电动汽车退役锂电池一致性快速分选方法研究

刘俊华 刘翠翠 李 程 吕思濛 赵学风 廖强强

1.国网汉中供电公司

2.上海电力大学

3.华北电力大学

4.国网陕西省电力公司电力科学研究院

0 引言

车用动力锂离子电池的容量低于80%时不符合继续使用条件，将从电动汽车上退役[1]，退役之后的电池大多数仍具有较高的剩余容量和较长的使用寿命，经过筛选重组后可梯次利用于电力储能、通信基站备用电源、低速电动车等领域。在梯次利用产品的使用过程中，电池的一致性是影响其使用寿命和安全的关键因素，退役电池用于梯次利用不仅外观需要保持完好无损，在容量、内阻和电压等方面也应保持较高的一致性，由于退役电池来源不一，形状外观不尽相同，自放电程度不同以及环境、温度不同等因素，使得退役的动力电池在容量、内阻、电压等方面存在不一致性, 从而缩短电池的二次使用寿命。另外，退役电池由于一致性较差，会使个别电池出现过度充放电现象，引发热失控，带来安全隐患，因此需对电池按照相应标准进行筛选分类，将符合条件并且容量、内阻等参数一致性较高的电池组合成电池模块用于梯次利用。

1 电池健康状态评估

电池的健康状态是电池一致性分选的重要指标，多数文献通常采用电池容量对电池SOH进行评价[2]，如式（1），其中Cpresent-max为电池当前的最大容量，Crated为电池额定容量，电池性能衰退原因复杂，电池内部各部分老化是主要原因，正极材料结构失效、负极表面SEI过渡生长、电解液分解与变质、集流体腐蚀、体系微量杂质等都会引起电池不同程度的老化[3,4]，在过高或过低的温度环境下运行[5]、电池过度充放[6]、以高倍率充放[7]，也会导致电池老化。此外,制造工艺和电池设计结构对电池寿命也有影响。

目前，电池健康状态评估方法众多，电池老化主要表现为电池容量衰减与内阻增大，因此，传统方法可通过直接测量电池容量于和内阻来直接确定电池的健康状态，但由于直接测量方法时间过长，并不适用于大规模电池的SOH 评估。因此，目前致力于研发SOH快速评估模型，如图1所示。基于电池老化机理的电化学模型和等效电路模型，提取健康因子模型以及机器学习。

图1 SOH评估模型

1.1 电化学模型

电化学模型是从探索电池衰减机理出发，找出电池的老化原因并根据原因引起电池内外部参数变化来评估电池健康状态。Ramesh[5]等人从温度和SEI 的形成引起电池容量衰减角度出发，建立了锂离子电池正极和负极固体电解质界面层形成及溶解动力学的数学模型，用于预测电池寿命。Prasad[8]等人以电池电阻和锂离子在正极中的固相扩散时间为关键老化参数建立电化学模型来预估电池健康状态。Zhang[9]在热耦合P2D 模型上扩展电池温度分布等描述，构建电池模型。电化学模型对于电池健康状态评估较为准确，但由于此类参数众多，计算缓慢，不适用于电池的快速分选。

1.2 等效电路模型

等效电路模型通过对大量状态数据的分析，将锂离子电池等效成电路模型进而对电池健康状态进行评估，也是在电化学机理基础上进行的，等效电路模型分为频域模型与时域模型两种。频域模型是指利用电化学阻抗谱（EIS）法得到频域交流等效电路模型，然后用交流复阻抗以匹配该阻抗谱，在较宽的频域范围内分析电池内部不同因素形成的电化学阻抗。时域模型是指通过电池的I-V响应数据等来进行等效电路中的参数识别，包括Rint模型、Thevenin 模型和二阶 RC 模型，Rint模型较为简单，由于没有考虑电池的极化特性，模型精度较低。Thevenin模型在Rint模型上考虑到了电池极化因素，通过等效的极化内阻和极化电容构成的回路来模拟电池的动态过程，结果较为精确。PNGV 模型和GNL模型是基于Thevenin模型进行改进的模型。二阶RC模型是在Thevenin模型基础上又增加了一组Rc回路，模型的阶数越高，精确度越好，但精准越高意味着所涉及的参数也越多，运行复杂不易建模。文献[10]采用RC等效电路模型估计电池的健康状态，对比研究了不同阶次的RC 等效电路模型状态估计效果，结果得出双RC 网络的等效电路模型DP模型具有最佳的性能。孙冬[11]等人提出基于多模型数据融合技术的锂电池健康状态(SOH)预测方法，该方法基于Thevenin 等效电路模型，并结合基于增量式自回归模型(IARX)的健康特征数据提取方法，以此构建均值内阻、最小内阻和内阻-荷电状态（SOC）健康状态模型。He Hongwen[10]等人在Thevenin 模型的基础上增加一个RC 分支，改进了Thevenin 电池模型，利用扩展卡尔曼滤波（EKF）算法对模型参数进行辨识，并采用自适应EKF（AEKF）算法对锂离子电池的SOC 进行估计，误差明显降低。等效电路模型相较于电化学模型有较大的可实现性，但由于等效电路模型是将电池做了近似等效处理，因此在一些情况下预测可能会出现较大误差（见图2和表1）。

图2 等效电路模型分类

1.3 直接提取健康因子

直接提取健康因子是直接提取电池外部特征参数，并通过算法来建立与电池容量的关系以此评估电池的健康状态，图3为该方法的逻辑模型，该方法与以上两种方法相比相对快速准确，最常用的是基于充放电曲线的容量增量分析法（ICA）和差分电压分析法（DVA），通过分析DV曲线的峰间距或IC曲线的峰面积可以得到参加材料相变过程的电量[12,13]，从而得到电池容量衰减情况。此外，也可运用概率密度函数（PDF）方法处理电池恒流充放电数据来进行容量评估，PDF法与增量容量分析法和差分电压分析法的数学基础是一致的。Feng[13]等人在1/3C的电流倍率下，统计落在不同电压值的数据点的个数，计算概率，构建PDF，通过分析PDF中峰的位置和面积，评估出记录部分电压范围内（充电3.38～3.42 V；放电3.27～3.3 V）电池当前容量。Honkura[15]等通过分析由正、负极放电曲线叠加而获得的放电曲线，从电池电压窗口和电池放电曲线推导出电池容量，该方法一大亮点是能够在恶劣条件下比常规方法更准确地预估电池容量。Merla等[16]利用差热伏安法（DTV）对恒电流充/放电过程中获取电池电压、表面温度进行计算，发现DTV 曲线中的峰参数可以用来量化电池SOH 值。尹鸽平[17]等采用2 分钟的1/25 C 充放电脉冲电压来近似于开路电压的快速测定，并提出了一个基于放电末端电压的SOH值计算的新方法，但要满足新旧电池的放电末端电压要在相同荷电状态范围下的相同放电深度放电终止时测定这一条件，此外，廖强强[18]课题组通过研究电池模组的开路电压与该模组的SOH 之间的关系，提出开路电压极差可以作为电池模组SOH值的快速评估指标。直接提取健康因子相较于电化学模型所用时间短，预测结果比等效电路模型精确，且相关测试方法简单，成本低，适合于实际工程应用。

表1 常见等效电路模型优缺点对比

1.4 机器学习

图3 直接提取健康因子逻辑模型

基于大数据的机器学习技术愈来愈成为电池健康状态与寿命预测的一个重要手段。机器学习是指通过设计电池健康状态预测算法，结合电池健康状态相关参数，对大量样本进行训练，建立电池一致性快速筛选模型。欧阳明高等人[19]以少量的锂离子电芯容量和电压参数为基础数据，采用神经网络算法建立了一套适用于大量退役电芯的快速筛选模型，该模型容量估计误差小于4%，筛选效率比传统方法提高5 倍以上。Wang[20]等人提出了基于球形容积粒子滤波器（SCPF）的状态空间模型，用于检查26个锂离子电池的RUL，自适应滤波技术可以提高健康预测的准确性，然而模型的精度很容易受到可变电流和温度的影响。陈琳课题组[21]采用深度机器学习方法挖掘包含内阻在内的多参数健康指标与电池健康度SOH 的内在关系，实现SOH 值的在线评估，误差率小于2.5%。Widodo[22]等人提出了一种基于放电电压样本熵（SampEn）特征的电池健康智能预测方法，利用支持向量机（SVM）和相关向量机（RVM）两种机器学习方法，分别采用SampEn和估计电荷状态（SOH）作为学习算法的数据输入和目标向量，结果表明，支持向量机和RVM在SOH预测中有良好性能，并且RVM优于基于支持向量机的电池健康预测。机器学习模型是目前电池健康状态评估方法的研究热点，未来应开发精度更高，泛化能力更好的算法，匹配以适合的电池参数，建立更快速的退役电池规模化筛选模型。

单一的健康评估方法存在测试时间长、精度低、参数复杂等不足，目前倾向于将各类方法融合充分发挥各自的优势，以实现更精确可靠的锂离子电池SOH协同估计。N.T.Tran等[23]针对电池参数在电池的整个生命周期内发生显著变化影响状态估计的准确性问题，提出了DEKF 算法和自回归外生（ARX）模型结合进行参数在线估计的方法，不仅解决了状态估计准确度问题，还节省了参数预测试的时间和精力。徐元中[24]等人提出一种基于SA 算法优化BP神经网络的锂离子电池SOH在线预测方法，以微分电压、欧姆内阻、循环次数作为电池的健康状态因子输入至BP神经网络，结合SA算法优化BP 神经网络的权值,使预测模型得到最优解，实验结果表明，利用优化算法对电池SOH 进行预测,其最大误差仅为1.98%,平均误差为1.09%。Zheng[25]等采用RVR模型作为非线性时间序列预测模型，对预测期内保持为零的UKF未来残差进行预测，并将未来残差于无迹卡尔曼滤波递归结合估计电池的剩余寿命及短期内的可用容量，该方法具有较高的可靠性和预测精度。

3 相关算法

电池健康状态评估的各种方法几乎都会用到算法，电池模型的建构以及各个模型中数据的预处理、健康因子的提取等都需要结合算法，表2 列举了在参数识别、机器学习以及数据预处理方面常用到的一些算法：数据预处理通常采用曲线拟合与滤波等方式，包括支持向量回归、卡尔曼滤波等算法；神经网络算法以及粒子滤波等算法通常用于构建电池模型以及大数据学习；参数识别算法通常采用最小二乘参数识别、相关向量机等算法。不同算法的应用方向不同，应根据电池健康状态评估角度以及各类算法的特征及作用，结合多类算法构建电池快速分选模型，以实现电池的快速精确分选（见表2）。

4 筛选流程

退役电池筛选基本流程如图4 所示,分为以下几步：外观检查，检查外观是否有挤压变形、破损、漏液等现象；健康状态评估，对退役电池进行基本性能测验；筛选重组。

表2 健康状态评估相关算法

图4 退役电池基本筛选流程

退役电池由于数量较多，为了方便管理和分选，蔡铭[26]等人提出将容量Q、平衡电动势U以及放电直流等效内阻谱r(z)作为电池梯次利用的统一分选指标，其亮点在于给出了分选指标与不同用户需求指标之间的对应关系，同时还提出了建立数据库、电池初选、电池测试以及梯次利用分选四个步骤组成的分选方法。Tan[27]等人提出了用于电动汽车退役磷酸铁锂电池的分级利用的电池分选方法，可以有效消除电池间的差异，最大限度地提高二次电池的使用寿命，所提出的方法不需要考虑放电速率和温度，并且在给定的温度和工作电流下仅需要进行一次测试，在实际工作条件下也可以产生准确的容量，还考虑了实际的容量退化和内部电阻的退化。赵光金[28]等研究出一种退役单体电池可用性评价方法，建立了基于核心关键参量的电池健康状态评估方法体系，通过容量、内阻、循环性能及隔膜降解特性筛选可梯次利用的单体电池。

5 结论

退役电池的快速分选对于梯次利用在经济性和安全性上都具有重要意义。行业内有关电池健康状态的评估方法在不断进步，但目前不同方法仍分别存在测试时间长、成本高、测试结果不准确、或模型泛化能力不强等问题。电池的健康状态是快速分选的关键，基于电池衰减原理的参数模型方法以及基于各类算法的机器学习是电池健康状态评估的主流。未来的主要研究方向应集中在：从机理出发，构建更加简易且实用的电池模型；开发出更加精确、鲁棒性更强的算法，多类评估方法相融合，构建快速智能的电池评估选模型，做到精确度、测试效率、简易度以及测试成本兼顾，形成电池快速筛选方法，促进梯次利用产品真正实现产业化。