基于放电电压降的锂电池剩余寿命预测方法研究

林甲深 王飞鸿 杨雅雯

摘  要：锂离子电池凭借其出色的电性能，已然成为动力和储能的最佳载体，对锂电池的剩余寿命的预测显得尤为重要。目前，锂电池剩余寿命的主要预测方法有数据分析和融合分析等方法，这些方法的输入变量是锂离子电池的放电容量。考虑到锂电池放电容量存在获取速度慢，效率低等缺点，本文提出一种基于放电电压降作为输入变量的剩余寿命预测方法，并基于NASA的锂电池数据验证该方法预测的有效性。

關键词：锂离子电池  剩余寿命预测  无迹卡尔曼滤波  电压差  预测方法

中图分类号：TM911                            文献标识码：A                    文章编号：1674-098X（2021）02（b）-0045-06

Research on Residual Life Prediction Method of Lithium Battery Based on Discharge Voltage Drop

LIN Jiashen  WANG Feihong  YANG Yawen

（Xiamen Products Quality Supervision & Inspection Institute， Xiamen， Fujian Province， 361004  China）

Abstract： Lithium-ion battery with its excellent electrical performance， has become the best carrier of power and energy storage， the remaining life of lithium battery prediction is particularly important. At present， the main predictors of the remaining life of lithium batteries are data analysis and fusion analysis， and the input variables of these methods are the discharge capacity of lithium-ion batteries. Considering the disadvantages of slow acquisition speed and low efficiency of lithium battery discharge capacity， this paper proposes a residual life prediction method based on discharge voltage drop as an input variable， and verifies the validity of the prediction based on NASA's lithium battery data.

Key Words： Lithium-ion batteries; Residual life of lithium battery; UKF; Voltage drop; Prediction

锂电池由于其循环寿命好、重量比能量高和体积比能量高等优点，在新能源汽车的动力系统和微电网的储能系统中大量使用。锂电池由于其自身特性，在循环充放使用过程中，其放电容量会随着循环使用次数的增加而降低，当锂电池的电性能下降到一定程度后，会间接影响使用设备的体验、性能和安全，因此，很有必要对锂电池的剩余寿命进行预测，当锂电池的剩余寿命下降到临界条件时，能及时的提醒用户更换锂电池，以避免因为锂电池的性能下降引起的设备性能下降或者安全事故的发生。目前，锂电池剩余寿命的主要预测方法有数据分析和融合分析等方法[1-4]，这些预测分析方法的输入变量是锂离子电池的放电容量，而锂电池放电容量的测试时间长，存在预测效率低等缺点，因此，本文提出一种基于放电电压降和无迹卡尔曼滤波算法（UKF）的锂离子电池剩余寿命预测方法，可以缩短输入变量的获取时间，提高剩余寿命的预测效率。

1  锂电池电压降模型

锂电池是将化学能转化成电能的装置，随着使用循环次数的增加，锂电池的放电容量会慢慢衰减。伴随着放电容量的衰减，锂电池的放电曲线（电压-时间）会往下偏移，体现在电压特性上就是在相同的放电电流和放电时间的条件下，锂电池的放电电压的下降速度变快。增对锂电池的这种特性，我们分析了放电电压降和锂电池放电容量的关系。

本文根据NASA实验室测量的锂电池循环寿命数据，测试样品编号B0005，测试样品的放电方法为：放电电流2A，放电截止电压2.7V;测试样品的充电方法为：CCCV，恒流充电电流为1.5V，充电上限电压为4.2V，充电截止电流为20mA。提取寿命数据所有循环的从开始放电到放电1000s的放电电压降，将放电容量作为Y轴，电压降作为X轴，利用指数拟合如图1所示，利用二次方程拟合如图2所示。从图中可以看出，这两种拟合方式都有较好的拟合效果，考虑到实际电池的放电容量会随着电压降的增加而减小，最终趋于一个定值，因而指数方程的趋势更满足电池的特性曲线。

为了分析该模型的适用性，我们分别提取了不同的放电时间（放电200s，放电400s，放电600s，放电800s和放电1000s）进行拟合，验证不同放电时间下指数拟合能否都满足锂电池的放电特性曲线，如图3所示。通过图3对比分析可以发现，针对不同的放电时间长度，都能较为准确的拟合出放电电压降和剩余容量的关系，因此本文选择作为锂电池电压降模型。

2  基于UKF算法的锂离子蓄电池剩余寿命模型

本文选择Saha等人提出的锂电池退化模型[5-7]，如式（1）所示。其中：为衰减比例，为次循环的放电容量，、为模型参数，为前后测试的静置时间。因为、和会随着循环次次数变化，将式（1）转化成式（2）。

（1）

（2）

结合锂电池电压降模型对公式（2）进行变换得到锂离子电池容量退化模型的状态方程为：

（3）

其中，

基于放电电压降的锂电池剩余寿命预测算法的步骤如下[8]：

步骤（1）通过公式（4）获得采样点。

（4）

步骤（2）通过公式（5）获得采样点的权值。

（5）

步骤（3）对采样点进行预测。

（6）

步骤（4）计算协方差矩阵。

（7）

步骤（5）将预测值再次UT变换产生新的Sigma点集。

步骤（6）将Sigma点集带入观测方程，计算生成观测值，。

（9）

步骤（7）观测预测值通过公式（10）计算获得系统的协方差和预测值。

（10）

步驟（8）计算卡尔曼增益矩阵。

（11）

步骤（9）计算状态更新和协方差更新，完成预测。

（12）3  基于放电电压降的锂电池深应寿命预测方法的实验验证与评估

本文进行实验验证使用的数据是来自NASA实验室测量的锂离子电池循环寿命数据[9]，试验数据包编号分别为B0005和B0006。B0005的放电方法为：放电电流2A，放电截止电压2.7V;充电方法为：CCCV，恒流充电电流为1.5V，充电上限电压为4.2V，充电截止电流为20mA。B0006的放电方法为：放电电流2A，放电截止电压2.5V;充电方法为：CCCV，恒流充电电流为1.5V，充电上限电压为4.2V，充电截止电流为20mA。

样品编号、放电时间、电压降模型参数和UKF模型参数如表1所示，试验验证结果如图4～图9所示，图中，绿色叉点为UKF滤波后的放电容量;红色叉点为UKF预测的放电容量，蓝色曲线图为实际放电容量。通过对比图4、图5可以看出针对不同的学习次数，基于放电电压降的锂电池剩余寿命预测方法都有不错的预测结果;通过对比图5、图6、图7、图8，可以看出针对不同的放电时间，本方法都有不错的预测效果;对比图5和图7，可以看出针对不同的锂电池也有不错的预测效果;综上，基于放电电压降的锂电池剩余寿命预测方法具有较强的适应性，在不同的学习次数下，不同的学习样品和不同的放电时间下都可以较为准确的预测电池的剩余容量的衰减趋势。

4  结语

本文以研究锂离子动力电池剩余寿命预测模型研究为目的，全面分析锂动力电池剩余寿命随等时间电压差变化关系，在此基础上建立基于锂动力电池等时间电压差和UKF的锂离子动力电池剩余寿命预测模型;利用NASA和CALCE锂离子动力电池寿命数据验证基于UKF的锂离子动力电池剩余寿命预测模型的合理性和有效性，在不同的学习次数下，不同的学习样品和不同的放电时间下都可以较为准确的预测电池的剩余容量的衰减趋势。但是，在实际工况中，基于相同的放电电流、放电时间的锂离子电池放电电压降不好获取，需要有专门的充放电设备才能获得精准的电压降，这对寿命预测的方便性有较大的影响，此外，在预测之前需要有完整的寿命数据提取模型参数特征，使得基于电压降的剩余寿命预测方法使用具有限值条件，这也是该预测方法今后需要解决的问题。

参考文献

[1] 周志兴，贾志学，雷治国.锂离子电池寿命研究综述[J].机电技术，2019（3）：117-120.

[2] 李鑫.数据驱动的关键设备剩余寿命预测[D].西安：西安理工大学，2020.

[3] 林娜，朱武，邓安全.基于融合方法预测锂离子电池剩余寿命[J].科学技术与工程，2020，20（5）：1928-1933.

[4] 林娅，陈则王.锂离子电池剩余寿命预测研究综述[J].电子测量技术，2018，41（4）：29-35.

[5] 林娜，朱武，邓安全.基于融合方法预测锂离子电池剩余寿命[J].科学技术与工程，2020，20（5）：1928-1933.

[6] Zhang Heng， Miao Qiang， Zhang Xin， et al. An improved unscented particle filter approach for lithium-ion battery remaining useful life prediction[J]. Microelectronics Reliability， 2018， 81： 288-298.

[7] 李练兵，季亮，祝亚尊，等.等效循环电池组剩余使用寿命预测[J].工程科学学报，2020，42（6）：796-802.

[8] 谷苗，夏超英，田聪颖. 基于综合型卡尔曼滤波的锂离子电池荷电状态估算[J].电工技术学报，2019， 34（2）：419-426.

[9] 朱亮标.基于数据驱动的锂离子电池剩余寿命预测模型及软件实现[D].广州：华南理工大学，2014.