一种动力锂电池系统的SOH 估算方法

苏振东，孟庆国，尹 骞

（武汉力神动力电池系统科技有限公司，湖北 武汉 430000）

动力锂电池因其能量密度高、输出功率大和循环寿命长等优点，已经成为新能源汽车、智能电网和电动工具等领域的首选动力电源。随着锂电池产业链的逐渐完善，锂离子电池组的价格不断朝着人们预期的方向变化。2013-2020 年全球锂离子电池组平均价格不断下降，由2013年的668 美元/kW·h 下降至2020 年的137 美元/kW·h，8 a间下降了79%。随着成本的下降，锂电池的应用规模越来越大。以新能源汽车为例，2016 年的出货量为28 GW·h，到了2020 年出货量已经增加到63.3 GW·h。

因为单节电芯的电压与容量有限，为满足新能源汽车、智能电网和电动工具等方面的应用需求需要几节甚至成百上千节电芯进行串并联，所以为了满足电池系统应用总电压与总容量的要求，成组的系统规模就会很大。由于锂电池有链式反应的特点，其能量越高，可能存在的危害性就越高。因此在控制成本的基础上，如何提高锂离子动力电池系统的使用寿命及安全性已成为全行业的关注焦点。

众所周知，锂离子动力电池系统在使用过程中不可避免地出现容量衰减。容量衰减的原因众多，如过充、过放、滥用、杂质、自放电、电解质分解和析锂等，从而使动力电池系统能够进行充放电的电量降低，进而影响使用，例如电动汽车的续驶里程缩短、电动工具的可操作时间缩短等。如果电池系统的真实充放电容量估算不出来，就会导致用户不能准确预估行驶里程，导致行驶途中趴窝，带来极大的安全隐患。

在进行电池系统SOH 值估算时，选取健康特征参数非常重要。健康特征参数可分为内特征参数与外特征参数两大类[1]。内特征参数是指电池内部的物理、化学参数，而外特征参数是指充放电容量与内阻值。若采用内特征参数评估电池系统SOH 值时，需选取可体现电池寿命衰减的关键特征参数，如活性物质体积分数、SEI 膜电阻和液相电导率等，再基于机理模型进行参数辨识[2-3]。虽然内特征参数可直接反映电池老化过程中内部相关物理、化学退化情况，但是关键参数配置困难且计算量巨大，大多仅作为电池内部老化机理分析手段。外特征参数主要是指充放电测试曲线、电池放电容量和电池内阻[4-5]。

容量衰减和内阻增加是目前最常用的SOH 估算指标。当采用这两者作为健康特征参数时，SOH 的计算公式如下：

式中，Crated是电池系统的额定充放电容量，C 表示当前电池系统的充放电容量；R 表示当前电池内阻，Rinitial表示电池系统的初始内阻。该类SOH 估计方法的关键在于当前充放电容量估计和内阻估计，额定充电容量与系统的初始内阻都可以测量出来。其中，式（1）常用在纯电动汽车上，式（2）常用在混合动力汽车上。受温度以及使用环境的影响，当前电池系统的充放电容量会有一定的波动，当前电池内阻的估算也深受电压、电流的检测精度以及芯片计算误差影响，因而本文采用循环次数累计估算算法进行初步估算，然后用SOC-OCV 曲线估算出真实值，再对两个参数按照相应的公式进行处理，计算出最终值。

1 循环次数累计估算算法

电池系统容量的衰减，在物理上与充放电深度DOD（电池从满电状态所放出的容量占额定容量的百分比）、工作温度、电池系统温差、充放电倍率、模组挤压力、整车震动幅度、电池系统静置时长和电芯一致性以及电芯压差控制等因素有关[6]。模组挤压力可以根据实验寻找1 个最佳压力值，电芯一致性可以通过控制电芯品质与筛选掌控。电池系统温差可以改良电池系统的热管理系统得到控制，电芯电压差可以通过改进电池系统均衡算法得以控制，整车振动幅度可以通过悬挂系统得以控制。充放电深度DOD、工作温度、充放电倍率和日历寿命4 个要素受到使用环境或客户使用习惯影响，可控制性偏弱，对于电池系统容量的衰减影响最深。

锂离子电池在充电的过程中，锂离子从正极脱出，穿过隔膜嵌入到负极之中，放电的过程则正好相反，锂离子从负极脱出，穿过隔膜嵌入到正极之中。正负极材料在锂离子嵌入和脱出的过程中，会引起正负极材料的体积变化，而正负极材料的体积变化与电池的剩余电量之间存在密切的关系。当锂离子电池充满电时，锂离子电池体积膨胀到最大，而电池模组的体积是一定的，因而承受来自模组结构的压力达到最大；当锂离子电池放空电时，锂离子体积收缩到最小，因而承受来自模组结构的压力为最小。锂离子电池承受的压力会影响正负极材料的体积变化，进一步影响锂离子的嵌入，压力过大容易导致内阻增加，加快锂离子电池寿命的衰减。因此，不同的充放电深度会对电池的循环寿命产生影响，充放电深度越大，锂离子电池寿命越短。

锂离子电池的电极或电解液界面上的电化学反应与环境温度有着显著的关联。从电化学角度分析，电荷传递电阻以及溶液电阻、SEI 膜电阻在整个温度范围内变化不大，对电池低温性能的影响较小；电荷传递电阻随温度的降低而显著增加，且在整个温度范围内随温度的变化明显大于溶液电阻和SEI 膜电阻。这是因为随着温度的降低，电解液的离子导电率随之降低，SEI 膜电阻和电化学反应电阻随之增大，导致低温下欧姆极化、浓差极化和电化学极化均增大，在电池的放电曲线上就表现为平均电压和放电容量均随着温度降低而降低。假如锂离子电池处于低温环境的时间较短，不会对电池容量造成损害。温度回升之后，性能也会恢复。但是，假如锂离子电池长时间在低温环境下充放电，电池正极表面会析出金属锂，这是个不可逆的过程，会对锂离子电池容量造成永久性损害。锂离子电池更容易在高温环境下出现安全问题，超过45℃，会破坏电池内的化学平衡，导致副反应，高温下充电电池材料的性能会退化，电池循环寿命也将大大缩短，这种损伤也是不可逆的。因此，低温或高温的长时间使用都会缩短锂离子电池的寿命，只有在合适的温度范围（15～35℃）内工作才会将使电池的使用寿命达到最大。

充放电倍率对寿命的影响，主要是内阻和极化增加、正负极活性物质缺失以及锂离子缺失3 个方面。充放电倍率越高，短时间经过正负极、隔膜和电解液的电流越大，反之亦然。在电池的使用中，每一种锂电池都有适当的充电倍率，一般情况下，以0.33 C（以电池容量为基准，电池充满1 h 为1 C，0.33 C 则需要3 h，数值越大，充电电流越大，充电速度越快，充电时间越少）和0.5 C 充放电，对电池的寿命衰减影响不大，而使用大倍率充放电对电池的寿命衰减影响就很大。锂电池充放电倍率越大，锂离子脱嵌和插嵌的速度越快，锂离子游动速度增加，来不及进入正负极的会在负极表面形成锂晶体，或者以金属锂形态沉积在极片表面，导致锂离子缺失，极片内部结构坍塌，活性物质减少，可嵌入的锂离子位置减少，进而导致电池极化内阻增加，并且一定程度上加大了电解液的消耗，增加了电池内阻。总之，充放电倍率越大，电池内部的极化和内阻增长越快，活性物质和锂离子的缺失速度降低倍率快，从而导致了电池寿命的快速衰减。

日历寿命主要指的是锂电池系统长时间静置导致的电池容量衰减，这种现象存在的根本原因就是锂电池存在自放电现象。锂电池自放电的原因有2 点：物理微短路与化学反应。引起物理微短路的情况很多，主要是2 种：一是由粉尘与毛刺引起。厂房预防粉尘杂质不严格与操作不规范导致在电芯组装过程中掺入粉尘，进而形成短路产生隔膜击穿，并在隔膜留下黑点。切片刀具没有及时更换会产生毛刺，毛刺会导致隔膜被刺穿，形成微短路。二是由正负极的金属杂质引起。在电池中，金属杂质发生化学和电化学腐蚀反应，溶解到电解液中并发生金属沉积。随着时间的增加，金属枝晶在不断生长，最后穿透隔膜，导致正负极的微短路，不断消耗电量。只要是金属杂质，都会对电池自放电产生较大影响，但影响程度不同。根据实验分析，铜杂质的影响程度最大，锌杂质居中，铁杂质较小。

化学反应导致锂电池自放电主要是由于电芯材料中掺杂水分。水分造成电解液分解，与SEI 膜发生化学反应，进而破坏SEI 膜，并且生成二氧化碳和水分子等；二氧化碳引起电池膨胀，重新生成的水分子会形成恶性链式反应。SEI 膜破坏的后果有2 个：一是溶剂进入石墨层中与LixC6发生反应，导致不可逆容量损失；二是破坏的SEI 膜修复要消耗锂离子和溶剂等，进一步造成不可逆容量损失。

因而，对一个类型的电芯模组进行测试，在不同温度、充放电倍率、充放电深度和日历寿命下进行扫点测试，绘出相应的曲线图，横轴为循环测试，纵轴为容量比，并绘制不同温度、不同放电深度、不同放电倍率和不同静置时长的曲线。通过这些曲线，确定各自的加权系数，得到SOH 的值，如下所示：

SOH=A*放电深度+B*倍率+C*环境温度+D*日历寿命，（3）其中A，B，C，D 4 个系数均为通过基础测试得到曲线图，然后进行均值化所得。由于芯片计算存在计算误差，检测单元存在测试误差，因而导致此算法存在一定的误差，需要相应的算法对此进行修正。

2 修正算法

当电池系统放电到一定的深度，静置超过一段时间后，就可以用SOC-OCV 曲线对SOC 值进行真实值修正。目前，新能源汽车上主流的锂电池有2 种，一种是三元锂电池，另一种是磷酸铁锂电池。三元锂电池的充放电电压曲线线性度比较好，只要避开SOC 值为20%到30%这一段进行修正，静置时间超过2 h，都能得到一个准确值。磷酸铁锂电池的充放电电压曲线有一个平台区间，SOC值为20%到90%这一段的电压值相差不大，不能采用SOC-OCV 曲线进行修正，但只要电压低于3.2V，SOC-OCV曲线的线性度就很好。磷酸铁锂电池系统静置时间超过2 h，电压低于3.2 V，就能采用SOC-OCV 表估算出真实的SOC 值。

电池系统估算出真实的SOC 值后，紧接着用小电流充电充满，这样处理的方式可以降低电池温升，再对充电容量进行累计计算，采用公式（1）的计算方式就能得到一个SOH 修正值，再与估算值按下面公式进行计算，如下所示：

SOH=W*SOH（估算值）+（1-W）*SOH（修正值），（4）其中W 为相关系数，可以通过实测得来，并且能够进行优化。通过此算法，可以提高动力锂电池系统的SOH 估算精度，确保电池系统的稳定性与可靠性，进而增加电池系统的安全性。

3 结论

SOH 估算是BMS 算法中的核心参数之一，对充分发挥电池系统的经济效益影响重大。目前，SOH 算法有一种方式是通过大数据，进行机器学习，估算出SOH 的值。现在所有的车辆都安装了T-BOX，车辆运行数据都能够实时上传到监控平台上，因此可以进行估算。此算法对硬件平台要求较高，数据存储能比较大，并且对后台终端的计算能力要求较高，再者上传的数据有一定的时间间隔，其精确度有待商榷。电动工具以及其他应用场景没有配备T-BOX，此算法的可适用性有限。

本文的估算方法比较简单，但具备较高的可行性，对于电池管理系统的计算能力要求不高，适用于现在所有的新能源汽车，也可以应用在储能电站、锂电池两轮车/三轮车、电动平衡车和锂电池工具上面，能够适用的场景较多。