電動汽車退役鋰電池一致性快速分選方法研究

劉俊華 劉翠翠 李 程 呂思濛 趙學風 廖強強

1.國網漢中供電公司

2.上海電力大學

3.華北電力大學

4.國網陜西省電力公司電力科學研究院

0 引言

車用動力鋰離子電池的容量低于80%時不符合繼續使用條件，將從電動汽車上退役[1]，退役之后的電池大多數仍具有較高的剩余容量和較長的使用壽命，經過篩選重組后可梯次利用于電力儲能、通信基站備用電源、低速電動車等領域。在梯次利用產品的使用過程中，電池的一致性是影響其使用壽命和安全的關鍵因素，退役電池用于梯次利用不僅外觀需要保持完好無損，在容量、內阻和電壓等方面也應保持較高的一致性，由于退役電池來源不一，形狀外觀不盡相同，自放電程度不同以及環境、溫度不同等因素，使得退役的動力電池在容量、內阻、電壓等方面存在不一致性, 從而縮短電池的二次使用壽命。另外，退役電池由于一致性較差，會使個別電池出現過度充放電現象，引發熱失控，帶來安全隱患，因此需對電池按照相應標準進行篩選分類，將符合條件并且容量、內阻等參數一致性較高的電池組合成電池模塊用于梯次利用。

1 電池健康狀態評估

電池的健康狀態是電池一致性分選的重要指標，多數文獻通常采用電池容量對電池SOH進行評價[2]，如式（1），其中Cpresent-max為電池當前的最大容量，Crated為電池額定容量，電池性能衰退原因復雜，電池內部各部分老化是主要原因，正極材料結構失效、負極表面SEI過渡生長、電解液分解與變質、集流體腐蝕、體系微量雜質等都會引起電池不同程度的老化[3,4]，在過高或過低的溫度環境下運行[5]、電池過度充放[6]、以高倍率充放[7]，也會導致電池老化。此外,制造工藝和電池設計結構對電池壽命也有影響。

目前，電池健康狀態評估方法眾多，電池老化主要表現為電池容量衰減與內阻增大，因此，傳統方法可通過直接測量電池容量于和內阻來直接確定電池的健康狀態，但由于直接測量方法時間過長，并不適用于大規模電池的SOH 評估。因此，目前致力于研發SOH快速評估模型，如圖1所示。基于電池老化機理的電化學模型和等效電路模型，提取健康因子模型以及機器學習。

圖1 SOH評估模型

1.1 電化學模型

電化學模型是從探索電池衰減機理出發，找出電池的老化原因并根據原因引起電池內外部參數變化來評估電池健康狀態。Ramesh[5]等人從溫度和SEI 的形成引起電池容量衰減角度出發，建立了鋰離子電池正極和負極固體電解質界面層形成及溶解動力學的數學模型，用于預測電池壽命。Prasad[8]等人以電池電阻和鋰離子在正極中的固相擴散時間為關鍵老化參數建立電化學模型來預估電池健康狀態。Zhang[9]在熱耦合P2D 模型上擴展電池溫度分布等描述，構建電池模型。電化學模型對于電池健康狀態評估較為準確，但由于此類參數眾多，計算緩慢，不適用于電池的快速分選。

1.2 等效電路模型

等效電路模型通過對大量狀態數據的分析，將鋰離子電池等效成電路模型進而對電池健康狀態進行評估，也是在電化學機理基礎上進行的，等效電路模型分為頻域模型與時域模型兩種。頻域模型是指利用電化學阻抗譜（EIS）法得到頻域交流等效電路模型，然后用交流復阻抗以匹配該阻抗譜，在較寬的頻域范圍內分析電池內部不同因素形成的電化學阻抗。時域模型是指通過電池的I-V響應數據等來進行等效電路中的參數識別，包括Rint模型、Thevenin 模型和二階 RC 模型，Rint模型較為簡單，由于沒有考慮電池的極化特性，模型精度較低。Thevenin模型在Rint模型上考慮到了電池極化因素，通過等效的極化內阻和極化電容構成的回路來模擬電池的動態過程，結果較為精確。PNGV 模型和GNL模型是基于Thevenin模型進行改進的模型。二階RC模型是在Thevenin模型基礎上又增加了一組Rc回路，模型的階數越高，精確度越好，但精準越高意味著所涉及的參數也越多，運行復雜不易建模。文獻[10]采用RC等效電路模型估計電池的健康狀態，對比研究了不同階次的RC 等效電路模型狀態估計效果，結果得出雙RC 網絡的等效電路模型DP模型具有最佳的性能。孫冬[11]等人提出基于多模型數據融合技術的鋰電池健康狀態(SOH)預測方法，該方法基于Thevenin 等效電路模型，并結合基于增量式自回歸模型(IARX)的健康特征數據提取方法，以此構建均值內阻、最小內阻和內阻-荷電狀態（SOC）健康狀態模型。He Hongwen[10]等人在Thevenin 模型的基礎上增加一個RC 分支，改進了Thevenin 電池模型，利用擴展卡爾曼濾波（EKF）算法對模型參數進行辨識，并采用自適應EKF（AEKF）算法對鋰離子電池的SOC 進行估計，誤差明顯降低。等效電路模型相較于電化學模型有較大的可實現性，但由于等效電路模型是將電池做了近似等效處理，因此在一些情況下預測可能會出現較大誤差（見圖2和表1）。

圖2 等效電路模型分類

1.3 直接提取健康因子

直接提取健康因子是直接提取電池外部特征參數，并通過算法來建立與電池容量的關系以此評估電池的健康狀態，圖3為該方法的邏輯模型，該方法與以上兩種方法相比相對快速準確，最常用的是基于充放電曲線的容量增量分析法（ICA）和差分電壓分析法（DVA），通過分析DV曲線的峰間距或IC曲線的峰面積可以得到參加材料相變過程的電量[12,13]，從而得到電池容量衰減情況。此外，也可運用概率密度函數（PDF）方法處理電池恒流充放電數據來進行容量評估，PDF法與增量容量分析法和差分電壓分析法的數學基礎是一致的。Feng[13]等人在1/3C的電流倍率下，統計落在不同電壓值的數據點的個數，計算概率，構建PDF，通過分析PDF中峰的位置和面積，評估出記錄部分電壓范圍內（充電3.38～3.42 V；放電3.27～3.3 V）電池當前容量。Honkura[15]等通過分析由正、負極放電曲線疊加而獲得的放電曲線，從電池電壓窗口和電池放電曲線推導出電池容量，該方法一大亮點是能夠在惡劣條件下比常規方法更準確地預估電池容量。Merla等[16]利用差熱伏安法（DTV）對恒電流充/放電過程中獲取電池電壓、表面溫度進行計算，發現DTV 曲線中的峰參數可以用來量化電池SOH 值。尹鴿平[17]等采用2 分鐘的1/25 C 充放電脈沖電壓來近似于開路電壓的快速測定，并提出了一個基于放電末端電壓的SOH值計算的新方法，但要滿足新舊電池的放電末端電壓要在相同荷電狀態范圍下的相同放電深度放電終止時測定這一條件，此外，廖強強[18]課題組通過研究電池模組的開路電壓與該模組的SOH 之間的關系，提出開路電壓極差可以作為電池模組SOH值的快速評估指標。直接提取健康因子相較于電化學模型所用時間短，預測結果比等效電路模型精確，且相關測試方法簡單，成本低，適合于實際工程應用。

表1 常見等效電路模型優缺點對比

1.4 機器學習

圖3 直接提取健康因子邏輯模型

基于大數據的機器學習技術愈來愈成為電池健康狀態與壽命預測的一個重要手段。機器學習是指通過設計電池健康狀態預測算法，結合電池健康狀態相關參數，對大量樣本進行訓練，建立電池一致性快速篩選模型。歐陽明高等人[19]以少量的鋰離子電芯容量和電壓參數為基礎數據，采用神經網絡算法建立了一套適用于大量退役電芯的快速篩選模型，該模型容量估計誤差小于4%，篩選效率比傳統方法提高5 倍以上。Wang[20]等人提出了基于球形容積粒子濾波器（SCPF）的狀態空間模型，用于檢查26個鋰離子電池的RUL，自適應濾波技術可以提高健康預測的準確性，然而模型的精度很容易受到可變電流和溫度的影響。陳琳課題組[21]采用深度機器學習方法挖掘包含內阻在內的多參數健康指標與電池健康度SOH 的內在關系，實現SOH 值的在線評估，誤差率小于2.5%。Widodo[22]等人提出了一種基于放電電壓樣本熵（SampEn）特征的電池健康智能預測方法，利用支持向量機（SVM）和相關向量機（RVM）兩種機器學習方法，分別采用SampEn和估計電荷狀態（SOH）作為學習算法的數據輸入和目標向量，結果表明，支持向量機和RVM在SOH預測中有良好性能，并且RVM優于基于支持向量機的電池健康預測。機器學習模型是目前電池健康狀態評估方法的研究熱點，未來應開發精度更高，泛化能力更好的算法，匹配以適合的電池參數，建立更快速的退役電池規模化篩選模型。

單一的健康評估方法存在測試時間長、精度低、參數復雜等不足，目前傾向于將各類方法融合充分發揮各自的優勢，以實現更精確可靠的鋰離子電池SOH協同估計。N.T.Tran等[23]針對電池參數在電池的整個生命周期內發生顯著變化影響狀態估計的準確性問題，提出了DEKF 算法和自回歸外生（ARX）模型結合進行參數在線估計的方法，不僅解決了狀態估計準確度問題，還節省了參數預測試的時間和精力。徐元中[24]等人提出一種基于SA 算法優化BP神經網絡的鋰離子電池SOH在線預測方法，以微分電壓、歐姆內阻、循環次數作為電池的健康狀態因子輸入至BP神經網絡，結合SA算法優化BP 神經網絡的權值,使預測模型得到最優解，實驗結果表明，利用優化算法對電池SOH 進行預測,其最大誤差僅為1.98%,平均誤差為1.09%。Zheng[25]等采用RVR模型作為非線性時間序列預測模型，對預測期內保持為零的UKF未來殘差進行預測，并將未來殘差于無跡卡爾曼濾波遞歸結合估計電池的剩余壽命及短期內的可用容量，該方法具有較高的可靠性和預測精度。

3 相關算法

電池健康狀態評估的各種方法幾乎都會用到算法，電池模型的建構以及各個模型中數據的預處理、健康因子的提取等都需要結合算法，表2 列舉了在參數識別、機器學習以及數據預處理方面常用到的一些算法：數據預處理通常采用曲線擬合與濾波等方式，包括支持向量回歸、卡爾曼濾波等算法；神經網絡算法以及粒子濾波等算法通常用于構建電池模型以及大數據學習；參數識別算法通常采用最小二乘參數識別、相關向量機等算法。不同算法的應用方向不同，應根據電池健康狀態評估角度以及各類算法的特征及作用，結合多類算法構建電池快速分選模型，以實現電池的快速精確分選（見表2）。

4 篩選流程

退役電池篩選基本流程如圖4 所示,分為以下幾步：外觀檢查，檢查外觀是否有擠壓變形、破損、漏液等現象；健康狀態評估，對退役電池進行基本性能測驗；篩選重組。

表2 健康狀態評估相關算法

圖4 退役電池基本篩選流程

退役電池由于數量較多，為了方便管理和分選，蔡銘[26]等人提出將容量Q、平衡電動勢U以及放電直流等效內阻譜r(z)作為電池梯次利用的統一分選指標，其亮點在于給出了分選指標與不同用戶需求指標之間的對應關系，同時還提出了建立數據庫、電池初選、電池測試以及梯次利用分選四個步驟組成的分選方法。Tan[27]等人提出了用于電動汽車退役磷酸鐵鋰電池的分級利用的電池分選方法，可以有效消除電池間的差異，最大限度地提高二次電池的使用壽命，所提出的方法不需要考慮放電速率和溫度，并且在給定的溫度和工作電流下僅需要進行一次測試，在實際工作條件下也可以產生準確的容量，還考慮了實際的容量退化和內部電阻的退化。趙光金[28]等研究出一種退役單體電池可用性評價方法，建立了基于核心關鍵參量的電池健康狀態評估方法體系，通過容量、內阻、循環性能及隔膜降解特性篩選可梯次利用的單體電池。

5 結論

退役電池的快速分選對于梯次利用在經濟性和安全性上都具有重要意義。行業內有關電池健康狀態的評估方法在不斷進步，但目前不同方法仍分別存在測試時間長、成本高、測試結果不準確、或模型泛化能力不強等問題。電池的健康狀態是快速分選的關鍵，基于電池衰減原理的參數模型方法以及基于各類算法的機器學習是電池健康狀態評估的主流。未來的主要研究方向應集中在：從機理出發，構建更加簡易且實用的電池模型；開發出更加精確、魯棒性更強的算法，多類評估方法相融合，構建快速智能的電池評估選模型，做到精確度、測試效率、簡易度以及測試成本兼顧，形成電池快速篩選方法，促進梯次利用產品真正實現產業化。