力高新能云BMS（二）：AI加持——高精度电芯SOC估算的高维算法
锂电池SOC(荷电状态)是反映其充放电能力的重要标志，在实际应用中通常显示为【剩余电量】。在这个充斥着电子产品的现代社会，相信大家都对剩余电量有一定概念，比如电动汽车仪表盘上的电量百分比，这个数字至关重要，它影响着对可行驶里程的判断，进一步决定着我们的行动。
但让我们先来思考一个问题——
这个数字是完全准确的吗?
答案是否定的。
实际上，锂电池的真实容量无法被直接测量，而是通过估算得出的。同时，锂电池SOC的影响因素众多，如电池温度、自放电率、极板活性物质等，都对SOC估算精度带来了严峻的挑战。
在过往的文章《估算误差小于2%，力高新能高精度SOC算法赋能储能行业》中，我们曾提到，力高自研动态自适应算法，可有效降低SOC估算误差。动态自适应算法根据误差反馈进行自适应修正，迭代优化电池状态的增益矩阵，有效解决了模型参数不匹配、SOC估算精度低的问题。
而在云BMS中，力高新能在海量电芯数据积累以及数据处理和分析能力的基础上，探索出一种更高维的“打法”——AI算法。
01 传统算法面临较大局限
在新能源汽车和储能领域，荷电状态的准确评估，不仅反映了电池的剩余电量，还将直接影响车辆动力、安全及储能系统的能效。
伴随着电池系统的复杂化，传统的SOC估计算法已经不再适用当下对于SOC精度的要求，还在一定程度上制约了行业的发展。
放电法作为最直接的SOC估算方法，其局限性在于实验过程耗时较长，无法实现实时估算。此外，放电法仅能反映电池在特定放电状态下的SOC，无法全面体现电池在复杂工况下的真实状态。
安时积分法依赖于初始电量和电流的准确性，但在实际应用中，电流测量误差和积分累积误差会导致估算结果逐渐偏离真实值，使得SOC估算精度降低。
开路电压法通过测量电池的开路电压来估算SOC，但这种方法受电池化学反应的影响较大，尤其在动态工况下，电压波动导致估算准确性较差。
卡尔曼滤波法作为一种广泛应用的SOC估算方法，其局限性在于对模型准确性和参数选择的依赖性较强。在实际应用中，由于电池模型的复杂性，卡尔曼滤波法容易产生预测误差，影响估算精度。
传统锂电池SOC估计算法在实时性、准确性、适应性等方面的局限性使得其无法满足新能源汽车和储能领域水涨船高的严格要求，基于此，力高新能开发云BMS平台，依托大数据为SOC精准估算提供全新方案。
02 数据赋能，打造SOC算法的全新路径
考虑到单一的传统算法存在不足，目前市场上常见的估算方法是安时积分法与各种校正手段相结合，如开路电压法、充电末端法、充满修正等，这些方法的重点都在于校正手段的运用。因此，如何设置校正策略来保证SOC精度成为各个企业优化电池管理能力的发力点。
而力高基于对海量数据的深度挖掘与分析，不断提升传感器技术与数据处理能力，依托数据驱动、模型优化、多参数融合、机器学习等多方面进行技术创新，打造出一条SOC估算的全新路径——云BMS平台AI算法。
云BMS立足于在车规级BMS领域多年深耕所积累的大量实验数据与真实运行历史数据，覆盖动力电池、储能等领域，包括电压、电流、温度等多维度信息。
依据状态码异常、数据阻塞、里程跳变、电压越级、电压局部失效等40余项质量规则，云BMS对采集到的电芯数据进行清洗、标签、分类、入库，建立、训练、测试多种算法模型，构建了可广泛应用的“One For All”数据治理体系，实现更高效、更精确的数据处理模式，赋能AI算法，展示强大算力。
03 力高方案：搭建更精确的时序模型
基于锂电池SOC变化中的时序性及多种影响因素，力高新能云BMS运用AI算法，提取电流、电压、温度、里程等参数在不同时间尺度上的滑动均值，并结合神经网络时序架构，使用Encoder-Decoder框架搭建SOC估算的时序模型。
(图1)
图1展示了新能源车实验过程中的部分可视化结果。图中“BMS”表示电池管理系统的SOC值，“Estimate”表示时序模型的估计值，“Real”表示真实SOC值。
其中，真实SOC值是在初始SOC点经过静态校准后得到的，几乎没有累计误差。
(图2)
(图3)
图2展示了三者的可视化结果，在第30,000至35,000采样点之间，BMS的SOC值出现了跳变，而真实SOC和估计SOC均未出现跳变。图3展示了图2中一个放电过程的详细估计，表明时序模型能够较好地估计真实SOC。
(图4)
(图5)
图4中，红色线表示BMS与真实值之间的单点误差，蓝色线表示时序模型与真实值之间的单点误差，红色线普遍位于蓝色线之上，可见，时序模型的估算精度优于BMS中的传统算法。图5则展示了左上图中跳变部分的局部详细图，截取了跳变附近的数据并重新绘制，以提供更清晰的视图。
在磷酸铁锂电池测试中，该模型的充电SOC估算误差≤1.5%，放电SOC误差≤2%，展示了显著优于传统算法的高精度SOC估算性能。针对当下愈加复杂化、大型化的电芯系统，数据赋能的云BMS AI算法模块更具优势，准确性更高、针对性更强、适应场景更广。
通过建立时序模型，力高新能云BMS在新能源车和储能系统中实现了高精度SOC估算，在解决锂离子电池可测变量及特征与电池SOC之间复杂的非线性映射关系中具有显著优势。
针对用户需求与实际工况，力高为客户提供估算精度更高、适应性更强的解决方案。
截至目前，该AI估算SOC算法模型已广泛应用于新能源汽车与储能领域的相关产品与项目。
从算法逐步迭代到AI算法的深度挖掘、相互结合，从软硬件的优化到云端BMS大数据平台的搭建与应用……力高新能在技术创新之路上笃行不怠，引领着新能源行业标准，推动了新能源汽车及储能技术的高质量发展。未来，公司将继续探索更多特征和估计方法，以提升电池管理系统性能，为客户提供更可靠、更高效的BMS解决方案。
