电动汽车动力锂离子电池寿命预测方法分析

吴小岭

摘 要：新能源行业以较快速度发展，其中电动汽车销量逐年增加，同时，动力锂离子电池的寿命预测问题备受关注。本文先分析锂离子电池健康影响因素，然后探究电动汽车动力锂离子电池性能估算法及寿命预测法，希望能为相关研究人员和动力锂离子电池生产者提供参考。

关键词：电动汽车;锂离子电池;电池寿命;预测方法

0 引言

近年来，环境污染、能源短缺等问题严峻化，对于电动汽车行业来说，应持续供应清洁、无污染，且寿命循环的动力源。动力锂离子电池既能满足环境保护、资源节约需求，又能提升电动汽车性能。基于此，动态预测锂离子电池寿命，得出真实、可靠的预测结论，为日后锂离子电池研发及健康状态保持提供依据。

1 锂离子电池健康状态影响因素

锂离子电池寿命时长判断依据主要是健康状态，一般来说，电池实际容量为称重容量百分之八十，则电池寿命终结，换言之，电池健康状态小于0.8，同样说明电池能源被消耗殆尽[1]。基于能耗衰减机理分析，总结得出影响电池健康状态的因素。基于正极视角分析，材料结构出现集流体溶解、电解质分离、导电剂氧化或脱离等现象，使得材料效用大打折扣;基于负极视角分析，电量逐渐减少现象一旦发生，意味着电极-电解质界面出现电量衰减反应，充电、放电环节会产生SEI膜，该膜作用体现在副反应物被不同程度溶解方面。基于使用视角分析，电池使用温度、充放电频次与时长均是影响寿命状态的重要因素。此外，结构设计、管理方法等因素对锂离子电池性能和寿命周期有关键性影响。及时、准确判断锂离子电池寿命，使电池换新工作有效进行，实际上，电池性能的常态发挥，能为电动产品提供充足动力，进而更好地服务于生产、生活。

2 电动汽车动力锂离子电池性能估算法

动力锂离子电池性能精准估算十分必要，常用估算方法包括定义法、内阻法、电化学阻抗法、模型法，具体方法的应用如下：

2.1 定义法估算电池性能

估算实践以电池健康状态定义为切入点，估算步骤为：电池电能释放→记录放电量→电池健康状态评定。这一方法具有等待时间长、实用性低等特点，多数情况下排除这项估算法。

2.2 内阻法估算电池性能

工作人员构建电池健康状态与电池内阻间关系，据经验总结得知，电池工作阶段的内阻值由低到高，但健康状态信息显示的内容趋近非良好。实际估算时，往往联用多种方法，如脉冲法、卡尔曼滤波法等，尽可能减少估算误差。

2.3 电化学阻抗法估算电池性能

以正弦信号增加的方式，测得电池运行阶段的声响情况，与此同时，获取并分析价值信息，并借助模糊理论动态测得电池健康值。数据信息汇总后，为电池性能判断提供参考。

2.4 模型法估算电池性能

经建模估算电池健康状态，在此之前，总结电池内外部特性，以便为模型构建提供特征信息，保证模型实用性和有效性。以现今电动汽车动力锂离子电池市场需求为导向，并尊重由电池健康状态动态改变导致电池健康值估算难度提高这一事实，视情况构建适宜模型。一般来说，经验模型、人工神经网络模型较常见，对于经验模型，即借助实验数据、实验环节参数变化规律进行数学方程构建，为电池工况动态管控提供依据[2]。对于后者网络模型，主要以人体神经元模拟这一方式建立数学模型，经节点网络搭建，获取电池健康状态估算值。两种模型对比而言，后者具有便捷、高效、高精度等优点。

3 电动汽车动力锂离子电池寿命预测方法

动力锂离子电池在不同工况下使用，其电池寿命衰减机理具有不确定性。针对电动汽车中动力锂离子电池进行寿命预测，根据预测值调整修正方案，尽可能延长电池寿命终值，使电能资源最大化利用，从而减少电动汽车生产成本，逐步提高电池自适应性，保证电动汽车运行的稳定性。

3.1 卡尔曼滤波预测法

卡尔曼滤波法問世时间早，这一传统方法在电池寿命预测环节积累了丰富经验，所得到的预测结果具有较高参考价值，能为电池修正模式调整提供新思路，实现电池寿命周期延长、电动汽车稳态运行的良好效果。该方法应用步骤总结为：经系统输入观测数据→输出观测数据→测评系统状态→得出最优估计值。这项方法凭借信号稳定、信号真实等特点传递反馈信息，为电池寿命研究方法改进提供数据信息，使误差最小化。现今，部分研究人员以实验方式对其进行可行性验证，即通过等效模型建立、空间状态方程构建，顺利完成电池健康状态检测，得出高精度估算值。

3.2 标准粒子滤波预测法

标准粒子滤波方法与常规粒子滤波算法相比，具有耗时短、估算误差小、计算程序简便等优点，满足新时期电动汽车低成本、短周期生产需求，为新能源行业健康发展提供推动力。标准粒子滤波预测法应用时，即在状态空间中获得随机样本，近似表示概率密度函数，为最小方差精准测算做足准备工作。即便状态空间模型动态变化，仍能借助粒子集表示概率法，足以见之，粒子集具有较强适用性，能够用于分析固定工况、恶劣工况下锂电池寿命。粒子滤波器在锂离子电池寿命预测中有一定的优越性，主要是因为它将理论知识和技术实践相结合，一定程度上满足动态跟踪需求，最终得出具有参考价值的预估值。放眼长远，动力锂离子电池寿命预测要求不断提高，这无疑对粒子滤波预测法实践提出较高挑战，一旦微小粒子持续参与迭代计算，则计算成本相应增加;当个别粒子被赋予粒子权值，则粒子多样性将大打折扣，并极易出现粒子退化现象。对于预测人员来说，应适时参与标准粒子滤波预测法改进，使其在动力锂离子电池寿命预估中发挥实用性。

3.3 神经网络预测法

神经网络估算法是网络信息时代发展的产物，这一方法能够在短时间内测得电动汽车动力锂离子寿命状态，且得出的预估值具有高精度、高参考价值等优势。以LMBP神经网络估算法为基础，在专业人员指导下顺利完成锂离子电池寿命状态预测任务，这既能积累神经网络预测法应用经验，又能满足电池健康状态实时预测、精准判断等需求。其中，标准BP算法、LM算法基于标准数值实现技术优化，这类算法适用于性能指数为均方误差的神经网络训练。

3.4 萤火虫算法

这一算法属于智能随机优化算法，以模拟萤火虫群体行为、分析信号单元，得出锂离子电池寿命衰减规律。分析这一算法使用原理，即通过优化粒子滤波消除小权重粒子，尽可能减缓粒子退化速度，全面保证粒子多样性。与上述标准粒子滤波预测法相比，萤火虫算法具有较强的互补作用，能够大大提高电池寿命状态预估精度。该算法优化粒子滤波环节，以提升融合算法使用性能为基本目标，即结合粒子滤波算法的工作机制，相应调节萤火虫亮度及位置，以此降低运算复杂度，缩短运算时间，使滤波精度大大提高。当上述调节工作得当，则粒子滤波算法能够用更少的迭代次数和粒子样本数实现高精度电池寿命预估。足以见之，萤火虫算法适时优化，能够提高运算实时性、简化运算流程，为锂离子电池寿命精准预测提供优质服务。

4 结论

综上所述，电动汽车行业以迅猛之势发展，为落实能源节约、环境保护战略，势必要全面、精准预估电池健康状态预测工作，使锂离子电池健康状态调节工作有的放矢。新时期下，卡尔曼滤波预测法、标准粒子滤波预测法、神经网络预测法、萤火虫算法具有较强实用性，根据锂离子电池寿命预测需要，联用两种或两种以上预测法，能够提高锂离子电池能源利用率。

参考文献：

[1]田君，高洪波，张跃强.电动汽车动力锂离子电池寿命预测方法研究[J].电源技术，2020，44（5）：767-770.

[2]何洋，彭以平.电动汽车锂离子电池健康状态估算及寿命预测方法综述[J].汽车实用技术，2018，44（11）：16-18.