本文提出一种深度集成电池模型参数辨识算法的智能监测系统，该系统基于先进的状态估计算法架构，可实现单体电池荷电状态（State of Charge, SOC）、健康状态（State of Health, SOH）等核心参数的高精度实时监测，并通过标准化通信协议将数据传输至云端数据管理平台。经实车道路测试验证，系统在全工况运行条件下，SOC 估计的均方根误差（Root Mean Square Error, RMSE）稳定控制在 1% 以内；SOH 指标中的容量保持率（SOH-C）参数能够精准量化电池单体间的性能离散度，为新能源汽车动力电池的全生命周期智能化管理提供可靠的技术支撑。
1. 研究背景
在新能源汽车领域，为确保锂离子电池系统安全、高效运行，构建科学可靠的电池状态诊断体系至关重要。电动化车辆的动力电池组通常采用串并联拓扑结构，通过多节单体电池组合满足整车的能量与电压需求。由于电池工作过程中，环境温度、充放电倍率等运行条件的差异，各单体电池在性能衰减速率、容量保持率等方面会呈现显著的不一致性，因此实现单体电池状态的高精度实时监测成为保障电池系统性能的关键技术路径。
住友电气工业株式会社基于多年电化学储能技术研发经验，成功开发了一套集成化锂离子电池状态估计车载系统，并将其深度融合于智能网联车载系统架构中。本文将重点围绕该系统的实车测试数据及评估结果展开深入分析。
2. 系统配置
本研究构建的车载锂离子电池状态精准估计系统架构如图 1 所示，系统采用模块化设计，主要由电池状态估计与车载无线通信两大核心模块组成。其中，电池状态估计内置高性能锂离子电池状态估计算法，通过实时采集车辆系统输出的电池端电压、充放电电流、温度等多维传感器数据，基于自适应滤波与机器学习算法实现电池状态参数的高精度估算；车载无线通信则负责建立与云端服务器的双向通信链路，将处理后的电池状态估计结果及原始监测数据上传至云端数据库。
图1：系统功能示意图该系统具备多通道并行数据处理能力，可实现电动汽车动力电池组全生命周期内单体电芯的实时状态监测与参数估计。在本研究验证平台中，电池状态估计功能采用独立硬件设计，而在实际工程应用场景下，可根据整车电子电气架构需求，灵活集成至车载通信控制器、电池管理（BMU）或其他域控制器中，有效提升系统集成度与可靠性。
3. 电池状态估计系统概述
3.1 电池关键状态量
对于二次电池而言，荷电状态（SOC）和健康状态（SOH）是表征剩余容量与性能衰减的核心指标。其中，SOH 可进一步分为容量保持率（SOH-C）和内阻增长率（SOH-R）：SOH-C 为电池当前实际容量与全新状态下额定容量的比值，SOH-R 则随电池老化而增大。此外，功率状态（SOP）用于描述电池的充放电功率极限，也是实际应用中需关注的重要参数。
准确估算这些状态量，对优化车辆控制策略、延缓电池老化、提高使用效率和燃油经济性至关重要。然而，电池的外部可测量物理量仅为电流、电压和温度，SOC 等状态无法直接测量，因此需借助开路电压（OCV）估计、等效电路模型、非线性卡尔曼滤波等技术实现间接估算。
图2：系统拓扑架构示意图本研究的电池状态估计系统融合了扩展卡尔曼滤波（EKF）与二次电池等效电路模型参数估计方法，通过输入电流、电压、温度等可测量参数，输出多种状态量的估算结果。
3.2 荷电状态（SOC）的估算方法
系统采用图 3 所示的等效电路模型进行状态量估算。电池充放电过程中，电压变化源于两类反应：一是数十毫秒内完成的快速反应（由电解液电阻和电荷转移电阻引起），二是 10 毫秒至数分钟内完成的慢速反应（由扩散电阻增大导致）。在该模型中，快速反应通过 “Ra”（电阻组件与电解液电阻的总和）近似，慢速反应则由 “Rb” 与 “Cb” 组成的并联电路表征（模拟电极内部的扩散现象）。
图3：电池等效电路模型图针对该模型的参数，以下近似公式（1）-（5）成立：
（其中，Ut 为端电压，i 为充放电电流，Ts 为测量周期，k 为时间点序号）
模型中，未知参数 θ=(b0, b1, a1, f) 通过遗忘因子递推最小二乘法估算。一旦 θ 确定，可通过公式（6）-（9）反推出 Ra、Rb、Cb、Uocv 等关键参数。
SOC 的估算则通过将上述等效电路参数代入 EKF 电池模型进行序贯计算。值得注意的是，公式（1）中的开路电压 Uocv 与 SOC 密切相关，本研究通过 “先估算上一周期 SOC，再代入 SOC-OCV 关系” 的方式间接获取 Uocv 值，确保了估算精度。此外，针对电流绝对值过小或变化量微弱时参数估计误差增大的问题，系统增设了判断修正机制以优化结果。
4. 车载测试与结果分析
4.1 测试条件与数据采集
研究团队在一辆行驶里程超 7 万公里的商用电动汽车上安装了上述状态估计，通过输入车载电池的传感器信息开展车载评估。图 4 记录了车辆在城市道路行驶约 2.5 小时内的电流与平均单体电压变化：电池在驱动时放电（电流为负值），回收再生能量时充电（电流为正值），电流范围大致为 - 250A 至 + 60A；平均单体电压从起步时的约 4.1V 降至 3.8V，反映了充放电过程对电池状态的影响。
图4：电流 - 电压随时间变化曲线4.2 关键参数与状态估计结果
等效电路参数估算：以快速反应相关的溶液电阻 Ra 为例，其估算值随时间逐渐收敛至稳定值。对比全新电池的初始 Ra 值可知，电池老化会导致内阻显著增大，这与 SOH-R（内阻增长率）的变化趋势一致。
图5：Ra 值随时间变化曲线健康状态（SOH）估算：通过车辆行驶数据计算电池满充容量（FCC），并与全新状态下的额定容量对比，得到各单体电池的 SOH-C（容量保持率）。测试结果显示，不同单体的 SOH-C 分布在 67%-74% 区间，差异主要源于使用环境和单体自身特性的不同。
图6：不同单体电池 SOH-C 柱状图荷电状态（SOC）估算：将上述参数代入等效电路模型，采用 EKF 方法对 SOC 进行序贯估算。结果显示，估算 SOC 与基于精确库仑计数得到的真实 SOC 高度吻合，均方根误差（RMSE）低于 1%，最大误差不超过 2%，验证了系统的高精度特性。
图7：SOC 估算值与真实值对比曲线5. 结论与展望
针对电动汽车电池的实际应用场景，本研究开发的锂离子电池状态估计系统，采用先进算法实现了荷电状态（SOC）、健康状态（SOH）等关键参数的高精度实时估算。系统集成车载通信模块，支持将电池状态数据实时上传至云端服务器，构建起完整的远程监控体系，为电池全生命周期管理提供数据支撑。
在后续研究中，团队将依托现有的电池物联网（IoT）平台，深度拓展技术应用边界。一方面，着力构建电池梯次利用闭环系统，最大化挖掘退役电池剩余价值；另一方面，优化服务器端数据处理与分析架构，开发智能化应用模型，推动电动汽车电池管理技术向智能化、数字化方向迈进。
6. 致谢
我们感谢立命馆大学电子与计算机工程系的Masahiro Fukui教授在本研发项目过程中对电池状态估计提供的技术支持。
技术术语说明
荷电状态（SOC）：电池组或系统的可用容量，以额定容量的百分比表示。 健康状态（SOH）：电池实际物理状态与全新状态（100%）的对比指标。
作者简介
主要作者以星号（*）标示。
T. KATAOKA*：高级汽车系统研发中心助理总经理。
H. TAKECHI*：高级汽车系统研发中心高级技术专家。
A. HATANAKA：高级汽车系统研发中心助理经理。
Y. YAMAGUCHI：高级汽车系统研发中心。
T. MATSUURA：高级汽车系统研发中心组长。
Y. MATSUTANI：高级汽车系统研发中心部门经理。
全部评论 （0）