基于深度神经网络算法的去中心化节点级电池管理系统芯片的设计与实现

随着电池管理系统（BMS）在规模和容量上的不断扩大，传统的荷电状态（SOC）估算方法（如安时积分法和基于模型的观测器）在满足单体电池级精度、可扩展性以及老化和运行工况多变条件下的自适应性要求方面面临着越来越大的挑战。为了解决这些局限性，本研究将基于深度神经网络（DNN）的估算框架集成到节点级 BMS 架构中，实现了在每个独立单体电池上的边缘计算。所提出的架构采用具有分布式参数同步的去中心化节点级结构，其中每个 BMS 节点使用共享模型参数独立执行 SOC 估算。通过离线训练学习全局电池特性并随后同步至所有节点，确保了大型电池阵列估算的一致性，同时避免了集中式在线计算。该设计提高了系统的可扩展性和部署灵活性，特别适用于具有隔离测量要求的高压电池串。所提出的 DNN 框架由两个相同的功能模块组成：离线训练模块和实时估算模块。训练模块运行在高性能计算平台上——如空闲期间的车载微控制器或充电桩服务器——利用历史充放电数据提取和更新电池特性参数。然后将这些参数传输至实时估算芯片以进行自适应 SOC 推理。该去中心化 BMS 节点芯片集成了预处理电路、基于动量的优化器、一阶导数 sigmoid 单元和权重更新模块。该设计采用 TSMC 40 nm CMOS 工艺实现，并在 Xilinx Virtex-5 FPGA 上进行了验证。使用真实 BMW i3 电池数据的实验结果表明，均方根误差（RMSE）为 1.853%，估算误差范围为 4.324%，−4.346%。