满足所有设计的电量计

尽管这些结果看起来非常好，但如果我们在每种情况下使用定制精调的电池模型，会牺牲多少性能呢？图4所示的直方图为EZ模型与"精调"定制模型的比较，绘制成测试用例百分比与其误差区间的关系。虽然1%区间的精调模型的用例数量确实较高，但3%误差以下所有测试用例的集合表明，EZ模型涵盖了95%的测试用例，而定制模型涵盖了97%的测试用例。考虑到建立定制模型所需的额外工作量、资源和时间，EZ模型看起来实际上非常具有吸引力。

图4

另一种方式是在系统设计允许的特定误差预算范围内对EZ和定制模型进行比较。图5所示为误差预算小于3%和小于5%情况下的对比。

与0%至100% SOC范围内的最差条件误差相比，电量接近为空(例如10%)时的电量计精度实际上更有意义。如果电池状态大约为50%，电量计指示为40%或60% (10%误差)，不大可能会发生什么问题，因为在此时不会做出什么关键的电池管理决策。然而，当电池状态为10%时，如果电量计指示为5% SOC，那么系统很可能会过早关断，电池将得不到充分利用。相反，如果电池状态为5%，而电量计指示为10% SOC，系统很可能会意外停机，不能实现有序地关断。以上两种情况都会造成很差的用户体验--前者造成工作时间短于预期，而后者造成突然关断，使用户感觉非常厌烦。

图5

如果应用具有更严格的要求，并且也需要较高的低温精度(0摄氏度)，类似的分析表明，SOC误差预算小于5%时的结果接近相同。

所以，对于大量的各种应用，EZ配置性能的简单性就改变了新产品开发的规则。

那么是什么原因使得ModelGauge m5 EZ配置能够提供如此好的结果呢？奥妙之处在于拥有专利的ModelGauge m5算法利用实时电测量数据的方法，并将其转换为有用的SOC%及其它电池信息。该算法拥有多种机制来消除模型与实际在用电池不匹配造成的误差。这些机制也消除电测量中的误差，防止对SOC%输出造成不利影响。此外还有多种自适应机制来帮助电量计学习电池特性和提高精度。

ModelGauge m5算法既有库仑计出色的短期高精度、高线性度特性，又具有电压电量计出色的长期稳定性。算法的核心整合了OCV状态估算和库伦计数器。将Li+电池的OCV值与SOC%相关联，并且这种关系在很大程度上与电池老化无关(见图6)。

图6. 电池的SOC%与OCV关系不随老化而变化

在电池充放电循环中，上、下穿越该曲线的过程很大程度上消除了模型与电池不匹配造成的本地误差。最初，电池首次连接到电量计IC时，与库伦计数输出相比，OCV状态评估的权重较大。随着电池在应用中继续使用，库伦计数器精度提高，混合算法改变权重，使库伦计数器的结果起主要作用。由此，IC切换至伺服混合算法。伺服混合算法可以对库伦计数进行固定幅度的连续误差修正，根据OCV估算误差的趋势，调高或调低估算值，这允许快速修正库伦计数和OCV估算之间的差异。混合算法产生的结果输出不会因为电流测量失调误差而产生漂移，比独立OCV估算算法更稳定(见图7)。

图7

无论在应用的工作过程中还是在待机条件下，连续对库伦计数器进行修正。就实际情况而言，这意味着每天对库伦计数器修正200,000次以上--步距非常微小，用户几乎感觉不到。无论电池是负载还是空载，都进行修正，与电池是否空闲无关；与其它竞争算法相比，这具有明显优势。

随着温度和电池放电率的变化，能够供给系统的电荷总量也会发生变化。ModelGauge m5算法能够区分剩余电池容量和可供系统使用的剩余容量，并向用户报告两个结果。

算法根据电池模型和应用信息定期进行内部调节，以消除初始误差，随着电池老化仍可维持计量精度。算法始终进行这种微调，避免系统不稳定，还可防止电量计输出出现任何显著变化。自动学习无需主处理器进行任何输入。除了估算电池的电量状态外，IC也观察电池的空载响应并调节电压电量计的动态操作。

ModelGauge m5算法包括一项功能，可保证电量计输出覆盖电池电压达到空电压时的0%。当电池电压达到预期空电压时，IC平滑调节SOC%的变化率，使得电量计在电池达到空电压时准确报告0%。这可防止意外关断或者电量计过早报告0% SOC。这也提供了可消除模型不匹配引起的SOC%误差的附加方法。

IC在较宽的工作条件下自动补偿老化、温度和放电率并以毫安时(mAh)或百分比(%)提供精确的电量状态(SOC)。IC精确估算剩余工作时间、充满时间、Cycle+TM老化预测，以及三种报告电池寿命的方法：容量降低、电池电阻增大和充电次数。

IC提供精确的电流、电压和温度测量。利用内部温度测量，以及辅助输入支持比例测量，采用外部热敏电阻测量电池组的温度。通过检测高电压