Joule期刊：AI技术在电池管理系统中对电池性能的作用

　　电池管理系统对电池的作用就像大脑对于人，一个好的电池管理系统会提前判断电量、电池安全甚至协调电池组使其工作效率寿命提高。但是电池管理是一个复杂的高维非线性空间的函数，引入AI可能对其有较好的解决，我们发现，joule过去半年发表了四篇关于AI结合BMS的文章（两篇研究型论文，一篇观点，一篇综述），现在一一回顾~

　　首先是DavidA.Howey这篇观点性文章：从现场的电池数据来预测！现在大部分文献中所模拟、预测的数据都是恒温产生，甚至是恒电流的产生的，其给出的模型也是基于这一点生效的，脱离了恒温恒流来预测的误差将非常大，特别是用户处于不同的环境、使用的习惯差异会导致预测出错。为此，作者提出现场预测电池性能并分析了物理模型和数据驱动预测电池寿命的优缺点，认为结合物理模型的数据驱动会更有利于实时现场预测。此外作者阐述了二次利用电池存在的问题。

　　加拿大陈忠伟院士发表关于大规模使用电动汽车中人工智能所起的作用的综述，作者认为AI可以在电动车电源管理、充电站甚至是智能电网都有应用。包括（1）优化电池材料和设计降低电池制作成本；（2）通过行车状态精确预测里程从而消除消费者里程焦虑；（3）在电动车辅助系统中使用人工智能提高能源使用率；（4）云+自动驾驶，提高交通运行能力和安全性；（5）充电站选址和能源调度的优化……

　　作者从生成环节（电池材料的筛选和优化）、使用管理环节（电池BMS以及根据现场状况优化电池输出和电动驱动系统）和服务环节（充电站选址和电网调度）等进行详细论述。

　　综上，电池的寿命预测对电池发展起到非常重要的作用，特别是一些新的电池体系和新的充放电协议，准确评估电池的状态和寿命无论对消费者购买意愿、电池厂售后保障和回收管理都有着重要意义。但是实际的电池寿命测试是一个高耗时高成本的问题，不仅仅受到电池的制造过程中均一性（也就是同一批次电池的差异和不同批次电池差异）的影响，也受到消费者使用情况的影响（不同的消费者、不同地区的消费者在使用电池习惯上都有显著差异），这就要求对电池进行大量长循环评估以便确定电池性能和寿命预估，这种高成本、高耗时的过程严重制约着电池的发展特别是新型电池体系如硅负极、富锂正极的商业化。下面介绍两篇结合数据驱动预测电池寿命的文章。

　　AndrewWeng等人通过低SOC态的电阻RLS来预测寿命，作者从数据和物理层次阐述了选择此参数的可靠性：与寿命存在关联性（-0.84），从物理角度上看，低SOC表示放电态的电池性能，而对于NMC之类的正极，锂损失与放电态的正极含量对应的，锂在负极侧SEI损失越多，回来的越少，因此电池电导率存在较大差异，使用RLS可以较好描述。最后作者也强调对于正极不是主要锂源时，其结果可能不太可信。

　　与前者不同，麻省理工RichardD.Braatz团队通过将早期寿命预测与层次贝叶斯模型(HBM)相结合来实现这一目标，在不需要大量重复测试的情况下快速预测性能（寿命分布）。该方法应用于包括29种不同的快速充电协议的LiFePO4/石墨的综合数据集。仅层次贝叶斯模型就提供了较高的协议寿命预测性能:在使用一个电池循环至故障时，总体测试平均出错率为6.5%。将层次贝叶斯模型与电池寿命预测模型相结合，仅使用3周循环测试数据就获得8.8%的测试误差。此外，还证明了HBM方法在NMC/石墨电池中的适用性。

　　总结，在电动车即将大规模应用的今天，如何正确预测电池状态，消除消费者里程焦虑和安全性顾虑是电动车发展的重点，或许AI可以协助。来源：能源学报