不斷發(fā)展，這部分價值將不斷增加，也降低了各種電子模塊和子系統(tǒng)的成本。甚至非傳統(tǒng)的汽車廠商，例如英特爾，也都在尋找其中的商機。

Christopher Gobok

他指出，毫不奇怪，在電動汽車的所有電子子系統(tǒng)中，制造商和消費者都將目光投向了電動汽車的心臟——電池系統(tǒng)。電池系統(tǒng)包括可充電電池本身，當前標準的鋰離子（Li-Ion）電池和電池管理系統(tǒng)（BMS）可最大程度地提高電池使用量和安全性。

現(xiàn)在，低壓電池監(jiān)視器已進入高壓電動汽車中。ADI的BMS解決方案采用LTC2949 EV電池組監(jiān)視器，它是一款適用于電動車輛和混合動力車輛及其他隔離式電流檢測應(yīng)用的高精度電流、電壓、溫度、電量和電能表。

高精度電流檢測配置的LTC2949浮動EV電池組監(jiān)視器

Christopher Gobok介紹說，BMS的主要功能是監(jiān)視電動汽車大電池組中單個電池和電池組的電壓、電流、溫度、充電狀態(tài)（SOC）、健康狀態(tài)（SOH）以及其他相關(guān)功能，例如冷卻液流量。除了具有明顯的安全性和性能優(yōu)勢外，BMS還準確監(jiān)控這些參數(shù)，可以帶來更好的駕駛體驗，幫助駕駛員實時了解電池狀況。EV BMS的其他職責還包括將能量回收到電池組中（再生制動）、平衡電池、保護電池組免受電壓、電流和溫度的影響，并與其他子系統(tǒng)（如充電器、負載、熱量管理和緊急關(guān)機）通信。

LTC2949用于低側(cè)電流檢測配置，其中isoSPI通信線與底部LTC6811-1電池監(jiān)視器（0V至5V測量范圍，適合大多數(shù)電池化學應(yīng)用）并聯(lián)。為了提高可靠性，可以通過將第二個isoSPI收發(fā)器連接到電池組的頂部并創(chuàng)建環(huán)形拓撲來實現(xiàn)雙向通信。這樣，LTC681x和LTC2949共同構(gòu)成了一個全面的EV BMS監(jiān)視解決方案，該電路可以被稱為BMS的模擬前端（AFE）。

使用LTC6811-1和LTC2949的分布式EV BMS監(jiān)視拓撲

當LTC2949的三個數(shù)據(jù)采集通道中的任何一個配置為快速模式（轉(zhuǎn)換時間為782μs，分辨率為15位）時，LTC2949可以將其電池組的電壓和電流測量與來自任何LTC681x多電池監(jiān)測器的電池電壓測量同步，以推斷出單個電池阻抗、壽命和SOH。有了這些信息，就可以評估電池組的續(xù)航時間，因為最弱的電池最終決定了整個電池組的SOH。

由于SOH是電池或電池組壽命的關(guān)鍵，并且測量的是其相對于新電池的狀況，因此使用精確的EV BMS監(jiān)視器不僅可以最大程度地延長行駛里程，而且還能最大程度地減少意外電池故障。

為了確保監(jiān)視精度，LTC2949提供了可編程的增益校正因數(shù)，以補償測量組件的公差，通過持續(xù)補償公差和溫度影響，不僅可以提高監(jiān)視精度，而且可以使用成本較低的外部組件。

用人工智能（AI）預測電池續(xù)航時間

2020年2月，斯坦福大學教授Stefano Ermon和William Chueh領(lǐng)導的一個團隊與豐田研究院的研究人員合作開發(fā)了一種基于機器學習的方法，可以將電池測試時間縮短98%，解決了讓電動汽車電池使用更持久、充電更快的一個關(guān)鍵問題，更可以預測電池充電后的續(xù)航時間。這項研究已發(fā)表在《自然》雜志上。

Stefano Ermon和William Chueh領(lǐng)導的團隊

Stefano Ermon教授說：“電池性能可以決定電動汽車的使用體驗，從行駛里程到充電時間再到汽車的使用壽命。現(xiàn)在，人工智能有可能使像加油一樣給電動車充電成為現(xiàn)實，并可改善電池技術(shù)的其他方面。”

他表示，幾十年來，電動汽車電池的發(fā)展一直受到評估時間的限制。在電池開發(fā)過程的每個階段，新技術(shù)都必須經(jīng)過數(shù)月甚至數(shù)年的測試，才能確定電池的壽命。他說：“在電池測試中，你必須嘗試大量的東西，因為你得到的性能會有很大的不同。有了人工智能，我們能夠迅速找出最有前途的方法，并省去許多不必要的實驗?！?

研究人員編寫了一個程序，根據(jù)幾個充電周期預測電池對不同充電方式的反應(yīng)。該軟件還可以實時決定關(guān)注或忽略哪些充電方式。通過縮短試驗時間和次數(shù)，研究人員將試驗時間從近兩年縮短到了16天。

一直以來，電池的超高速充電都是一個挑戰(zhàn)，快速充電的強度會給電池帶來更大的應(yīng)力，通常會導致電池過早失效。而電池組的成本占電動汽車總成本的很大一部分，為了防止電池組受損，電池工程師必須測試一系列詳盡的充電過程，以找到最有效的充電方法。新的研究試圖優(yōu)化這一過程——對人類來說低效的快速充電試錯測試的優(yōu)化，而對機器來說完全不是問題。

“機器學習以一種更聰明的方式反復試驗，電腦在進行探索方面比我們強多了，可以嘗試新的和不同的方法，以及何時開發(fā)、或瞄準最有前途的項目?！眳⑴c研究的計算機科學研究生Aditya Grover說。

首先，機器學習減少了每次循環(huán)實驗的時間。

研究人員發(fā)現(xiàn)，反復給每個電池充電直到它壞掉來測試電池壽命的方法，可以預測電池在充電100次后的續(xù)航時間。這是因為機器學習系統(tǒng)在接受了幾次電池循環(huán)失靈的訓練后，可以從早期數(shù)據(jù)中發(fā)現(xiàn)預測電池壽命的模式。

第二，機器學習減少了必須測試的方法的數(shù)量。

計算機從以往的經(jīng)驗中吸取教訓，迅速找到最佳的協(xié)議進行測試，而不是對每一種可能的充電方法都進行同等的測試。通過更少周期內(nèi)測試更少的方法，研究人員很快找到了一種最優(yōu)的超高速充電方案。

Ermon說：“它給了我們一個非常簡單的充電協(xié)議，有些事是我們不曾預料到的。這就是人與機器的區(qū)別：機器沒有人類直覺的偏見，人類直覺有時會誤導自己?！?

該團隊的目標是找到在10分鐘內(nèi)為電動汽車電池充電的最佳方法，使電池的整體壽命最大化。

無獨有偶，今年3月中旬，美國加州大學河濱分校（UCR）工程師發(fā)表的一項新的研究印證了上述研究的重要性——商用大功率快速充電樁的一個致命弱點會使電動汽車電池受到高溫和電阻的影響，讓電池過早壽終正寢。

參與該研究的工程師Tanner Zerrin在《能源儲存》雜志上發(fā)表的一項研究報告稱，僅25個行業(yè)標準快速充電周期就會毀掉汽車的電池。這對時間緊迫的電動汽車駕駛者當然不是一個好消息，因為對他們來說，只有快速充電才能最大限度地減少花在路上的時間。

快速充電前后出現(xiàn)物理、化學損傷的電動汽車電池

他還說：“快速充電會對鋰離子電池的壽命產(chǎn)生不利影響，因為電池的內(nèi)阻增加，進而產(chǎn)生熱量?！备愀獾氖牵?jīng)過60次充電循環(huán)后，商用方法造成了電池殼破裂，電極和電解液暴露于空氣，增加了火災或爆炸的風險。60攝氏度/140華氏度的高溫加速了這種損傷和風險。

據(jù)了解，在作為新基建核心基礎(chǔ)設(shè)施的充電樁建設(shè)中，并沒有考慮到快速充電對電池損傷的問題，也沒有發(fā)現(xiàn)上下游廠商提供相應(yīng)的解決方案。這不能不說是一個不大不小的隱患。

預測電池健康狀態(tài)，還是人工智能

鋰離子電池憑借其高能量和功率密度實現(xiàn)了現(xiàn)代生活必不可少的多種創(chuàng)新。但是，推進這些技術(shù)進一步發(fā)展的主要絆腳石是電池退化的不可預測性：難以準確預測電池的SOH和剩余使用壽命（RUL），以告知用戶是否應(yīng)該更換電池并避免意外容量衰減。此外，電池預后對于回收行業(yè)至關(guān)重要，以決定電池應(yīng)作為廢舊金屬回收還是用于要求不高的“第二次”應(yīng)用。但是，預測鋰離子電池的SOH和RUL是一項尚未解決的挑戰(zhàn)，限制了電動汽車和消費電子等技術(shù)的發(fā)展。

電池預測的常規(guī)方法依賴于對微觀降解機制的建模，例如，固體電解質(zhì)膜鋰鍍層的生長和活性物質(zhì)損失。盡管提供了物理見解，但是表征和模擬每個降級機制都是不可擴展的。為了克服這一挑戰(zhàn)，最近的研究集中在數(shù)據(jù)驅(qū)動的方法上。該想法是對電池執(zhí)行實時、非侵入性測量，并使用統(tǒng)計機器學習將這些測量與電池健康狀態(tài)相關(guān)聯(lián)，而無需對物理機制進行建模。但是，數(shù)據(jù)驅(qū)動方法的挑戰(zhàn)是定義一組輸入物理信息，并建立可靠的統(tǒng)計模型。

傳統(tǒng)方法是從充放電曲線得出的特征，因為典型BMS會收集電流-電壓數(shù)據(jù)。與通常的電流-電壓數(shù)據(jù)相比，電化學阻抗圖譜（EIS）可以通過測量對電壓擾動的電流響應(yīng)來獲得很寬頻率范圍的阻抗；反之亦然，它包含所有材料特性的豐富信息、界面現(xiàn)象和電化學反應(yīng)。這直接關(guān)系到電池內(nèi)部可能的退化，并且能夠跟蹤電池的狀態(tài)。

但是，將EIS部署到預測性電池診斷中會因圖譜的高維數(shù)而受阻，EIS會在跨越數(shù)十年的頻率范圍內(nèi)記錄阻抗的實部和虛部。盡管質(zhì)變是顯而易見的，但挑出與降解相關(guān)的定量特征仍具有挑戰(zhàn)性?，F(xiàn)有方法可將圖譜縮小為低維特征：通過對等效電路模型進行擬合來解釋圖譜，最新方法是通過機器學習來幫助進行擬合。擬合通常是不唯一的，并且純電氣模型能否捕獲電池的物理、化學和材料特性及過程，或僅專注于精選頻率值仍得懷疑。

機器學習的最新進展無需手動選擇功能就可以將整個數(shù)據(jù)集作為輸入模型，并讓模型選擇最相關(guān)的變量。這些已開發(fā)模型可用于退化診斷，例如使用高斯（Gaussian）過程模型預測未來的容量和SOC，并使用正則化線性模型預測循環(huán)壽命。但是，這些模型都是以充放電曲線為輸入而開發(fā)的。輸入的信息內(nèi)容限制了模型的功能，要根據(jù)電池壽命的早期數(shù)據(jù)來預測電池的后期行為仍然很難。

2020年4月，英國劍橋大學和紐卡斯爾大學的Yunwei Zhang和Qiaochu Tang等研究人員稱，他們利用新的機器學習模式可以為電動汽車、智能手機等移動電子產(chǎn)品開發(fā)更安全可靠的電池。他們在《自然通訊》（Nature Communications）發(fā)表的題為“基于機器學習的鋰離子電池阻抗圖譜退化的模式識別”中表示，將EIS技術(shù)與高斯過程機器學習技術(shù)相結(jié)合，建立了一個精確的電池預測系統(tǒng)。據(jù)稱，其準確度是目前技術(shù)的10倍。

EIS是一種實時、無創(chuàng)、信息豐富的測量技術(shù)，目前在電池診斷中還沒有得到充分應(yīng)用。在不同健康狀態(tài)、充電狀態(tài)和溫度下收集了超過20000個商用鋰離子電池的EIS圖譜，這是所知同類數(shù)據(jù)中最大的數(shù)據(jù)集。其高斯過程模型以整個圖譜為輸入，不需要進一步的特征工程，并自動確定哪些圖譜特征的預測退化。該模型準確地預測了剩余使用壽命，即使不完全了解電池過去的工作條件。其結(jié)果證明了EIS信號在電池管理系統(tǒng)中的價值。

35℃（a）和45℃（b）下循環(huán)的電池預估（紅色）和測得（藍色）容量曲線

EIS-RUL GPR模型僅根據(jù)當前循環(huán)的EIS測量值準確預測在25℃循環(huán)的所有四個測試電池的RUL，而無需先前循環(huán)的EIS測量值。這一結(jié)果表明，其EIS機器學習技術(shù)具有轉(zhuǎn)化為原型BMS的潛力。

預測剩余使用壽命

該方法實現(xiàn)了較低的預測誤差，與BMS中當前跟蹤的信號相比，EIS可以提供有關(guān)電池運行狀況豐富得多的信息，而GPR方法可以有效地利用這些EIS信號。

在電池回收的情況下，電池的診斷更具挑戰(zhàn)性，因為電池的歷史運行狀況（例如溫度）一直在變化。盡管溫度是通過電池模塊或電池組內(nèi)的傳感器測量的，但實際溫度可能會因工作條件下的較大溫度梯度而有很大差異。該研究進一步簡化了溫度為25、35或45℃。我們結(jié)合了在三種不同溫度下獲得的訓練數(shù)據(jù)，實際上迫使GPR學習EIS的特征，而EIS的特征僅取決于容量而不取決于溫度。多溫度模型可以估算出各種溫度下循環(huán)的電池容量。

上述研究表明EIS信號在BMS設(shè)計中具有潛在價值，未來人們可能不需要在很寬的頻率范圍內(nèi)全面掃描就可以獲得與降級有關(guān)的信號，之后可以擴展到循環(huán)溫度隨時間或充放電速率變化等更具挑戰(zhàn)性和現(xiàn)實性的研究。

老司機的經(jīng)驗vs系統(tǒng)預測

現(xiàn)在的情況是，電動汽車駕駛者要根據(jù)自己的經(jīng)驗做出平均能耗的預測，這往往比電動汽車系統(tǒng)給出的預測更準確。不過續(xù)航里程的預測算法正在努力改進，未來有望超過最有經(jīng)驗的老司機。

迄今為止，真正能準確預測電池電量、續(xù)航里程的電動汽車幾乎沒有，有此功能的汽車寥寥。主機廠所推出是只是基于大數(shù)據(jù)的云端行車數(shù)據(jù)監(jiān)控服務(wù)，但并沒有將預測可用續(xù)航里程作為重要賣點。例如，比亞迪元EV的手機APP云服務(wù)包括電量、續(xù)航、能耗值、里程、充電進度等數(shù)據(jù)；雪佛蘭BOLT EV則可根據(jù)時間、地形、天氣情況及車主駕駛習慣預測可用續(xù)航里程，但至今并沒有見到對這一功能的測評；后來的車型再未提及此項功能。

比亞迪元EV的云服務(wù)APP

要說在這方面領(lǐng)先的還是特斯拉。2018年底，特斯拉更新了其Model S用戶手冊，使用了關(guān)于“能量使用預測”的新說法：“計算是基于駕駛風格（預測速度等）和環(huán)境因素（海拔變化、天氣等）等因素的估計值?！痹撚嬎憧梢灶A測車輛到達目的時的電量狀態(tài)，并建議在需要時停車充電。特斯拉的方法是使用海拔、風和車外溫度等數(shù)據(jù)來預測續(xù)航里程。此前，特斯拉已提醒車主：以較高的速度駕駛或大量使用機艙空調(diào)或熱量可能會影響行駛里程。

為了幫助客戶計劃和預測續(xù)航里程，特斯拉分享了一個計算機模型，可在以下情況下模擬預測Model S的行駛距離：

恒定速度（如巡航控制）*

平坦地面/無風*

關(guān)閉氣候控制或僅使用自然通風（無暖氣或空調(diào)）*

300磅的車輛負載（駕駛員加上乘客或貨物）*

關(guān)閉車窗戶和天窗*

輪胎充氣至建議壓力*

新電池組（少于1年，低于25,000英里）

請注意：

作為一名老司機，都了解*項對于續(xù)航里程有一定影響，特別是行駛速度，不管是燃油汽車還是電動汽車。當然，前者使用暖氣不會有什么影響。

最先發(fā)現(xiàn)“能量使用預測”的Model S車主是Keith Trice，他根據(jù)熟悉的路線——從芝加哥開車到密歇根州——對其進行了測試。他記得，在一些類似的天氣里，Model S旅行計劃器預測到達中途超級充電站時大約還剩50％電量。而在寒冷天氣中測試這條路線時，Model S旅行計劃器預計到達同一充電站將使用63％的電量（剩余37％），實際結(jié)果八九不離十。這意味著該系統(tǒng)能夠在寒冷天氣中較準確地預測耗電量和可用續(xù)航里程，有助于消除用戶的續(xù)航焦慮。

特斯拉正在努力實現(xiàn)這一目標，其他主機廠呢？難道這不是一個重要“賣點”嗎？

如果電動汽車能像手機一樣準確預測電池健康狀態(tài)和剩余使用壽命，里程焦慮就會成為過去。你既可以保護環(huán)境，又不必擔心中途拋錨。真是那樣，也許不久你就會買一輛電動汽車！