對于傳統的電量計，由于市場上各種鋰離子化學物質所呈現的電性能分布很大，因此必須對電池進行表征以獲得可接受的性能。即使對于具有相同化學成分的電池，例如流行的鈷酸鋰（LiCoO2），不同的外形尺寸也會改變電池中的阻抗，傳統上這使得電池表征成為必要步驟。模型儀表?m5 EZ 電量計配置是一種創新的自適應電量計方法，可在許多不同的電池化學成分、容量和充電電壓下提供出色的電量計性能。基礎魯棒自適應算法的準確性已在Maxim詳盡的電池表征數據庫中得到驗證。ModelGauge m5 EZ 消除了對電池表征的需求，節省了資源和時間。

介紹

隨著物聯網（IoT）和連接設備成為新發展的主要焦點，絕大多數新設備都需要使用電池供電。傳統上，新產品的差異化在于硬件本身。然而，最近的趨勢是，區別于競爭對手的關鍵功能反映在軟件上。與組織開發產品的方式（在大型團隊中，每個開發任務都有專門的專業工程師）相比，現在的重點越來越放在保持軟件團隊的小而敏捷上，以便盡快將新產品推向市場。

傳統的電量計方法需要團隊中的電源或電池專家與電量計供應商合作，找到可與其電池一起使用的合適型號。這通常涉及在各種負載和溫度條件下表征電池，這很容易需要幾周的時間才能對電池進行全面表征和建模。這種“老式”的方法不再適合上述小型、敏捷和以軟件為中心的開發團隊的方式。

因此，符合當今要求的現代燃油計量解決方案有助于（除了明顯需要精度而不是老化）易用性和較短的上市時間。

模型儀表?m5 EZ是結合了這些功能的燃油計量算法的最新發展。它可實現快速準確的電量計解決方案，無需專門的電池表征。

本應用筆記詳細介紹了該算法及其如何實現不同的功能。“測量和仿真結果”部分提供了有關使用此方法實現的精度的更多見解。我們還介紹了一個在片上系統 （SoC） 上實現該算法的器件系列。

模型儀表 m5 EZ 算法的工作原理

獲得專利的ModelGauge m5算法（Wortham等人，2014）（Wortham，2013）使用實時電氣測量并將其轉換為可用的SOC%（充電狀態）和其他電池信息。該算法具有多種機制，可以對由于模型與使用的實際細胞不匹配而導致的錯誤脫敏。這些機制還可以使電氣測量中的任何誤差脫敏，以免對SOC%輸出產生不利影響。此外，還有幾種自適應機制可以幫助電量計了解電池特性并提高其精度。

ModelGauge m5 算法將庫侖計數器的短期精度和線性度與基于電壓的電量計的長期穩定性相結合。該算法的核心將開路電壓（OCV）狀態估計與庫侖計數器相結合。Li+細胞的OCV值與SOC相關，這種關系在很大程度上與細胞的年齡無關（見圖1）。

圖1.電池的 SOC% 與 OCV 不會隨使用時間而變化。

當細胞在應用過程中循環時，這種上下遍歷該曲線的過程在很大程度上使任何模型對細胞不匹配引起的任何局部誤差脫敏。開始時，當電池首次連接到電量計IC時，OCV狀態估計與庫侖計數輸出相比權重很大。當細胞在應用中循環時，庫侖計數器精度提高，混合算法改變權重，使庫侖計數器結果占主導地位。從這一點開始，算法切換到伺服混合。

伺服混合根據 OCV 估計的誤差方向，向上或向下對庫侖計數提供固定幅度的連續誤差校正。這樣可以快速校正庫侖計數和OCV估計之間的差異。混合算法產生的輸出不會因電流測量失調誤差而受到累積漂移的影響，并且比獨立的OCV估計算法更穩定（見圖2）。

圖2.電壓和庫侖計數混合。

對庫侖計數器的這種校正在應用程序處于活動狀態和待機狀態時連續進行。實際上，這意味著庫侖計數器校正每天發生超過200，000次 - 用戶幾乎看不見的微小步驟。這些校正發生在電池處于負載下以及空載狀態時，無論電池是否松弛，這比其他競爭算法相比具有顯著優勢。

隨著應用的溫度和放電速率的變化，應用可用的電荷量也會發生變化。ModelGauge m5 算法區分單元的剩余容量和應用程序的剩余容量，并將這兩個結果報告給用戶。

該算法會定期對細胞模型和應用信息進行內部調整，以消除初始誤差，并在細胞老化時保持準確性。這些調整始終作為小的修正進行，以防止系統不穩定并防止電量計輸出出現任何明顯的跳躍。學習自動進行，無需來自外部主控制器的任何輸入。除了估計電池的SOC外，IC還觀察電池的松弛響應并調整電壓電量計的動態。

ModelGauge m5 算法包括一項功能，可確保當電池電壓接近空電壓時，電量計輸出收斂到 0%。當電池電壓接近預期的空電壓時，IC平滑地調整SOC %的變化率，使電量計在電池電壓達到空電壓的確切時間報告0%。這可以防止意外關機或電量計報告的早期 0% SOC。這也提供了一種額外的機制，用于使SOC %誤差與任何模型失配誤差脫敏。

測量和仿真結果

Maxim開發了一個龐大的電池數據庫，其中包含與客戶用例類似的各種測試條件下的電芯特性和行為。這使得Maxim能夠通過對之前收集的真實數據運行電量計算法來驗證其任何新的改進。利用這些數據，Maxim分析了數百種不同尺寸電池的性能，并在圖3中繪制了結果的直方圖。

圖3.ModelGauge m5 EZ SOC 不同電池和放電的誤差統計。

這表明，在室溫及以上條件下，超過94%的測試用例的SOC誤差小于3%。這些測試用例確實排除了某些已知在OCV與SOC%表方面與更傳統和流行的化學物質有很大差異的電池類型。

圖 4 是一個直方圖，顯示了 EZ 模型與“調整”自定義模型的比較，繪制為測試用例與它們所屬的錯誤桶的百分位數。雖然優化模型確實在 1% 存儲桶中放置了更多案例，但所有測試用例的總和高達 3% 的誤差表明 EZ 模型覆蓋了 95%，而自定義模式覆蓋了 97% 的測試用例。考慮到準備自定義模型所需的額外工作、資源和時間，EZ 配置方法是一個有吸引力的替代方案。

圖4.模型儀表 m5 EZ 誤差與自定義調整模型的比較。

另一種方法是在系統設計允許的特定誤差預算下比較EZ與定制調諧模型。圖 5 顯示了它們與 3% 誤差預算和 5% 誤差預算<<比較。

與其簡單地查看 0% 到 100% SOC 之間的最壞情況誤差，不如查看接近空的誤差（例如 10%），其中準確的燃料測量確實很重要。如果電池處于 50% 左右的狀態，并且電量計指示 40% 或 60%（10% 誤差），則可能不會發生任何不良情況，因為此時不會做出關鍵的電源管理決策。但是，當電池電量為 10% 并且電量計顯示 5% SOC 時，系統很可能會過早關閉，并且電池將無法充分利用。

另一方面，如果電池電量為 5%，電量計顯示 SOC 為 10%，則系統很可能會意外崩潰，而沒有正常計劃關機的好處。兩者都會導致用戶體驗不佳 - 前者導致運行時間比預期短，而后者導致突然關閉，這對用戶來說非常煩人。

圖5.ModelGauge m5 EZ 與基于系統誤差預算的定制調整模型相比。

如果應用有更苛刻的要求，并且還需要在低溫（0°C）下具有良好的精度，那么類似的分析表明，對于<5%的SOC誤差預算，結果幾乎相同。因此，對于一大類應用，實現EZ配置性能的簡單性成為新產品開發的游戲規則改變者。

硅實現

Maxim在MAX17201、MAX17205、MAX17211和MAX17215器件系列中實現了上述算法。圖6顯示了家庭框圖。

IC可自動補償電池老化、溫度和放電速率，并在各種工作條件下提供以毫安小時（mAh）或百分比（%）為單位的精確SOC。IC提供對空載時間和滿載時間的準確估計，Cycle+?年齡預測，以及報告電池年齡的三種方法：容量減少、電池電阻增加和循環里程表。

IC提供電流、電壓和溫度的精密測量。電池組的溫度是使用內部溫度測量和最多兩個外部熱敏電阻測量的，這些熱敏電阻由輔助輸入端的比率測量支持。這些器件可以通過檢測高或低電壓、電流、溫度或 SOC 來提供警報。IC還包含兩個可編程的快速過流比較器，可檢測系統電流的尖峰，并警告系統進行適當的調整，以防止可能導致電池突然崩潰的情況。兩個比較器都具有可編程閾值電平和可編程去抖延遲。

圖6.實現ModelGauge m5 EZ的IC框圖。

結論

憑借其準確性和易用性，ModelGauge m5 EZ 在精度方面是一種非常適合的電量計算法。它還符合當今以軟件和上市時間為中心的設計限制。本應用筆記研究了該算法的功能，分享了確認其性能的測量結果，并介紹了該算法的硅實現。

審核編輯：郭婷