電池管理系統(tǒng)算法綜述

羅承東，呂桃林，解晶瑩，付詩(shī)意，吳 磊

(上海空間電源研究所，上海201100)

電池管理系統(tǒng)(BMS)指使用各種方法對(duì)電池進(jìn)行管理維護(hù)的控制系統(tǒng)，其中SOC和SOH 是BMS 的核心功能，行業(yè)技術(shù)的難點(diǎn)和國(guó)際研究的重點(diǎn)普遍放在高精度、強(qiáng)魯棒性的SOC和SOH 估計(jì)上，本文將以電動(dòng)汽車(chē)的動(dòng)力電池系統(tǒng)的管理為例，重點(diǎn)闡述SOC和SOH 兩方面的研究現(xiàn)狀。

BMS 系統(tǒng)的建模是整個(gè)系統(tǒng)的出發(fā)點(diǎn)，由于電池系統(tǒng)電化學(xué)反應(yīng)復(fù)雜，影響因素多，用數(shù)學(xué)模型描述此系統(tǒng)存在較大困難，目前BMS 建模主要分為電模型和熱模型。常見(jiàn)的電模型包括電化學(xué)模型、等效電路模型、數(shù)據(jù)驅(qū)動(dòng)的模型等。而熱模型包括產(chǎn)熱模型、熱傳導(dǎo)模型、降階熱模型。由于電模型和熱模型存在極強(qiáng)耦合關(guān)系，一般將二者聯(lián)合建模。

電池的電化學(xué)模型始于University of California,Berkeley的M.Doyle 等建立的P2D(pseudo-two-dimensions)模型，其構(gòu)建用若干偏微分方程和代數(shù)方程精準(zhǔn)描述電池內(nèi)部鋰離子的擴(kuò)散和遷移、活性粒子表面電化學(xué)規(guī)律，以及物理學(xué)的歐姆定律、電荷守恒等，其特點(diǎn)是描述精準(zhǔn)，能夠準(zhǔn)確反映物理化學(xué)原理，但運(yùn)算量極大，對(duì)BMS 的運(yùn)算力要求較高。為解決運(yùn)算量問(wèn)題，目前有一種將電化學(xué)模型嵌入BMS 系統(tǒng)的模型實(shí)現(xiàn)方案[1]。此外。在適當(dāng)?shù)募僭O(shè)條件下，可以用降階模型逼近全階電化學(xué)模型。例如，HAN 等[2]提出了一種近似法獲取電池的固相擴(kuò)散和電解質(zhì)濃度分布，建立一種簡(jiǎn)化的基于物理的電化學(xué)模型來(lái)估計(jì)鋰離子電池的SOC。ZOU 等[3]提出了一種磷酸鐵鋰電池降階電化學(xué)模型，用于預(yù)測(cè)不同條件下的放電容量，并基于該降階電池模型實(shí)現(xiàn)了較為穩(wěn)定的SOC估計(jì)。雖然在降階的過(guò)程中會(huì)有信息丟失，但其計(jì)算量低的特點(diǎn)更適用于實(shí)際場(chǎng)合。

電池的等效電路模型結(jié)構(gòu)簡(jiǎn)單，模型參數(shù)相對(duì)較少，在電池在線監(jiān)測(cè)中應(yīng)用廣泛。等效電路模型是由n個(gè)RC 并聯(lián)網(wǎng)絡(luò)串聯(lián)而成的，目前運(yùn)用較多的模型為一階及二階RC 模型，一般無(wú)必要運(yùn)用高階的RC 模型進(jìn)行估測(cè)。NEJAD 等[4]對(duì)常用的電池集總參數(shù)等效電路模型進(jìn)行了評(píng)述。經(jīng)比較，在SOC和功率預(yù)測(cè)方面，RC 網(wǎng)絡(luò)模型具有更好的動(dòng)態(tài)性能。

數(shù)據(jù)驅(qū)動(dòng)模型集中于得到電池輸入和輸出信號(hào)之間的關(guān)系。許多數(shù)據(jù)模型，如神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)(SVM)被用來(lái)描述沒(méi)有先驗(yàn)輸入的電池電化學(xué)動(dòng)態(tài)過(guò)程。電池?cái)?shù)據(jù)驅(qū)動(dòng)模型的精確度在很大程度上依賴(lài)于測(cè)試數(shù)據(jù)和訓(xùn)練方法。為了獲得可接受的模型精度和良好的泛化能力，測(cè)試數(shù)據(jù)需要覆蓋足夠的電池運(yùn)行范圍，訓(xùn)練方法中的參數(shù)亦需進(jìn)行調(diào)整。此外，使用自適應(yīng)數(shù)據(jù)驅(qū)動(dòng)方法可以獲得更好的電池建模結(jié)果。

電池的熱模型始于1985年BERNARDI 等[5]關(guān)于電池能量以各種熱能損失的一系列研究，此后SATO 等將電池產(chǎn)熱分為反應(yīng)熱、極化熱和焦耳熱[6]，WILLIFORD 等[7]詳細(xì)探究了電池正負(fù)極材料與發(fā)熱機(jī)理的關(guān)系，在這些理論基礎(chǔ)上，演變出電池的熱模型、熱-電耦合、熱-電化學(xué)耦合模型等。單純的熱模型常用來(lái)解釋電池?zé)醾鲗?dǎo)現(xiàn)象，電熱耦合模型結(jié)合電路原理，將電池抽象成為若干電阻、電容、電感和理想電源組合成的電路，應(yīng)用電路原理來(lái)計(jì)算其產(chǎn)熱，熱-電化學(xué)耦合模型則考慮電池內(nèi)部的電化學(xué)反應(yīng)原理，包括電極反應(yīng)、固相擴(kuò)散、離子傳輸?shù)取追N模型中熱-電化學(xué)耦合模型精度高、計(jì)量細(xì)化，但計(jì)算量大，常用于揭示電化學(xué)機(jī)理的研究，熱-電模型精度略低，但計(jì)算簡(jiǎn)單。熱模型由于只考慮熱量，其計(jì)算量小，常用于單體電池的熱量估計(jì)。

1 SOC 研究概述

SOC表示在相同情況下剩余電池容量占總?cè)萘康陌俜直?。?zhǔn)確的SOC估計(jì)對(duì)于監(jiān)控現(xiàn)有容量狀態(tài)，進(jìn)一步保證電池的安全健康運(yùn)行至關(guān)重要。目前對(duì)于SOC的分類(lèi)主要是：基于表征參數(shù)的方法、安時(shí)積分法、基于模型的方法、基于數(shù)據(jù)驅(qū)動(dòng)的方法。數(shù)據(jù)驅(qū)動(dòng)的SOC估計(jì)方法不考慮電化學(xué)原理，通過(guò)處理器分析大量數(shù)據(jù)來(lái)建立的在更短的開(kāi)發(fā)時(shí)間、有限的電池材料特性和復(fù)雜的化學(xué)反應(yīng)知識(shí)下估算SOC。近年來(lái)，深度學(xué)習(xí)等先進(jìn)數(shù)據(jù)驅(qū)動(dòng)算法的發(fā)展，在提高SOC估計(jì)精度方面取得了很大進(jìn)展，具有更好的泛化性能、更好的學(xué)習(xí)能力、更高的精度和更快的收斂速度。然而，數(shù)據(jù)驅(qū)動(dòng)方法的準(zhǔn)確性取決于數(shù)據(jù)的質(zhì)量和數(shù)量，若數(shù)據(jù)量不足則會(huì)產(chǎn)生過(guò)擬合問(wèn)題。

1.1 卡爾曼濾波法

卡爾曼濾波法是SOC估計(jì)的主流算法，嚴(yán)格來(lái)說(shuō)屬于模型估計(jì)的范疇，傳統(tǒng)標(biāo)準(zhǔn)卡爾曼濾波適用于線性系統(tǒng)，對(duì)于鋰電池組這一非線性系統(tǒng)，已有多種方法對(duì)其進(jìn)行估計(jì)。EKF(extended Kalman filter)即擴(kuò)展卡爾曼濾波，彌補(bǔ)標(biāo)準(zhǔn)卡爾曼濾波在非線性系統(tǒng)的缺陷，其基本思路是在SOC預(yù)測(cè)之后加入一個(gè)校正環(huán)節(jié)，按照反饋增益、狀態(tài)校正、更新誤差協(xié)方差這幾個(gè)方面來(lái)讓SOC估計(jì)更加精確[8]。文獻(xiàn)[9]提出了強(qiáng)跟蹤卡爾曼濾波方法，一定程度上解決了傳統(tǒng)擴(kuò)展卡爾曼濾波模型簡(jiǎn)化導(dǎo)致的在電流突變時(shí)對(duì)狀態(tài)變量跟蹤效果不佳的問(wèn)題。

EKF 的不足是將非線性函數(shù)線性化，略去泰勒級(jí)數(shù)的二階及二階以上展開(kāi)項(xiàng)，引起SOC估計(jì)誤差。針對(duì)EKF 在進(jìn)行電池狀態(tài)方程非線性變換時(shí)采用一階近似導(dǎo)致的SOC估算誤差，文獻(xiàn)[10]提出了一種基于近似二階EKF 的鋰離子電池SOC估算依據(jù)電池放電動(dòng)態(tài)特性辨識(shí)電池二階RC 模型參數(shù)，建立了基于二階RC 模型的電池SOC估算非線性離散狀態(tài)空間方程，在模型上有所改進(jìn)。

文獻(xiàn)[11]研究了UKF(無(wú)跡卡爾曼濾波)在估算鋰電池SOC中的應(yīng)用，UKF 是一種非線性濾波，應(yīng)用無(wú)跡變換，采樣點(diǎn)確定在估計(jì)點(diǎn)附近，樣本點(diǎn)逼近狀態(tài)向量后驗(yàn)概率密度函數(shù)的均值和協(xié)方差，不會(huì)因?yàn)榫€性化導(dǎo)致跟蹤誤差，具有高精度和簡(jiǎn)易性。文獻(xiàn)[12]的新型魯棒UKF 針對(duì)動(dòng)力電池SOC估計(jì)過(guò)程中，電壓觀測(cè)數(shù)據(jù)容易出現(xiàn)野值干擾的問(wèn)題，將觀測(cè)噪聲模型修正為歸一化受污染正態(tài)分布模型，利用Bayes'theorem 計(jì)算野值出現(xiàn)的后驗(yàn)概率，以此作為加權(quán)系數(shù)自適應(yīng)地調(diào)整濾波增益和狀態(tài)協(xié)方差。文獻(xiàn)[13]也提出一種改進(jìn)的無(wú)跡卡爾曼濾波方法，引入基于殘差特性的異常狀態(tài)檢測(cè)機(jī)制，異常狀態(tài)下采用改進(jìn)的自適應(yīng)衰減因子修正UKF 算法測(cè)量更新部分的相關(guān)協(xié)方差矩陣，以電池復(fù)合模型為基礎(chǔ)，應(yīng)用遞推最小二乘法辨識(shí)電池參數(shù)。文獻(xiàn)[14]在無(wú)跡卡爾曼的基礎(chǔ)上提出了雙層無(wú)跡卡爾曼濾波，內(nèi)外兩層濾波均為UKF，給前一個(gè)時(shí)刻的后驗(yàn)密度函數(shù)一個(gè)帶有權(quán)值的采樣點(diǎn)，其內(nèi)層仍舊采用UKF 算法，每個(gè)采樣點(diǎn)持續(xù)更新，并用最新的量測(cè)值對(duì)采樣點(diǎn)的權(quán)值進(jìn)行更新;然后將各個(gè)采樣點(diǎn)進(jìn)行加權(quán)融合,得到了初始的估計(jì)值;最后用外層UKF 算法的更新機(jī)制對(duì)初始估計(jì)值進(jìn)行更新得到最終的估計(jì)值，雙層UKF思路較新，對(duì)改進(jìn)卡爾曼濾波的思路具有啟發(fā)作用。

1.2 BP 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)法

BP 神經(jīng)網(wǎng)絡(luò)由RUMELHART 和MCLELLAND 等人提出，是應(yīng)用最廣泛的多層前饋神經(jīng)網(wǎng)絡(luò)，若采用單一的BP 神經(jīng)網(wǎng)絡(luò)估算SOC，容易陷入局部最優(yōu)化的問(wèn)題。文獻(xiàn)[15]提出了一種改進(jìn)的ACO-BP 算法，此文擬通過(guò)改進(jìn)ACO 算法的全局信息素更新規(guī)則來(lái)避免蟻群陷入局部最優(yōu)解，改進(jìn)的全局信息素更新規(guī)則是：通過(guò)增強(qiáng)蟻群目前最優(yōu)解的信息素，削弱之前局部最優(yōu)解信息素的方法，可以避免蟻群算法陷入局部最優(yōu)解的問(wèn)題，在蟻群生成路徑之后再訓(xùn)練BP。

1.3 基于向量機(jī)的預(yù)測(cè)方法

相關(guān)向量機(jī)是一種監(jiān)督學(xué)習(xí)方法，由MICNACL 于2000年提出，文獻(xiàn)[16]提出了一種基于增量學(xué)習(xí)相關(guān)向量機(jī)的鋰離子電池SOC預(yù)測(cè)方法，在所研究的IRVM 算法中，僅將RVM 的相關(guān)向量與新增的樣本構(gòu)成訓(xùn)練樣本，重新訓(xùn)練RVM 模型，即設(shè)計(jì)實(shí)現(xiàn)改進(jìn)的IRVM 算法。文獻(xiàn)[17]提出了針對(duì)SVM 的新算法，同時(shí)解決神經(jīng)網(wǎng)絡(luò)容易陷入局部最優(yōu)的問(wèn)題，從理論上講，其得到的是全局最優(yōu)解。支持向量機(jī)提供了一種通過(guò)直接使用該空間的內(nèi)積函數(shù)(核函數(shù))來(lái)避免高維空間復(fù)雜性的方法，然后利用線性可分條件下的求解方法直接求解相應(yīng)的高維空間。當(dāng)核函數(shù)已知時(shí)，它可以簡(jiǎn)化解決高維空間問(wèn)題的難度。

2 SOH 研究概述

SOH 也是BMS 的核心功能，其功能是評(píng)價(jià)電池健康狀況老化程度的量化指標(biāo)，大致可分為四類(lèi)，基于物理的模型、經(jīng)驗(yàn)?zāi)Ｐ?、?shù)據(jù)驅(qū)動(dòng)法和基于容量增量(incremental capacity analysis，ICA)分析法。與SOC估計(jì)類(lèi)似，數(shù)據(jù)驅(qū)動(dòng)法由于其無(wú)需依靠模型受到廣泛關(guān)注，而對(duì)訓(xùn)練數(shù)據(jù)質(zhì)量和數(shù)量有較高要求。ICA 近年來(lái)也是估計(jì)SOH 的有效工具，在恒流充電條件下，通過(guò)區(qū)分充電容量與其電壓之間的關(guān)系，電壓曲線上的電壓值可以轉(zhuǎn)化為IC 曲線上容易識(shí)別的峰值。不同周期下IC 曲線的峰值位置、振幅和包絡(luò)面積可用于預(yù)測(cè)電池SOH[18]。

在線的數(shù)據(jù)驅(qū)動(dòng)SOH 估計(jì)方法如支持向量機(jī)、神經(jīng)網(wǎng)絡(luò)法、卡爾曼濾波法等。離線估計(jì)方法主要包括:容量法、內(nèi)阻法、電化學(xué)阻抗法和雙脈沖放電負(fù)載法。由于離線估計(jì)存在可操作性不理想和估算誤差較大等缺陷，在線估計(jì)算法得到了迅速發(fā)展。在線估計(jì)主要包括卡爾曼濾波法、神經(jīng)網(wǎng)絡(luò)法、支持向量機(jī)法和模糊邏輯推理法等。

2.1 粒子群算法

文獻(xiàn)[19]是北理工南金瑞等提出的一種基于粒子群算法估計(jì)實(shí)際工況下鋰電池SOH 的算法，建立了電動(dòng)汽車(chē)實(shí)際運(yùn)行工況下充電曲線特征與電池健康度的線性模型。輔以電池經(jīng)驗(yàn)容量模型，使之符合監(jiān)督學(xué)習(xí)的實(shí)際情況并能夠用計(jì)算機(jī)對(duì)參數(shù)進(jìn)行擬合。以NASA 電池老化數(shù)據(jù)建立訓(xùn)練集與驗(yàn)證集，對(duì)模型進(jìn)行訓(xùn)練，在確定初值之后使用粒子群算法。

2.2 基于HI-DD-AdaBoost.RT 的鋰離子動(dòng)力電池SOH 預(yù)測(cè)

文獻(xiàn)[20]提出的基于HI-DD-AdaBoost.RT(基于Hoeffding不等式的漂移檢測(cè)的自適應(yīng)增強(qiáng)學(xué)習(xí)，RT 代表閾值回歸)的鋰離子動(dòng)力電池SOH 預(yù)測(cè)，該方法針對(duì)目前SOH 的在線預(yù)測(cè)需求，以增量學(xué)習(xí)為主，在其基礎(chǔ)上進(jìn)行SOH 在線預(yù)測(cè)，引入了漂移概念，提出Hoeffding 不等式和滑動(dòng)窗口結(jié)合的HIDD 算法，該算法檢測(cè)的結(jié)果有助于確定模型的更新位置，為提高預(yù)測(cè)精度，結(jié)合AdaBoost.RT 集成算法，提出了一種HIDD-AdaBoost.RT 在線學(xué)習(xí)算法，經(jīng)過(guò)仿真該種方法可以有效實(shí)時(shí)監(jiān)測(cè)電池的在線狀態(tài)，且具有歷史數(shù)據(jù)遺忘能力，有利于電池的循環(huán)使用。

2.3 卡爾曼濾波法

文獻(xiàn)[21]結(jié)合了前文提及的UKF 研究SOC的方法，提出自適應(yīng)無(wú)跡卡爾曼濾波方法，即AUKF，將估計(jì)狀態(tài)的UKF與估計(jì)電池歐姆內(nèi)阻的擴(kuò)展卡爾曼濾波結(jié)合使用，建立循環(huán)迭代關(guān)系。已知模型參數(shù)估計(jì)電池狀態(tài)，然后將電池狀態(tài)作為已知量，辨識(shí)模型參數(shù)，以此類(lèi)推進(jìn)行遞推運(yùn)算，具有很好的自適應(yīng)特性。應(yīng)用AUKF 辨識(shí)時(shí)變電池系統(tǒng)的歐姆內(nèi)阻，再使用內(nèi)阻法估計(jì)電池SOH，得到了較為精確的預(yù)測(cè)結(jié)果。

文獻(xiàn)[22]是對(duì)標(biāo)準(zhǔn)卡爾曼濾波的又一改進(jìn)，應(yīng)用了雙卡爾曼濾波法，使用戴維南等效模型對(duì)電路進(jìn)行建模，在EKF已經(jīng)能適用鋰電池組這一非線性系統(tǒng)基礎(chǔ)上，使用雙拓展卡爾曼濾波法同時(shí)估計(jì)SOC和SOH，其中一個(gè)擴(kuò)展卡爾曼濾波器估計(jì)SOC稱(chēng)為參數(shù)估計(jì)，另外一個(gè)估計(jì)當(dāng)前時(shí)刻的額定容量，最終通過(guò)容量定義公式，計(jì)算得到當(dāng)前時(shí)刻的SOH。

2.4 多因子預(yù)測(cè)方法

傳統(tǒng)SOH 預(yù)測(cè)僅用電池歐姆內(nèi)阻作為單因子評(píng)估指標(biāo)，存在較大誤差，為解決此問(wèn)題，文獻(xiàn)[23]使用一種利用電池歐姆內(nèi)阻、極化內(nèi)阻與極化電容共3 個(gè)模型參數(shù)構(gòu)建的多因子評(píng)估模型，使用一階RC 等效電路模型，在多因子估計(jì)中給不同的因子分配了不同權(quán)重，采用帶約束條件的最小二乘算法，對(duì)多個(gè)因子模型進(jìn)行求解，能實(shí)時(shí)得到電池的綜合健康狀態(tài)，該算法能夠計(jì)算出模型中不同參數(shù)對(duì)SOH 影響之權(quán)重，對(duì)鋰離子電池SOH 的估算較為準(zhǔn)確，其誤差低至1%。

3 動(dòng)力電池系統(tǒng)壽命預(yù)測(cè)研究概述

動(dòng)力電池系統(tǒng)壽命預(yù)測(cè)也是動(dòng)力電池控制系統(tǒng)的一個(gè)重要部分，RUL 預(yù)測(cè)是指在一定的充放電制度下，動(dòng)力電池的最大可用容量衰減到某一規(guī)定的實(shí)效閾值時(shí)所需要經(jīng)歷的循環(huán)周期數(shù)。目前，數(shù)據(jù)驅(qū)動(dòng)是動(dòng)力電池RUL 預(yù)測(cè)的主要手段，其核心在于對(duì)容量衰減軌跡和歷史數(shù)據(jù)的挖掘、提煉和推廣,其主要方法分為經(jīng)驗(yàn)預(yù)測(cè)法、濾波預(yù)測(cè)法、時(shí)間序列預(yù)測(cè)法。

3.1 經(jīng)驗(yàn)預(yù)測(cè)法

經(jīng)驗(yàn)預(yù)測(cè)法假設(shè)動(dòng)力電池的容量衰減遵循某種固有的數(shù)學(xué)關(guān)系，以數(shù)據(jù)擬合的思想用多次試探的方法以不同的數(shù)學(xué)表達(dá)式嘗試和電池容量衰減軌跡進(jìn)行反復(fù)擬合，采用擬合效果最佳的一條曲線，將該曲線的數(shù)學(xué)表達(dá)式作為動(dòng)力電池的壽命預(yù)測(cè)的經(jīng)驗(yàn)?zāi)Ｐ?，在這個(gè)主要思路下，常見(jiàn)的有單指數(shù)模型、雙指數(shù)模型、線性模型、多項(xiàng)式模型和Verhulst 模型等。

經(jīng)驗(yàn)預(yù)測(cè)法具有良好的在線運(yùn)算能力，但較差的預(yù)測(cè)性能難以滿足電動(dòng)汽車(chē)的實(shí)際需求，濾波預(yù)測(cè)法可以改善該方法的精度和收斂性，但又增加了算法對(duì)模型的依賴(lài)性和計(jì)算的復(fù)雜程度，Box-Cox 變換較好地解決了這一問(wèn)題[24-25]。

Box-Cox 可應(yīng)用在RUL 的函數(shù)估計(jì)擬合，使用一個(gè)簡(jiǎn)單的變換系數(shù)將非線性動(dòng)力電池容量衰減軌跡線性化，有效降低RUL 預(yù)測(cè)難度。提取動(dòng)力電池歷史容量數(shù)據(jù)進(jìn)行Box-Cox變換，得到線性化的軌跡，再對(duì)線性化的軌跡進(jìn)行線性擬合，經(jīng)過(guò)實(shí)驗(yàn)得到的結(jié)果來(lái)看，具有較為準(zhǔn)確的在線預(yù)測(cè)性能。

3.2 濾波預(yù)測(cè)法

濾波預(yù)測(cè)法在目前的RUL 預(yù)測(cè)中應(yīng)用最廣，其特點(diǎn)是能夠根據(jù)實(shí)際監(jiān)測(cè)的數(shù)據(jù)實(shí)時(shí)更新RUL 模型的參數(shù)。使用的濾波方法包含了卡爾曼濾波、擴(kuò)展卡爾曼濾波、無(wú)跡卡爾曼濾波、粒子濾波等。且這些方法相互結(jié)合，在具體的應(yīng)用場(chǎng)景中有較好的效果，如文獻(xiàn)[26]的工作將支持向量回歸與粒子濾波結(jié)合，卡爾曼濾波與粒子群算法相結(jié)合[27]等。

3.3 時(shí)間序列預(yù)測(cè)法

鋰電池的剩余壽命從數(shù)學(xué)上分析可以等效為一個(gè)時(shí)間序列模型，在數(shù)學(xué)上，時(shí)間序列模型的核心思想是用過(guò)去時(shí)間序列的發(fā)展規(guī)律定量推測(cè)未來(lái)量的發(fā)展趨勢(shì)，目前常用來(lái)RUL 預(yù)測(cè)的模型有灰色預(yù)測(cè)、自回歸移動(dòng)、神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)、相關(guān)向量機(jī)等。循環(huán)神經(jīng)網(wǎng)絡(luò)(recurrent neural network,RNN)專(zhuān)門(mén)用于處理序列數(shù)據(jù)，因?yàn)槠渚哂锌梢源砝匣畔⒌膬?nèi)部狀態(tài)。遞歸網(wǎng)絡(luò)中的循環(huán)允許它在一段時(shí)間內(nèi)保存關(guān)于過(guò)去輸入的信息，這段時(shí)間不是先驗(yàn)固定的，而是取決于它的權(quán)重和輸入數(shù)據(jù)。Liu 等基于NASA 的鋰離子電池退化數(shù)據(jù)，驗(yàn)證了自適應(yīng)RNN 比RVM 和PF 方法等經(jīng)典訓(xùn)練算法具有更好的學(xué)習(xí)能力。REZVANI 等[28]同時(shí)使用RNN 和線性預(yù)測(cè)誤差法(L-PEM)進(jìn)行電池容量估計(jì)和RUL預(yù)測(cè)。他們觀察到RNN 提供了更準(zhǔn)確的一步預(yù)測(cè)能力，而LPEM 顯示了更準(zhǔn)確的RUL 預(yù)測(cè)。出現(xiàn)梯度消失問(wèn)題時(shí)，RNN將無(wú)法再學(xué)習(xí)，解決此問(wèn)題的方法是引入LSTM。

LSTM(long short-term memory，長(zhǎng)短期記憶)RNN 是由Sepp Hochreiter 和Jürgen Schmidhuber 提出的一種具有深度學(xué)習(xí)能力的循環(huán)神經(jīng)網(wǎng)絡(luò)。LSTM 是一種深度學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)，它被明確設(shè)計(jì)用于學(xué)習(xí)長(zhǎng)期依賴(lài)關(guān)系。通過(guò)引入遺忘門(mén)、輸入門(mén)等結(jié)構(gòu)，它能夠長(zhǎng)時(shí)間地記住信息[29]。遺忘門(mén)能夠丟棄冗余信息;輸入門(mén)能夠用密鑰選擇存儲(chǔ)在內(nèi)部設(shè)備中的信息。在這種情況下，LSTM RNN 能夠在較長(zhǎng)時(shí)間內(nèi)有效地存儲(chǔ)和更新關(guān)鍵信息，且梯度不會(huì)消失。

4 總結(jié)與展望

建立電池管理系統(tǒng)(BMS)的難點(diǎn)在于電池的原理包含相對(duì)復(fù)雜的電化學(xué)現(xiàn)象，其參數(shù)隨時(shí)間的推移而降低，并隨制造商的不同而變化。此外，通常用來(lái)驅(qū)動(dòng)和監(jiān)測(cè)、控制這些系統(tǒng)的內(nèi)部狀態(tài)的傳感器是十分有限的，因此，電池管理系統(tǒng)需要先進(jìn)的識(shí)別、估計(jì)和控制算法。本文概述了動(dòng)力電池管理系統(tǒng)建模、SOC、SOH、RUL 預(yù)測(cè)等主流算法，隨著目前進(jìn)行數(shù)據(jù)處理和運(yùn)算的芯片性能加強(qiáng)，由于數(shù)據(jù)驅(qū)動(dòng)法無(wú)需深究其內(nèi)部電化學(xué)原理，開(kāi)發(fā)難度較低，在未來(lái)的一段時(shí)間仍將成為研究的熱點(diǎn)方向。數(shù)據(jù)驅(qū)動(dòng)目前的難點(diǎn)和亟待研究的方向如下：

(1)多電池的均衡管理。以動(dòng)力電池為例，一個(gè)電池系統(tǒng)往往包含數(shù)百塊鋰電池，多次充放電后其電芯狀態(tài)不一致和SOC不平衡，開(kāi)發(fā)有效的控制算法來(lái)發(fā)揮所有單體電池的性能至關(guān)重要。

(2)嵌入式BMS 硬件的實(shí)現(xiàn)。目前BMS 算法已經(jīng)在CPU和主流操作系統(tǒng)上得到廣泛的驗(yàn)證和實(shí)現(xiàn)，但應(yīng)用方面在各嵌入式原型硬件上的研究還不全面，由于代碼編寫(xiě)和運(yùn)行庫(kù)調(diào)用等原因，主流的硬件無(wú)法實(shí)現(xiàn)較復(fù)雜的估計(jì)算法。

(3)云端存儲(chǔ)、大數(shù)據(jù)和物聯(lián)網(wǎng)等技術(shù)可以進(jìn)一步提高數(shù)據(jù)驅(qū)動(dòng)的BMS 的SOC估計(jì)方法的執(zhí)行力。以電動(dòng)汽車(chē)動(dòng)力電池為例，將電池的電壓、電流、SOC、溫度等參數(shù)和故障信息上傳至云端，其獲得的大量訓(xùn)練數(shù)據(jù)有助于提高神經(jīng)網(wǎng)絡(luò)等學(xué)習(xí)算法的精度。

(4)鋰離子電池的電壓和容量會(huì)隨著充放電循環(huán)次數(shù)的增加而老化，對(duì)于SOC的估計(jì)誤差也會(huì)隨著循環(huán)次數(shù)的增加而變大。目前僅有HANNAN 和CHAOUI[30-31]等在數(shù)據(jù)驅(qū)動(dòng)中將老化周期考慮在內(nèi)，為提高精度，在模型中加入循環(huán)次數(shù)和老化機(jī)制是有必要的。