电池管理:估计荷电状态

电池管理系统对一节电芯只知道两件事:流过的电流有多大,端子上的电压是多少。两者都不是荷电状态。电流只有在电流传感器说真话时才能给出电量,而它从不告诉你它是否在说真话。电压能透露一些信息,但要通过一条曲线,而这条曲线并不直。

本案例构建真实 BMS 中运行的估计器:一个扩展卡尔曼滤波器,同时观测两路信号,学习其中不可信那一路的偏置,并在给出电量的同时给出自身的不确定度。

电芯

一节 18650 锂离子电芯,用戴维南等效电路表示:一个欧姆电阻、一个极化支路,以及随电量变化的开路电压。

V=VOC(SOC)−V1−R0IdSOCdt=−I3600 Qcap,dV1dt=−V1τ+IC1V = V_{OC}(SOC) - V_1 - R_0 I \qquad \frac{dSOC}{dt} = -\frac{I}{3600\,Q_{cap}}, \qquad \frac{dV_1}{dt} = -\frac{V_1}{\tau} + \frac{I}{C_1}

下面四个数是演算示例,不是数据手册。松下 NCR18650B 的手册给出最小容量 3.25 Ah,内阻上限 100 mΩ,因此 3.20 Ah 和 0.05 Ω 都不是从手册摘录的。它们是为采样而选,而不是为某节电芯而选:一个极点位于 0.05 rad/s,每个时间常数 20 个采样点。

参数含义数值
QcapQ_{cap}容量3.20 Ah3.20\ \text{Ah}
R0R_0欧姆电阻0.05 Ω0.05\ \Omega
R1R_1极化电阻0.02 Ω0.02\ \Omega
C1C_1极化电容1000 F1000\ \text{F}
τ=R1C1\tau = R_1C_1极化时间常数20 s20\ \text{s}

两个状态。其中一个——极化电压 V1V_1——很简单,因为它只是端电压与"按电量推算的读数"之差。另一个才是难题:电量没有表盘可看。

为什么只靠计数不够

用 Integrator 模块对电流积分,除以容量,再从初值中减去。没有模型、没有曲线、没有要整定的参数,最初一小时看起来完美无缺。

问题在于:测量仪表不是电芯。电流传感器的误差会变成永远回不来的电量:

d SOCerrdt=δI3600 Qcap\frac{d\,SOC_{err}}{dt} = \frac{\delta I}{3600\,Q_{cap}}

漂移速率取决于以安培计的绝对偏置 δI\delta I 和容量,与负载大小无关。

负载传感器偏置δI\delta I漂移
2 A2 %0.04 A每小时 1.25 %
10 A2 %0.20 A每小时 6.25 %
10 A5 %0.50 A每小时 15.6 %
2 A10 %0.20 A每小时 6.25 %
10 A10 %1.00 A每小时 31.3 %

最后两行是要点,前两行是陷阱。负载越大,同样的百分比偏置对应的绝对偏置越大,所以表格看起来像是漂移随负载增长。若绝对偏置固定为 0.20 A,无论负载是 2 A 还是 10 A,漂移都是每小时 6.25 %。分流器的精度以百分比标注,这正是这里容易出错的原因。

由此得出两点。漂移是一条斜坡,在 0…100 % 的电量坐标轴上看不出来——绝对电量曲线始终显得完美,而这恰恰就是失效所在。并且没有哪种负载能让这个数字变小;诚实的答案不是更温和的电流,而是对电量的第二种判断。

电压透露了什么

撤掉电流,电芯会静置下来。极化电压衰减,端子上剩下的就是开路电压——只与电量有关的函数。

V=VOC(SOC)V = V_{OC}(SOC)

在仿真中,这一非线性关系用一维 LookupTable 模块(三次或线性插值)表示。

这就是突破口。但这条曲线并不直,而且陡峭程度差别极大:

SOC∂VOC/∂SOC\partial V_{OC}/\partial SOC相对平台区
0–10 %5.00 V/单位电量8.3×
10–20 %1.502.5×
20–90 %0.60 – 0.90平台区
90–100 %0.601.0×

同样 10 % 的电量,在曲线底部相当于半伏,在中段只有六毫伏。8.3 倍的差别不是趣闻:它直接决定模型的可观性。取测量行 C=[∂VOC/∂SOC,  −1]C = [\partial V_{OC}/\partial SOC,\; -1] 和对角状态矩阵,可观性行列式为

det⁡O=(∂VOC∂SOC)(1−0.9512)\det O = \left(\frac{\partial V_{OC}}{\partial SOC}\right)\left(1 - 0.9512\right)

因此,只要曲线不平坦,电量就是可观的;可观的程度与斜率成正比。

线性观测器及其失效之处

经典估计器取测量值,减去模型的预期,再用由两种噪声水平导出的增益修正状态。这套机制是对的,只留给你一个决定:电量与电压的关系是弯曲的,所以估计器要对它线性化。

只线性化一次,模型就变成仿射的:

VOC(SOC)≈H0 SOC+[VOC(slin)−H0 slin]V_{OC}(SOC) \approx H_0\, SOC + \left[V_{OC}(s_{lin}) - H_0\, s_{lin}\right]

斜率 H0H_0 是一个选择,方括号里的截距是另一个——而后者决定滤波器最终停在哪里,因为线性观测器会收敛到它自己的测量模型能复现测量电压的那一点,而那里并不是电芯真实所在。

在一个工作点线性化,电芯静置,结果是系统性偏差,而不是延迟:

切线位置真实电量最终偏差
0.450.05−53.3 %
0.450.85+7.5 %
0.050.45−28.8 %
0.050.05−0.0 %

切线取在 45 %、真实电量为 5 % 时,估计值停在 −0.48:任何电芯都不可能有的电量。只有在真实工作点附近取切线,偏差才小——工作点的选择是要在整个运行过程中付出代价的决定。

还有第二个反直觉的细节:造成危害的是过陡的切线,而不是过缓的。斜率错误时,滤波器对含噪测量的信任远超应有程度,增益随之塌缩,估计值缓慢爬行——最终停在距真值 63 % 的地方,即上表最后一行。过缓的切线相对无害:新息足够大,仍能把估计拉回真值。

扩展卡尔曼滤波器

机制本身不变,只改一行:不再在开始时冻结斜率,而是在估计值当前所在处查取斜率:

H=[∂VOC∂SOC∣SOChat,  −1]H = \left[\left.\frac{\partial V_{OC}}{\partial SOC}\right|_{SOC_{hat}},\; -1\right]

曲线不是线性化一次后就被信任,而是在滤波器到达的点重新线性化,因此所用的灵敏度就是实际存在的灵敏度。EKF 就是一个承认自己在近似的 KalmanFilter。在 BlockWerk 中,这一实时电池估计器封装在专用的 BatterySocEkf 模块里。

切线位置真实电量线性偏差EKF 偏差
0.450.05−53.3 %0.0 %
0.450.85+7.5 %−0.0 %
0.050.45−28.8 %−0.0 %
0.050.85−63.1 %+0.0 %

一组 QQ 和 RR,两个区间,处处无偏差。而 EKF 并非处处更快:在陡峭段它需要 71 s,线性滤波器只要 2 s。重新线性化恰恰在测量真正有信息量的地方变得谨慎。这一权衡是整定一步要讨论的内容,而不是需要掩盖的缺陷。

从错误的答案出发

有意思的不是滤波器与耐心的实验相符,而是它能从零找到电量:估计初值 0.50,真实电量 0.90,电芯静置,没有任何为降低难度而做的整定。

它大约在三秒内收敛。不是"最终会"——随时间变化的收敛曲线正是这一步的意义所在,之后两条曲线重合。

EKF 有一个真正的弱点,值得点明。滤波器从平坦的平台区起步,曲线信息量小,第一次修正用小斜率计算,于是冲过头进入陡峭的尾段。它落在斜率大 8.3 倍的地方——但已经收缩的协方差是按错误斜率算出的,而收缩的协方差意味着小增益。它会恢复,但很慢。这就是收敛时间在 0.45 处约 3 s、在 0.05 处 71 s、在 0.15 处 71 s 的原因。

整定

QQ 是模型承认自己不知道的部分,RR 是传感器承认自己不知道的部分。增益是二者之间的博弈,不存在普遍正确的设置——只有适合电芯当前处境的设置。

增大 RR,滤波器依赖模型:平滑,但对任何变化都反应迟缓。减小 RR,滤波器依赖电压:反应灵敏,却会相信噪声。QQ 调节同一天平的另一端,更为微妙。荷电状态几乎是纯积分器,主要误差来自电流传感器的增益,它是恒定的乘性误差而非白噪声——加性的 qSOCq_{SOC} 根本不是传感器噪声,而是承认的模型误差。它是每秒的密度,会不断累积:

qSOCq_{SOC}一小时后的 σ代表什么
1e-66.0 % 电量虚假不确定度比被测量本身还大
1e-80.6 % 电量未建模的漂移:温度、老化

采样问题

两个滤波器都以 1 Hz 运行,这正是 BMS 的工作频率。这完全满足要求,而非勉强达标:对象中最快的极点为 1/τ=0.05 rad/s=7.96 mHz1/\tau = 0.05\ \text{rad/s} = 7.96\ \text{mHz},每个时间常数 20 个采样点,相对奈奎斯特极限有 63 倍裕量。离散模型中唯一的极点位于 0.9512,滤波器无条件稳定,不存在步长限制。

对象与滤波器在同一区间上分别精确离散化:

Ad=diag(1,  e−Ts/τ)=diag(1,  0.9512)Bd=[−Ts/(3600 Qcap)R1 (1−e−Ts/τ)]=[−8.681×10−59.754×10−4]A_d = \text{diag}\left(1,\; e^{-T_s/\tau}\right) = \text{diag}(1,\; 0.9512) \qquad B_d = \begin{bmatrix} -T_s/(3600\,Q_{cap}) \\ R_1\,(1 - e^{-T_s/\tau}) \end{bmatrix} = \begin{bmatrix} -8.681 \times 10^{-5} \\ 9.754 \times 10^{-4} \end{bmatrix}

把精确的 AdA_d 与前向欧拉的 BdB_d 混用是真正的错误,而不只是不整洁:第二项比精确值高 2.52 %(精确值比它低 2.46 %)——无论哪种情况,这个差值都会出现在观测器的新息中,而滤波器无法把它与模型误差区分开。模块根据参数重新计算离散化(包括按 Van Loan 方法计算噪声),因此改变电芯电容或采样时间时,估计器自身的模型也随之改变。

延伸阅读

本案例所依据的模型并非凭空描述。美国国家可再生能源实验室的 thevenin 软件包给出了与本指南相同的方程——

$$\frac{d\,SOC}{dt} = \frac{-I\,\eta}{3600\,Q_{\max}} \qquad

\frac{dV_j}{dt} = -\frac{V_j}{R_jC_j} + \frac{I}{C_j} \qquad

V_{\text{cell}} = V_{\text{OCV}}(SOC) - \sum_j V_j - I R_0$$

——其中滞回项设为零,这正是下文双支路拟合所要处理的。

  • Randall, C. R. thevenin: Equivalent circuit models in Python (NREL, SWR-24-132).

BSD-3-Clause.

——模型说明,包含上述方程,并以电芯参数为输入。本指南中的四个数值并非出自该处,

而是演算示例。

  • 锂电芯的戴维南等效电路建模;双支路扩展,以及单支路模型忽略的第二个 RC 时间常数
  • 电池管理中的扩展卡尔曼滤波与迭代扩展卡尔曼滤波,以及 OCV 曲线斜率对可达可观性的作用
  • 归一化新息平方——用来判断假设的 QQ 和 RR 是否与电芯实际相符的指标

亲自试一试

交互式案例的最后一步是一个试验场,最值得拖动的两个控件正是本指南所讨论的:

  • 测量噪声方差 RR 和 过程噪声 qSOCq_{SOC},即上表中的两个量。两者都用对数滑块,

因为在线性刻度上,RR 的四个数量级会把所有有用的设置挤进行程的前二十分之一。

  • 电芯的真实电量。 设为 15 % 时,估计需要 71 s 才能到达同一点,而 90 % 只需 28 s,

原因见上文平台区一段。

负载、传感器偏置和传感器自身噪声也在其中,它们是课程第 2 步讨论的三项。

另请参阅

常见工程问题解答 (FAQ)

Q: How is the measurement Jacobian H_k computed from the nonlinear battery OCV-SOC curve?

In a 1st-order Thevenin equivalent circuit model, battery terminal voltage is Vt(k)=Voc(SOCk)−R0⋅Ik−VRC,kV_t(k) = V_{oc}(SOC_k) - R_0 \cdot I_k - V_{RC,k}. With state vector xk=[SOCk,VRC,k]Tx_k = [SOC_k, V_{RC,k}]^T, the observation equation is nonlinear due to the Open-Circuit Voltage function Voc(SOC)V_{oc}(SOC). The Extended Kalman Filter linearizes this relationship at each time step using the Jacobian Hk=∂Vt∂x∣x^k∣k−1=[dVocdSOC∣SOC^k∣k−1−1]H_k = \left. \frac{\partial V_t}{\partial x} \right|_{\hat{x}_{k|k-1}} = \begin{bmatrix} \left.\frac{d V_{oc}}{d SOC}\right|_{\hat{SOC}_{k|k-1}} & -1 \end{bmatrix}. In chemistries like LFP where the OCV plateau is extremely flat (dVocdSOC≈0\frac{d V_{oc}}{d SOC} \approx 0), Hk≈[0,−1]H_k \approx [0, -1], indicating that terminal voltage provides near-zero SOC observability, forcing the filter to lean on Coulomb counting until cell knee regions are reached.

Q: How do covariance matrices Q and R prevent Kalman filter divergence during current sensor drift?

Pure Coulomb counting accumulates current sensor bias IbiasI_{\text{bias}} indefinitely: ΔSOC=∫IbiasdtCnom\Delta SOC = \frac{\int I_{\text{bias}} dt}{C_{\text{nom}}}. In the EKF, process noise covariance Q=diag(σcurr2(Δt/Cnom)2,σRC2)Q = \text{diag}(\sigma_{\text{curr}}^2 (\Delta t / C_{\text{nom}})^2, \sigma_{RC}^2) quantifies sensor noise and thermal capacity uncertainty, while measurement noise covariance R=σvolt2R = \sigma_{\text{volt}}^2 models ADC quantization noise. Kalman gain Kk=Pk∣k−1HkT(HkPk∣k−1HkT+R)−1K_k = P_{k|k-1} H_k^T (H_k P_{k|k-1} H_k^T + R)^{-1} balances current tracking against voltage feedback. Over rest periods (I≈0I \approx 0), the terminal voltage relaxes to equilibrium OCV, allowing innovation residual (Vt−V^t)(V_t - \hat{V}_t) to correct accumulated integration drift automatically.

Q: Why is a 1st-order Thevenin RC model required for dynamic driving cycles instead of static OCV lookup?

Under transient current loads (e.g. EV acceleration in WLTP/US06 cycles), electrochemical charge transfer and lithium-ion diffusion gradients create dynamic overpotentials. A static OCV lookup table assumes instantaneous thermodynamic equilibrium, misinterpreting polarization voltage drops ΔV=IR1(1−e−t/τ)\Delta V = I R_1 (1 - e^{-t/\tau}) as instantaneous drops in state of charge. The 1st-order Thevenin model (R0+R1∥C1R_0 + R_1 \parallel C_1) explicitly integrates diffusion polarization dynamics V˙RC=−1R1C1VRC+1C1I\dot{V}_{RC} = -\frac{1}{R_1 C_1} V_{RC} + \frac{1}{C_1} I with time constant τ=R1C1≈10–60\tau = R_1 C_1 \approx 10\text{--}60 s, separating dynamic IR/polarization drops from true equilibrium chemical capacity.

在 BlockWerk 中仿真

浏览器即开即用的交互式仿真环境 — 无需安装,由 WebAssembly 强力驱动。

在 BlockWerk 中仿真 →