锂离子电池健康状态的估计方法分析

梁晓静(东莞维科电池有限公司，广东 东莞 523000)

0 引言

为了解决环境污染和能源短缺的重要问题，目前已经把具有多种能量来源和节能环保的电动汽车作为汽车产业发展的关键方向[1]。SOH 通常被定义为在特定条件下以一定速度从满载到截止电压放电的电池标称容量的百分比。锂电池以其能量密度高、使用寿命长、自我放电率极低、对环境污染小等优点，逐渐发展成为电动汽车不可缺少的可靠能源。健康状况是衡量锂电池降解程度的指标。不同的文献对其有不同的定义和估算方法[2]，还有基于内阻、循环次数等的定义。电池使用的次数越来越多后，锂电池会慢慢老化，这严重影响电动汽车行车安全与续航里程，因此研究锂电池的SOH 估计有重要意义。由于SOH 受众多内外部因素的影响，与电池的老化机制有关，难以直接测量获取。但可以通过电池中的可测变量如容量、内阻计算得到。目前国内外对锂电池状态估计中荷电状态(state of charge，SOC)估计较多，SOH 估计较少,因此有必要对锂电池SOH 估计方法进行研究。

1 SOH定义

IEEE 标准1188.1996 明确指出[3]：当电池SOH＜80%时，电池不能正常工作，需要更换。随着电池充放电次数的增加和搁置时间的累积，电池的容量减少和内阻增加。因此常用容量和内阻定义SOH。

1.1 容量定义SOH

锂离子电池当前电池最大容量占电池额定容量的百分比为SOH 的定义[4],如式(1)所示。该定义简单，但在电池正常工作中，对Qaged准确地实时估算具有较大难度。

式中：Qrated为新电池出厂时的额定容量；Qaged为投入使用后电池实际的最大容量。

1.2 内阻定义SOH

通常SOH 在一定程度上能反映电池的老化情况，电池内阻增大是老化的主要原因。SOH 内阻定义如式(2)所示。

式中：REOL是电池寿命结束时的内阻；RNEW是新电池内阻；R是当前状态下的内阻。

2 SOH估计方法

不同的文献对SOH 估计方法的分类也不同，本文将常用的SOH 估计方法分为三大类：实验估计法、自适应滤波法和数据驱动法。

2.1 实验估计法

实验估计法可以通过直接测量容量、内阻，或通过差分分析法间接分析出与电池SOH 相关的特征参数，主要包括容量测量法、电阻测量法和差分分析法。

2.1.1 容量测量法

电池容量反映了一个充满电的电池可以储存多少能量，被用作SOH 估计指标之一。准确测量电池的当前容量是估计SOH 最简单和最精确的方法。虽然市场上已经有成熟的容量测试器，是以电池放电的方式通过可测变量(电流)来测量当前的放电容量，单位为Ah，测量精度高[5]。但该方法只适用于固定的环境如实验室。还需要对电池进行反复的充放电实验，因此不适合实际应用。

2.1.2 电阻测量法

电阻测量法是基于电池直流内阻或交流阻抗对SOH估计。先要建立内阻与SOH 的对应关系，然后通过对内阻的精确测量估计SOH。文献[6]基于电池等效电路模型采用温度因素对SOH 估计误差进行校准，还引入了最小二乘法获取电池的内阻参数用于SOH 估计。结果表明，该方法的估计效果好且计算量低。但未考虑在动态工况下电池温度对估计的影响，因此需要进一步研究。

2.1.3 差分分析法

由于直接从电压曲线中获得的电池内部信息非常少，采用电化学特性和增量容量分析 (incremental capacity analysis，ICA)来处理电压数据，得到有特征参数的IC 曲线。IC 曲线以非常小的电流率对电池进行充放电，计算出与小电压间隔相对应的容量(dQ/dV)。该过程是将原始充放电曲线的电压平台转换为可识别的IC 峰值。另一种是差分电压分析 (differential voltage analysis，DVA)，DV 是电压对容量求导(dV/dQ)。通过分析DV曲线在整个老化过程中各峰的变化，更容易定量分析出容量的衰减趋势。IC/DV 曲线适用于非常低的电流率如C/25，在大电流下估计SOH 有待进一步研究。文献[7]提出了一种基于ICA的锂离子电池健康状态估计算法。其中引入区域容量和区域电压，针对四种类型电池的实验循环数据，建立了SOH 模型，该方法对一般电流率(1C)也有效。实验结果表明，在选取适当区域电压的情况下，电池模型拟合得到的相关系数R2为0.948。ICA&DVA 的锂电池SOH 估计算法，实验中使用了小电流充放电的数据，将电池容量对电压微分得到IC 曲线，通过分析IC曲线中峰值和位置的变化情况推断出电池的老化衰退机理，实现SOH 估计。虽然ICA/DVA 广泛应用于辨识电池老化特征参数，仅需要电压和容量两个参数，易于监测。但大部分文献基于ICA/DVA 所提取的电化学特性是在非常低的电流率下(＜1C)，且估计精度易受到温度因素的影响。此外，IC/DV 曲线对电池特性所产生的噪声很敏感，需要用滤波算法得到平滑的IC/DV曲线。一旦获得平滑的IC/DV 曲线，就容易识别和跟踪与电池容量衰退相关的特性。最后通过SOH 估计器建立电池容量与辨识特征之间的模型。

2.2 自适应滤波法

自适应滤波法通过辨识模型中能够表征电池健康状态的参数，进行SOH 估计。其根据滤波增益不断调整模型参数，以期达到提高SOH 估计精度的目的，一般用于在线实时估计。影响SOH 估计精度的因素主要有两个方面：(1)电池模型的精确程度；(2)自适应滤波法。等效电路模型 (equivalent circuit model，ECM)、电化学模型 (electrochemical model，EM)通常利用电阻、开路电压等作为表征参数，通过综合查找表计算出SOH，还可以定义电池参数与SOH 之间的数据映射。与EM 相比，ECM 计算量小，但缺乏对电池物理意义的分析，因此，可以考虑将两者结合构建新模型用于估计SOH。基于电池模型的自适应滤波法是估计SOH 的一种有效方法，本节主要从自适应滤波方面估计SOH，主要包括卡尔曼滤波 (kalman filter，KF)、粒子滤波(particle filter，PF)和最小二乘 (least square，LS)。

2.3 数据驱动法

由于电池内部原理的复杂性和工作条件的不确定性，很难建立准确地反映电池动态特性的电池模型。数据驱动法不需要了解电池的工作原理和电池模型，只与收集的老化数据有关，预测精度高。因此数据驱动法对数据依赖程度很高，可以将数据驱动、大数据挖掘方法和自适应滤波法相结合，从而提高算法在实际应用中的准确性。目前用到的数据驱动法主要包括人工神经网络 (artificial neural network，ANN)，支持向量机(support vector machine，SVM)和智能优化算法。ANN 是对真实人脑神经网络的结构进行抽象和模拟而成的一种信息处理系统。典型的ANN 由三层组成：输入层、隐含层和输出层。每层由一个或多个神经元构成，通过权重wi将这些神经元连接在一起处理来自输入层的信息，然后结合阈值b，从输出层输出预测结果。其中，对隐含层神经元个数的选取与模型的精度密切相关，可以采用优化算法优化隐含层神经元的个数来提高模型精度。

3 未来发展趋势

尽管近几年在SOH 估计方面有一定的进展，但仍存在很多不足。根据上文，总结出SOH 估计方法的优缺点，如表1 所示。

表1 锂离子电池SOH估计方法的优缺点

针对SOH 估计方法的缺点，对进一步估计SOH 提出一些建议：(1)可以优化测试工况，结合智能优化算法辨识高效、精确的模型参数用于状态估计，提高模型精度；(2)对现有方法进行改进和扩展，如多模型融合方法，离线和在线方法的互补协调； (3)针对计算量大的问题，可以采用基于云计算技术的大数据平台，将电压、电流和温度等信息不断传递到平台上，基于所收集的数据在实际环境中进行训练，能得到较好的估计结果。

4 结语

本文综述了近几年国内外对锂离子电池SOH 估计的相关研究，总结归纳了SOH 的常用定义和综合分析了各种SOH 估计方法。着重介绍了各种锂电池SOH 估计算法、准确性和优缺点。虽然目前在锂离子电池机理研究、电池模型构建、状态估计方法等方面有所成就，但在工程化应用方面仍存在问题。如由于锂电池自身老化过程是复杂的化学变化，难以直接测量SOH。目前SOH 估计主要针对电池在特定工况下测试实现的，而实际工况比较复杂，难以实时估计SOH。因此最后讨论了在现有基础上对SOH 更进一步的改进和发展趋势。