鋰離子電池健康狀態的估計方法分析

梁曉靜(東莞維科電池有限公司，廣東 東莞 523000)

0 引言

為了解決環境污染和能源短缺的重要問題，目前已經把具有多種能量來源和節能環保的電動汽車作為汽車產業發展的關鍵方向[1]。SOH 通常被定義為在特定條件下以一定速度從滿載到截止電壓放電的電池標稱容量的百分比。鋰電池以其能量密度高、使用壽命長、自我放電率極低、對環境污染小等優點，逐漸發展成為電動汽車不可缺少的可靠能源。健康狀況是衡量鋰電池降解程度的指標。不同的文獻對其有不同的定義和估算方法[2]，還有基于內阻、循環次數等的定義。電池使用的次數越來越多后，鋰電池會慢慢老化，這嚴重影響電動汽車行車安全與續航里程，因此研究鋰電池的SOH 估計有重要意義。由于SOH 受眾多內外部因素的影響，與電池的老化機制有關，難以直接測量獲取。但可以通過電池中的可測變量如容量、內阻計算得到。目前國內外對鋰電池狀態估計中荷電狀態(state of charge，SOC)估計較多，SOH 估計較少,因此有必要對鋰電池SOH 估計方法進行研究。

1 SOH定義

IEEE 標準1188.1996 明確指出[3]：當電池SOH＜80%時，電池不能正常工作，需要更換。隨著電池充放電次數的增加和擱置時間的累積，電池的容量減少和內阻增加。因此常用容量和內阻定義SOH。

1.1 容量定義SOH

鋰離子電池當前電池最大容量占電池額定容量的百分比為SOH 的定義[4],如式(1)所示。該定義簡單，但在電池正常工作中，對Qaged準確地實時估算具有較大難度。

式中：Qrated為新電池出廠時的額定容量；Qaged為投入使用后電池實際的最大容量。

1.2 內阻定義SOH

通常SOH 在一定程度上能反映電池的老化情況，電池內阻增大是老化的主要原因。SOH 內阻定義如式(2)所示。

式中：REOL是電池壽命結束時的內阻；RNEW是新電池內阻；R是當前狀態下的內阻。

2 SOH估計方法

不同的文獻對SOH 估計方法的分類也不同，本文將常用的SOH 估計方法分為三大類：實驗估計法、自適應濾波法和數據驅動法。

2.1 實驗估計法

實驗估計法可以通過直接測量容量、內阻，或通過差分分析法間接分析出與電池SOH 相關的特征參數，主要包括容量測量法、電阻測量法和差分分析法。

2.1.1 容量測量法

電池容量反映了一個充滿電的電池可以儲存多少能量，被用作SOH 估計指標之一。準確測量電池的當前容量是估計SOH 最簡單和最精確的方法。雖然市場上已經有成熟的容量測試器，是以電池放電的方式通過可測變量(電流)來測量當前的放電容量，單位為Ah，測量精度高[5]。但該方法只適用于固定的環境如實驗室。還需要對電池進行反復的充放電實驗，因此不適合實際應用。

2.1.2 電阻測量法

電阻測量法是基于電池直流內阻或交流阻抗對SOH估計。先要建立內阻與SOH 的對應關系，然后通過對內阻的精確測量估計SOH。文獻[6]基于電池等效電路模型采用溫度因素對SOH 估計誤差進行校準，還引入了最小二乘法獲取電池的內阻參數用于SOH 估計。結果表明，該方法的估計效果好且計算量低。但未考慮在動態工況下電池溫度對估計的影響，因此需要進一步研究。

2.1.3 差分分析法

由于直接從電壓曲線中獲得的電池內部信息非常少，采用電化學特性和增量容量分析 (incremental capacity analysis，ICA)來處理電壓數據，得到有特征參數的IC 曲線。IC 曲線以非常小的電流率對電池進行充放電，計算出與小電壓間隔相對應的容量(dQ/dV)。該過程是將原始充放電曲線的電壓平臺轉換為可識別的IC 峰值。另一種是差分電壓分析 (differential voltage analysis，DVA)，DV 是電壓對容量求導(dV/dQ)。通過分析DV曲線在整個老化過程中各峰的變化，更容易定量分析出容量的衰減趨勢。IC/DV 曲線適用于非常低的電流率如C/25，在大電流下估計SOH 有待進一步研究。文獻[7]提出了一種基于ICA的鋰離子電池健康狀態估計算法。其中引入區域容量和區域電壓，針對四種類型電池的實驗循環數據，建立了SOH 模型，該方法對一般電流率(1C)也有效。實驗結果表明，在選取適當區域電壓的情況下，電池模型擬合得到的相關系數R2為0.948。ICA&DVA 的鋰電池SOH 估計算法，實驗中使用了小電流充放電的數據，將電池容量對電壓微分得到IC 曲線，通過分析IC曲線中峰值和位置的變化情況推斷出電池的老化衰退機理，實現SOH 估計。雖然ICA/DVA 廣泛應用于辨識電池老化特征參數，僅需要電壓和容量兩個參數，易于監測。但大部分文獻基于ICA/DVA 所提取的電化學特性是在非常低的電流率下(＜1C)，且估計精度易受到溫度因素的影響。此外，IC/DV 曲線對電池特性所產生的噪聲很敏感，需要用濾波算法得到平滑的IC/DV曲線。一旦獲得平滑的IC/DV 曲線，就容易識別和跟蹤與電池容量衰退相關的特性。最后通過SOH 估計器建立電池容量與辨識特征之間的模型。

2.2 自適應濾波法

自適應濾波法通過辨識模型中能夠表征電池健康狀態的參數，進行SOH 估計。其根據濾波增益不斷調整模型參數，以期達到提高SOH 估計精度的目的，一般用于在線實時估計。影響SOH 估計精度的因素主要有兩個方面：(1)電池模型的精確程度；(2)自適應濾波法。等效電路模型 (equivalent circuit model，ECM)、電化學模型 (electrochemical model，EM)通常利用電阻、開路電壓等作為表征參數，通過綜合查找表計算出SOH，還可以定義電池參數與SOH 之間的數據映射。與EM 相比，ECM 計算量小，但缺乏對電池物理意義的分析，因此，可以考慮將兩者結合構建新模型用于估計SOH。基于電池模型的自適應濾波法是估計SOH 的一種有效方法，本節主要從自適應濾波方面估計SOH，主要包括卡爾曼濾波 (kalman filter，KF)、粒子濾波(particle filter，PF)和最小二乘 (least square，LS)。

2.3 數據驅動法

由于電池內部原理的復雜性和工作條件的不確定性，很難建立準確地反映電池動態特性的電池模型。數據驅動法不需要了解電池的工作原理和電池模型，只與收集的老化數據有關，預測精度高。因此數據驅動法對數據依賴程度很高，可以將數據驅動、大數據挖掘方法和自適應濾波法相結合，從而提高算法在實際應用中的準確性。目前用到的數據驅動法主要包括人工神經網絡 (artificial neural network，ANN)，支持向量機(support vector machine，SVM)和智能優化算法。ANN 是對真實人腦神經網絡的結構進行抽象和模擬而成的一種信息處理系統。典型的ANN 由三層組成：輸入層、隱含層和輸出層。每層由一個或多個神經元構成，通過權重wi將這些神經元連接在一起處理來自輸入層的信息，然后結合閾值b，從輸出層輸出預測結果。其中，對隱含層神經元個數的選取與模型的精度密切相關，可以采用優化算法優化隱含層神經元的個數來提高模型精度。

3 未來發展趨勢

盡管近幾年在SOH 估計方面有一定的進展，但仍存在很多不足。根據上文，總結出SOH 估計方法的優缺點，如表1 所示。

表1 鋰離子電池SOH估計方法的優缺點

針對SOH 估計方法的缺點，對進一步估計SOH 提出一些建議：(1)可以優化測試工況，結合智能優化算法辨識高效、精確的模型參數用于狀態估計，提高模型精度；(2)對現有方法進行改進和擴展，如多模型融合方法，離線和在線方法的互補協調； (3)針對計算量大的問題，可以采用基于云計算技術的大數據平臺，將電壓、電流和溫度等信息不斷傳遞到平臺上，基于所收集的數據在實際環境中進行訓練，能得到較好的估計結果。

4 結語

本文綜述了近幾年國內外對鋰離子電池SOH 估計的相關研究，總結歸納了SOH 的常用定義和綜合分析了各種SOH 估計方法。著重介紹了各種鋰電池SOH 估計算法、準確性和優缺點。雖然目前在鋰離子電池機理研究、電池模型構建、狀態估計方法等方面有所成就，但在工程化應用方面仍存在問題。如由于鋰電池自身老化過程是復雜的化學變化，難以直接測量SOH。目前SOH 估計主要針對電池在特定工況下測試實現的，而實際工況比較復雜，難以實時估計SOH。因此最后討論了在現有基礎上對SOH 更進一步的改進和發展趨勢。