近日，重庆大学车辆动力系统团队胡晓松教授及合作者在国际能源领域的权威期刊“Renewable and Sustainable Energy Reviews”（影响因子为10.556）上发表特邀专家评论（Expert Insights）文章“State estimation for advanced battery management: Key challenges and future trends”, 首次以教程化的方式系统地阐述了荷电状态（SOC）、能量状态（SOE）、健康状态（SOH）、功率状态（SOP）、温度状态（SOT）以及安全状态（SOS）估计的现有技术水平，并列出一系列关键挑战与难点。文章还从六个不同的视角揭示了未来这一新兴领域的重要研究机遇和发展趋势，以期促进SOC/SOE/SOH/SOP/SOT/SOS估计技术的创新突破。

意义及创新

电池管理对于普遍的电池供电能源系统的运行效率、安全性、可靠性和成本效益至关重要，例如电动汽车和可再生能源智能电网。由于复杂的电化学动力学和多物理场耦合特性，一个简单的仅感知电压、电流和表面温度等外特性的电池黑箱仿真显然无法实现高性能的电池管理系统功能。如何准确、可靠地估计和监测关键的内部状态，是实现先进电池管理的关键技术。对电池的荷电状态(SOC)、能量状态(SOE)、健康状态(SOH)、功率状态(SOP)、温度状态(SOT)和安全状态(SOS)有可靠的了解，是对电池进行有效充电、热管理和健康管理的先决条件。目前，电池状态估计已经受到广泛关注，文献中报道了大量的方法和技术。但本文并非以全面列出相关文献的方式来综述现有的方法，而是以一种简明的教程化的方式，对该领域的关键问题、技术挑战和未来趋势提出一些有益的见解，旨在激励更多的研究者和实践者在这个领域针对动力电池的SOC/SOE/SOH/SOP/SOT/SOS估计贡献创新的想法和工具，这对下一代电池管理系统的研究、设计和开发具有重要意义。

论文概述

电池状态概述

电池动力学通常可以用一个电化学-热-老化耦合模型来精确描述，该多物理耦合模型的每个子模型都具有自己的时间尺度。具体来说，由于微观电化学参数的快速变化，SOC/SOP/SOE等电池状态通常会实时变化。由于电池的物理结构和传热特性，宏观温度分布会在一个中等时间尺度上演变。具有最慢时间尺度的SOH在短时间内只会略有变化，表现为内部阻抗/电阻、容量等参数的缓慢变化。电池SOS可以通过评估上述状态来全面确定。考虑到电池系统的安全等级要求，与SOS相关的系统设计和管理可能会发生变化。图1阐述了电池SOC/SOE/SOH/SOP/SOT/SOS的多时间尺度特性。

图1 电池关键状态的多时间尺度特性

电池关键状态的定义

荷电状态（SOC）：作为电池管理系统（BMS）的关键状态量之一， SOC具有多种表达形式。通常而言，SOC是电池可用容量与额定容量的百分比。类比于燃油车辆的油箱，SOC提供与燃油表相同的功能。此外，从电化学的角度来看，SOC能够表示电池正负电极颗粒中所含的电荷量。SOC的变化反映了电极颗粒中锂浓度的分布。由于可用电荷量高度依赖于电极中储存的锂离子量，所以SOC也可以用平均锂浓度来直接计算。

能量状态（SOE）：表征电池的剩余能量，近年来广泛用于对电动汽车剩余驾驶里程的预测。与SOC相比，其意义在于，在不同SOC状态下，由于电池的电势水平在放电过程中都会表现出明显的下降趋势，使得相同的电荷变化量会带来不同的能量变化。因此，被广泛应用的SOC仅能代表电池的剩余电量，而对剩余能量并没有直观的体现。

健康状态（SOH）：由于存在副反应，电池在使用过程中难免会发生性能衰减，这会导致电池内部可循环锂和活性材料的减少。为了定量地描述这一现象，通常用电池容量衰退或内阻增加来评估电池的健康状态。对于电动汽车应用，当电池的容量衰减20%或者内阻增加一倍时，通常认为该电池达到寿命终点（EOL）。

功率状态（SOP）：表示电池在短时间内可以为车辆动力传动系统提供或吸收的功率。电池SOP可以看作在考虑了各种工作约束条件下，极限电流和相应电压的乘积。这些约束条件通常包括电池电压，电流，SOC和温度。

温度状态（SOT）：目前尚无文献对SOT进行过明确定义，在现有文献中有用内部温度或温度分布来表征电池的SOT的报道。一般来说，用温度分布来宏观表征电池的热动力学。出于系统控制的考虑，通常采用电池的核心、平均和（或）表面温度来代表电池的SOT。从电池的微观机理来看，电池的SOT可以从热源以及微结构间的热传导来进行阐述。

安全状态（SOS）：在电池安全领域，不同国家、不同机构都会对电池的灾害等级进行分类，但是会存在略微不同。另外，灾害等级也可用数值方式评估。例如，灾害风险定义为灾害严重程度和灾害发生概率的乘积。如果进一步考虑电池动力学，SOS可以表示为可能出现的滥用概率函数（包括电压、温度、充放电电流、内部阻抗、电池膨胀和电池变形）的倒数。根据这一定义，SOS会随着滥用函数的增加而降低。

现有估计方法及关键问题

SOC 估计方法及关键问题：SOC估计方法可以分为直接计算，基于模型，基于数据驱动三个主要类别，如图2所示。

图2 SOC估计方法分类

SOE估计方法及关键问题：比之SOC估计，在进行SOE估计时要考虑电池平衡电势的非线性变化特性，因此会变得更加复杂且更具挑战性。到目前为止，已经有相当数量的学者致力于提升SOE估计的可靠性，其研究总结如图3。

图3 SOE估计方法分类

SOH估计方法及关键问题：现有很多方法可以用来估计电池的SOH，并可大致分为四类：基于物理模型的方法、基于经验模型的方法、基于数据驱动的方法，以及基于增量容量分析（ICA）的方法。现有的SOH估计方法总结如图4。

图4 SOH估计方法分类

SOP估计方法及关键问题：与被广泛研究的SOC或SOH估计相比，对电池SOP估计的研究相对较少。SOP估算方法可以主要分为两大类，包括基于特征图谱的方法和基于模型的方法，具体如图5所示。

图5 SOP估计方法分类

SOT估计方法及关键问题：基于温度（包括表面温度以及环境温度）、阻抗等测量数据，利用各种观测器结合简化的热模型或者经验阻抗模型可以实现电池温度分布的在线估计。SOT估计的分类如图6所示，包括基于阻抗-温度监测的方法、基于热模型的方法以及融合方法。

图6 SOT估计方法分类

SOS方法和关键问题：基于灾害等级的电池系统安全评估是一项重要的任务。但SOS估计是电池状态估计领域中一个最新出现的课题，有许多关键问题需要进一步解决。目前的SOS估计方法总结如图7，主要包括电池安全性的定性评估和定量计算。

图7 SOS估计方法分类

未来展望

先进传感器技术：随着传感技术的飞速发展，利用先进传感器对电池内部的物理化学反应进行精确测量成为可能。显而易见，如果存在可行的传感器，那么获得电池状态的最准确和最直接的方法就是直接测量。比如压电传感器，高精度接触式位移传感器以及光纤传感器等。此外，能够适应由电池衰退、速率依赖性、外部干扰等造成的复杂情况的低成本传感技术，将有助于全新的、实用的、有效的电池监测和健康管理。

多状态联合估计：由于电池状态是彼此耦合并相互作用的，单独估计一个状态而忽略其他状态只能在某些约束条件下获得相对满意的结果。因此充分考虑电池内部电-热-老化-机械条件强耦合的多态联合估计和预测是一个非常有前景和挑战性的研究方向。通过充分研究不同空间和时间尺度的状态层次和耦合关系，将现有的联合估计技术进一步提升以实现三种及以上状态的强协同估计，是有巨大研究意义和价值的。另外，与仅一个状态估计的方案相比，多状态联合估计将需要更多的计算成本。鉴于此，设计诸如分数阶微积分和多时间尺度估计器等先进估计方法以有效提高多状态估计的准确性和计算效率，将成为另一个重要的研究方向。

可扩展性：随着状态估计算法本身的不断发展，状态估计的可扩展性问题，从电池单体到模组，甚至到包，都应该得到更多的关注。对于电池模组或包，如何调整估计方案，以确保在准确性、计算成本和安全性之间取得合理的平衡将是一个值得思考的问题。换言之，应该充分探究不同的估计结构，包括分布式和集中式的估计结构，以适应系统级的估计需求。目前，还需进行大量的研究来解决从单体到模组甚至包层级的状态估计扩展性问题。

全面的SOS监控和安全管理：在过去，主要是将安全性作为系统的属性而不是系统状态来研究。现在，将电池系统的SOS作为一种状态进行研究越来越受到学术界和工业界的广泛关注。由于对SOS精确数值计算的要求，电池在机械、电、热、电化学等多物理场和条件下的SOS监测将成为电池全寿命周期预诊断和健康管理的重要研究方向。目前，SOS估计的准确性和实用性仍然面临着巨大的挑战。通过在不同物理场和条件下的研究，定义更多的子函数并对现有的子函数进行重新校准，可以进一步提高SOS估计的整体性能。此外，影响电池系统SOS的单个子函数还需要进一步深入研究。

人工智能：人工智能算法是对传统数学算法的补充，具有较强的分类能力和线性/非线性回归能力。随着电池系统大数据的完整性和准确性的提高，结合深度学习、强化学习等智能优化算法的集成状态估计和预测在电池管理和集成领域将越来越受关注。目前，基于人工智能的方法在电池状态估计中得到了越来越广泛的应用。对于电池的健康状态估计，除了评估当前的健康状态外，剩余寿命(RUL)估计对于实际应用也是必不可少的。由于电池容量/功率特性在实际使用过程中会逐渐下降，直到其寿命终点(EOL)。因此，如何利用一个小样本的早期老化阶段，构建一个可靠的人工智能方法来精确估计电池的RUL或老化路径，对先进的电池管理是极其重要的。此外，通常选择电流、电压、温度等外部特性参数作为训练输入，这样基于训练数据的人工智能方法无法描述电池内部的电化学行为，大大限制了它们在不同工作条件下的应用。而且，考虑到基于人工智能的方法对训练数据的数量和质量的高要求以及训练过程的高耗时性，进行各状态变量的准确估计，在算法训练时考虑电池内部的电化学参数，提高计算效率，将会是基于人工智能的方法面临的主要挑战。

多指标综合评价：电动汽车的应用场景会包含一些复杂多变的运行工况，比如强电磁干扰，宽温度范围、宽电流范围等。针对电池状态估计提高优化算法的鲁棒性、精度以及容错能力是一个必须要考虑的研究方向，这决定了这些估计算法在实际应用的适应性。利用一些理论分析方法分析状态估计精度和测量数据之间的内在关系，充分考虑传感器噪声和测量的不确定性，能够为系统辨识的实验设计以及在线估计的数据选择提供指导。另外，由于BMS中总线通信的延迟，传感器不可避免地会存在异步采样，因此，除了改变采样策略（比如电压先采，电流后采），状态估计算法也需要作相应的改进。还有，由于驾驶条件的变化，电池模型的参数可能也会具有很大的时变性，这就需要状态估计方法能够在线更新模型参数，这对于实际的电动车应用场景是非常重要的。

图8 先进电池管理状态估计的未来趋势

出版信息

文献来源：

Xiaosong Hu*, Fei Feng, Kailong Liu, Lei Zhang, Jiale Xie, Bo Liu, State estimation for advanced battery management: Key challenges and future trends, Renewable and Sustainable Energy Reviews, 114:1-13, 2019.

扩展介绍

《可再生和可持续能源综述》

《可再生和可持续能源综述》（Renewable and Sustainable Energy Reviews, RSER）是国际上能源领域的权威期刊，论文形式可包括综述文章、专家评论、原创性研究、案例研究以及新技术分析等。其中专家评论文章是特邀国际相关领域知名学者就重要主题进行的小型综述（Expert Insights are commissioned mini-reviews from field leaders on topics of significant interest."），本文是此刊在新能源汽车领域的第一篇专家评述。