電動汽車動力鋰離子電池壽命預測方法研究

傅達旺

（三亞理工職業學院，海南 三亞 572000）

在綠色發展理念的影響下，新能源電動汽車得到越來越多的關注，動力電池作為其中的關鍵部件，健康狀態及使用壽命將直接影響到電動汽車的發展水平。動力鋰離子電池具有能量密度高、輸出功率高、循環時間長等優勢，但在應用過程中也一定程度上存在使用壽命較短的問題。因此相關人員有必要針對鋰離子電池壽命的影響因素加以分析，為電池健康狀態估計與壽命預測提供依據，促進其效用的提升。

1 電動汽車動力鋰離子電池壽命的影響因素

動力鋰離子電池在使用過程中其壽命會受到多種因素的影響，主要可以分為外部因素與內部因素。

1.1 外部因素

影響電池壽命的外部因素主要包括以下幾點：第一，荷電狀態。電池荷電狀態（SOC）指的是動力鋰離子電池使用一段時間或擱置不用一段時間以后，電池剩余容量同完全充電狀態之間的比值。結合實際研究情況來看，電池在處于不同荷電狀態下其容量衰減情況也會存在一定差異，處于正常狀態的電池在電池容量衰減上要明顯優于過充或過放狀態的電池，過充或過放會對電池壽命造成不良影響，因此大多數電動汽車電池不能滿充滿放[1]。第二，溫度。動力鋰離子電池在使用時對溫度范圍提出了一定要求，一旦超出范圍，就會導致電池性能受影響，其容量衰減也會處于非正常狀態。將鋰離子電池放在不同環境溫度下進行實驗可以看出，在一定溫度范圍內，充放電效率與溫度成正比，溫度越高電池壽命衰減也就越慢。第三，充放電倍率。充放電倍率指的是在一段時間內電池充入或放出額定容量需要的電流值。結合研究結果來看，鋰離子電池充放電倍率越大，其容量衰減速度也就越快，然而在超過某一個臨界點的時候其容量衰減速率就會變慢。第四，不一致性。結合鋰離子電池實際的應用情況來看，電池壽命在很大程度上會受到單體電池及電池成組之間的不一致性影響，實驗表明，兩單體電池并聯放電的容量衰減率要明顯小于兩單體電池獨立放電，進而在應用上也體現出更加突出的優勢。第五，內阻電池功率。電池使用壽命與內阻之間也有著十分密切的聯系，隨著內阻的增加，電池內部電流會受到更強的阻礙作用，同時在消耗功率的影響下導致電池壽命的縮短[2]。對于兩只初始容量相同的電池來說，如果內阻存在差異，那么最終的電池容量衰減率也會不同。

1.2 內部因素

除了外部因素以外，鋰離子電池在使用過程中還會受到內部因素的影響。通常情況下，內部因素指的是電池內部所產生的一系列物理和化學變化，進而導致整體電池容量呈衰減狀態。根據研究，正負兩極都會直接影響到鋰離子電池的老化狀態，從而造成容量衰減速度的加快。

2 針對電動汽車動力鋰離子電池壽命的預測方法

2.1 電池健康情況估算

作為電力汽車的主要動力源，需要對鋰離子電池的健康情況進行準確估算，進而確保電動汽車的穩定行駛。現階段比較常見的估算方法主要包括以下幾點：第一，定義法。定義法是根據電池SOH的定義實施估算，電池SOH是指電池在一定工況下最大放出容量與額定容量的比值，在此基礎上對鋰離子電池處于滿電狀態的時候進行放電，再對其放出電量進行記錄。這種方法雖然是公認的應用于健康估算的方法，但操作上仍存在時間消耗大、實用性不強的弊端。第二，電化學阻抗法。此種方法的實施需要在鋰離子電池兩端設置若干個頻率不同的正弦信號，并完成響應測試與參數采集，進而在模糊理論的基礎上對電池的SOH值加以預測。第三，內阻法。這種方法是利用電池SOH與內阻之間的關系，在實驗中可以看出，電池的SOH值會隨著電池內阻值的增加而逐漸減小。在此過程中，還可以進一步應用到脈沖法通過電流脈沖對電池進行激勵，并圍繞電壓變化來借助歐姆定律對內阻進行估算。對于內阻法來說，常用的算法包括粒子濾波法、最小二乘法RLS（recursive least square）及卡爾曼濾波法等。第四，模型法。模型法通過對電池的內在特性或外在特性加以分析，并根據相關研究數據進行電池SOH建模，并最終完成相關參數的推算。

2.2 健康狀態估算模型的建立

在鋰離子電池應用的過程中，SOH會逐步隨著電池的老化而減小，在對鋰離子電池進行健康狀態評估的時候還應更多考慮到實際應用環境對電池壽命的影響。鋰離子電池需要應用在電動汽車駕駛環境下，因此車輛的加減速、氣候環境等都會直接影響到電池工作溫度以及充放電倍率等參數。電池SOH已經成為鋰離子電池使用壽命的重要評價標準，同時與上述參數之間也存在著十分復雜的關系，為提升電池SOH估算的準確性，需要實現對健康狀態估算模型的建立，其中主要涉及到4種情況。

第一種SOH估算模型是電化學模型。電化學模型主要針對電池內部產生的物理化學反應加以分析，以Gang Ning模型為例，就是通過研究電化學反應特性與電池容量衰退之間的關系來分析電池的使用壽命。研究顯示，鋰離子電池容量的衰退主要是受到SEI膜消耗作用的影響。總的來說，電化學模型在對電池SOH值進行估算的時候主要需圍繞電池的內部結構、參數變化等，但是考慮到其內部結構的復雜性，導致識別參數變化需要面臨更大難度，從而難以及時、準確掌握電化學系統變化機理，因此電化學模型存在一定限制，難以完全實現對電池SOH的有效估算[3]。

第二種SOH估算模型是經驗模型。經驗模型在依靠大量電池充入與放出數據來總結相關經驗，并在相關技術的支持下分析參數變化對電池容量衰減規律的影響，進而得出二者之間的關系式，因此經驗模型也是數學模型的一種。在實際開展相關實驗的時候，需要將電池所處工況進行控制，并依靠大量實驗數據來分析各參數與電池SOH之間的變化規律，從而進一步通過數據擬合的方式來得出最終結論。

第三種SOH估算模型是等效電路模型。等效電路模型在運行的過程中主要依靠的是電池內部的化學反應，通過模擬相關化學反應來得出一系列參數。現階段比較常用的等效電路模型包括PNGV模型、Rint模型等。這種模型的優勢在于可以借助專業軟件來實現對反應情況的模擬，進而更接近與真實情況。與此同時，相較于其他模型，等效電路模型在仿真環境的實現難度也更低，從而更多應用在系統層面上的仿真當中。等效電路模型的具體設計如圖1所示。

圖1 等效電路模型示意圖

第四種SOH估算模型是人工神經網絡模型。人工神經網絡模型在運行過程中主要是以人體神經元連接為基礎實施相關運算，數學模型的構建也參照了人體大腦神經的連接結構、信息處理方式與信息傳遞模式[4]。在這樣的形式下，人工神經網絡模型形成大規模的節點網絡，而節點與節點之間也發揮出相應的記憶作用。在此基礎上構建SOH估算模型可以分析出鋰離子電池實際的運行狀態，并實施對SOH的準確估算。相較于其他的運算模型，人工神經網絡模型具有環節省略、使用簡單、運算速度快、精度高等優勢，因此在鋰離子電池健康狀態估算中得到廣泛使用。

2.3 鋰離子電池的SOH估算2.3.1 SOH估算分析

SOH是評價鋰離子電池當下健康狀態的重要手段，依靠SOH估算結果可以對鋰離子電池的未來使用進行明確規劃，從而為電池的穩定運行提供保障。SOH指的是最大放出容量占額定容量的百分比，相關數學關系式與內阻變化數學表達式為

式中：Qa指的是鋰離子電池的最大可用容量；QR指的是電池的額定容量；Re指的是電池在使用過后的電池內阻；Rnew指的是沒有使用過的電池的電池內阻。在實際應用的過程中，SOH估算方法具有較多的分類標準，其中主要可以分成特征法、自適應濾波法及數據驅動法，具體的分類情況如圖2所示。

圖2 SOH估算方法分類標準

2.3.2 特征法

特征法的應用原理是在對鋰離子電池容量衰退進行測試的過程中，通過抓住某些主要特征來作為依據，在此基礎上確定與之相適應的算法，分析相關特征量與電池SOH之間的關系。當前，特征法主要包括內阻分析法、電化學阻抗譜法（EIS）法及微分分析法。其中，內阻分析法是依靠電池內阻完成瑞容量衰退的分析，對SOH的對應關系進行總結。這種方法在實際應用的過程中成本投入較少，但其精度也存在一定限制性。例如，通過內阻分析法在構建等效電路模型的基礎上進行SOH估算，同時需要考慮車輛行駛溫度對電池的影響。EIS法是將鋰離子電池容量衰退過程繪制阻抗譜曲線，并將曲線的不同階段與電路模型聯系起來，實現與電池SOH相對應。EIS法在應用過程中往往需要涉及大量的阻抗譜曲線信息，整體的復雜性較強，加上還需要專業儀器相配合，因此整體應用成本較高。例如，可以通過EIS法構建等效電路模型，并通過多元數學分析實現對電池SOH的預測。微分分析法是針對鋰離子電池不同老化狀態的微分容量進行分析，進而在完成老化特征提取的基礎上實現SOH預測。例如，可以借助高斯濾波方法實現微分容量獲取與老化特征提取的同步進行，從而可以實現在小倍率電流環境下開展SOH預測。上述方法在SOH預測中發揮出了十分關鍵的作用，結合當前的發展趨勢來看，更多的專家學者開始對電池退化的新特征量展開研究，包括充電溫度、充電時間常數等，更好地實現對特征法原理的應用，進而有效實現對預測過程與模式的創新。

2.3.3 自適應濾波法

通過自適應濾波法來進行鋰離子電池壽命預測主要是通過對電池模型參數的準確辨識，并在濾波增益的影響下實現對這部分參數的更新，以促進電池SOH預測精度的不斷提升。現階段，常用的自適應濾波法主要包括卡爾曼濾波法（KF）、粒子濾波法（PF）及最小二乘法等。其中，最小二乘法就是根據線性回歸分析來得出預測數據與實際數據之間的誤差，并對其實施有效控制[5]。最小二乘法具有計算過程簡單、計算量小的優勢，因此可以應用在參數辨識當中，但在參數獲取的實時性上還有提升空間。例如，可以通過最小二乘法結合卡爾曼濾波法提出一種多遺忘因子，并確定出最優遺忘因子。將電池所處工況的溫度變化情況加以確認，進而可以將SOC估算誤差控制在0.29%。總的來說，通過自適應濾波法來實施電池SOH預測可以在線實現相關操作，參數獲取精度上得到保障，因此在工業生產中得到了十分廣泛的使用。

2.3.4 數據驅動法

數據驅動法也是其中較為常見的一種方法，該方法的應用原理是在電池實驗數據基礎上對電池容量衰退規律進行發現與總結，進而有效開展相應的SOH估算。現階段數據驅動法主要涉及到高斯過程回歸模型（GPR）、灰色理論（GF）及自回歸模型（AR）等。其中，高斯過程回歸模型可以基于貝葉斯框架完成非參數模型的構建，也就是可以在不建立實際模型的基礎上運算，因此大多被應用在低維回歸問題的運算當中。例如，借助GPR模型實施電池SOH預測，分析多個電池數據來促進整體預測性能的提升。灰色理論指的是在信息量不足且信息內容不完全的基礎上建立數學模型并進行預測，多數情況應用在小樣本問題的解決中。相較于其他模型，灰色神經網絡模型可以實現精度的進一步提升，因此得到十分廣泛的應用。而自回歸模型則是基于時間序列展開分析，根據模型參數的各個歷史狀態建立模型并展開SOH預測。自回歸模型在應用過程中具備操作簡單且計算量較小的特點。總的來說，通過數據驅動法來對鋰離子電池的健康狀態與使用壽命進行預測可以在不了解工作原理且不構建電池模型的基礎上進行，通過收集大量的老化數據來分析電池容量衰退所呈現出來的規律。數據驅動法的優勢在于具有較高的精度及較強的適應性。表1是對常見鋰離子電池SOH估算方法的優勢與劣勢展開對比分析。

表1 鋰離子電池SOH估算方法優劣勢對比

3 結束語

綜上所述，作為電動汽車的主要動力源與關鍵組成部分，鋰離子電池使用壽命很大程度上決定了電動汽車性能的優劣，因此有必要不斷加大對鋰離子電池健康評估及壽命預測的研究力度，提出有效的預測方法。結合當前的研究成果來看，應充分通過鋰離子電池的SOH估算來提高預測精度，同時還要充分考慮到電池動態工作條件的復雜影響因素，因此宜采用多元化壽命預測方法來提升整體預測水平的準確性。