锂电池健康状态估算平台的搭建

史艳霞， 祖林禄

(1.天津中德职业技术学院电气与能源学院，天津300350；2.天津大学电气与自动化工程学院，天津300072)

锂电池健康状态估算平台的搭建

史艳霞1， 祖林禄2

(1.天津中德职业技术学院电气与能源学院，天津300350；2.天津大学电气与自动化工程学院，天津300072)

通过对现有电池健康状态(SOH)估算方法进行分析，提出应用MATLAB软件平台搭建SOH估算平台的方法。对SOH的估计使用电压曲线拟合法，通过BP神经网络训练并预测电压值，然后计算得到SOH的大小。算法的设计过程应用MATLAB的图形用户界面(GUI)实现，降低了SOH估算方法的使用门槛。仿真结果表明，该平台能够准确预测SOH，为SOH估计系统的创建奠定了基础。

SOH；MATLAB；BP神经网络；图形用户界面

1 电动汽车电池健康状态估算方法概述

近年来，电动汽车以其优良的节能环保特性成为未来汽车发展的重要方向。而电动汽车电池组健康状态(State-of-Health，SOH)的下降成为制约电动汽车发展的重要瓶颈。SOH的标准定义是指使动力电池从充满电状态以一定倍率放电，当电压到达截止电压时放出的容量与其总容量的比值[1]。随着电池循环使用次数的增加，电池组健康状态会不断下降，健康状态下降的程度主要由健康状况下降最严重的单体电池决定。所以通过准确的估算电池组每个单体电池的SOH，及时更换SOH到达临界值的单体电池，即可确保电动汽车的整个电池组都工作在最佳状态。研究具有较高精度的SOH估算方法，将有助于推进电动汽车产业的发展。

现有的电池SOH估算方法主要有以下几种[2]：

(1)完全放电法。也称为定义法，指以一定的放电倍率，将被测电池全部放电，测量出放电时间，然后根据安时法计算出电池总容量，从而得到电池的SOH。这种方法是业界公认的最可靠的办法，但测量时需将电池离线，对于电动汽车电池组来说比较困难，而且需要专门的设备反复充放电，操作时间长且实用性不强。

(2)电阻折算法。内阻是电池的本质属性之一，电池内阻会随着电池的使用和老化而不断增加，从而导致电池的最大容量下降。从电池内阻的角度出发，可以根据内阻与电池健康状态的关系来估算SOH。此方法存在一定的缺陷：一是电池内阻的大小一般为毫欧，不易测量；二是电动汽车的电池工作环境非常复杂，电池内阻与SOH的关系并不是很明确。

(3)阻抗分析法。这种方法相对来说比较复杂，首先通过大量的实验得到电化学阻抗谱。然后用电池专用阻抗谱分析仪器或软件得到阻抗数据，将数据进行分析及处理，得出阻抗模型与电池SOH的相关性，从而预测电池的SOH。此种方法对设备仪器要求比较高，成本很高，且算法复杂，非常不适合用于电动汽车。

(4)电压曲线拟合法。纯电动汽车动力电池在使用过程中，电池的老化即电池容量的衰减，会引起电池在充放电过程中端电压的变化。电压曲线拟合法就是利用不同健康度下电池充入或放出相同电量时，会有不同的电压表征这一特点，来估算电池当前的SOH。相对于以上几种方法而言，电压曲线拟合法的优点是运算量小，不需要大量的实验数据支持，成本比较低，易实现，且相对准确。但是SOH估算的准确性对估计算法的依赖性较强。

本文采用电压曲线拟合法对SOH进行估算，并通过使用拟合能力较强的BP神经网络算法，实现SOH的准确估算。为了提高此方法的通用性，本文应用MATLAB设计图形用户界面(GUI)实现BP神经网络估算SOH，大大降低了此方法的应用门槛。

2 电压曲线拟合法估算电池SOH

用电压曲线拟合法来估算电池SOH流程如图1所示。

图1 电压曲线拟合法估算SOH的流程框图

如图1所示，首先进行电池的充电与放电实验，得到电池充放电数据，其中，不同充放电循环次数代表不同的电池SOH。将这些不同SOH的充电电压曲线分别进行归一化处理，然后在同一坐标轴中画出，选取相对来说比较居中的一条充电曲线作为BP神经网络拟合的训练曲线。将选好的训练曲线用BP神经网络进行拟合，得到充电电压和SOH之间的定量关系式。选取其它部分曲线作为验证曲线，将电压值带入到定量关系式中，可求得估计的SOH数值，通过将估计值与真实的SOH值进行比较，验证BP神经网络得到的定量关系的正确性。最后，可以通过实时测取充电时端电压的数值，实现对SOH的估算。整个过程可以概括为：建模-模型验证-模型应用。

2.1 电池充放电数据采集

本文利用恒温箱及专用的电池测试系统，对磷酸铁锂单体电池进行循环充放电实验，电池标称容量为200 Ah。用单体电池，按照充电-搁置-放电-搁置-充电的循环模式对电池进行循环实验[3]。一般认为当电池容量下降到80%左右，即SOH为80%时电池报废。在本实验中，当电池容量到达160 Ah时循环结束。在充放电循环期间，每隔5 s记录一次数据。本次实验采用最常用的先恒流再恒压的方式对电池进行充电。按照上述步骤，循环450次得到单体电池的充放电数据如表1。

表1 220 Ah电池充放电循环数据(部分)

由表1所知，随着电池充放电的不断循环，电池的SOH会逐渐下降，此时的充电和放电电压曲线也会变化，本文选用电池充电电压曲线进行SOH估算，充电电压随时间的变化如图2所示，由图可得，随着充电次数的增加，电池电压达到3.9 V的时间逐渐减少。

图2 不同循环次数时充电电压曲线

2.2 充电电压曲线归一化

如图2所示，电池充电电压曲线会随着SOH的不同而发生变化，但几根线的整体变化趋势是相同的。因此可以把充电电压曲线归一化，这里采用尺度变换的方法。归一化的过程如下式所示[4]：

2.3 基准充电电压曲线的选取

为评估不同SOH(即不同循环次数)时归一化后充电电压曲线的一致性，计算出每根曲线和坐标轴所围图形的面积。计算时，可用方便又较为准确的线性插值法[5]。计算公式如下：

根据公式(5)，计算出归一化后五个不同SOH对应的充电电压曲线所包围的面积，结果如表2所示。一般选取面积居中的曲线作为基准充电电压曲线。根据表2，按归一化后的曲线所包围的面积进行排序。可见第100次的充电曲线误差最小，选其作为基准曲线。

表2 充电电压归一化曲线一致性对比分析

2.4 GUI估算平台的搭建

应用MATLAB的GUI设计基于BP神经网络的电池电压估算系统[6]。在MATLAB命令窗口输入nntool并按Enter键，就可以打开Neural Network窗口，如图3所示。

图3 MATLAB GUI界面实现BP神经网络估计

BP神经网络训练过程：点击Import按钮，可以从工作空间或数据文件中导入输入时间变量(Input data)及输出的目标电压变量(Target data)；然后应用New按钮，在打开的窗口中选择应用BP神经网络进行数据训练；训练完成后可以通过Export按钮，将训练得到的估计输出数据(Output data)以及误差数据(Error Data)导入到右侧窗口，即可查看网络的估计效果。训练结束后，可以通过在Input data窗口输入测试的时间变量，应用训练得到的网络，得到估计的电压值。

2.5 根据基准曲线计算SOH

根据拟合好的电压曲线，计算SOH的公式为：

3 实验验证

任意选取六组电池进行充放电实验，根据上文方法进行SOH估算，并与实验组电池的SOH进行对比分析，得出结果如表3所示。

从表3可以看出，选用BP神经网络拟合归一化电压曲线为基准曲线，SOH估算精度较高，满足实验要求。

表3 估算结果误差分析

4 结论

本文通过分析现有电池SOH估计方法，提出一种使用门槛较低、精度较高的估计方法，即通过MATLAB GUI界面，应用BP神经网络算法拟合充电电压曲线，通过测量的充电电压数值求解SOH的方法。仿真结果表明，该方法的精度和可靠性均满足设计要求，为电动汽车SOH估算的系统化奠定了基础。

[1]李勇，王丽芳，廖承林.电动车锂离子电池健康状态模型研究进展[J].电源技术，2013,37(5):863-866.

[2]徐文静.纯电动汽车锂动力电池健康状态估算方法研究[D].吉林：吉林大学，2012.

[3]泮国荣，胡桂林，项忠晓，等.质子交换膜燃料电池测试系统的设计与搭建[J].电源技术，2014,38(8):1469-1471.

[4]唐致远，阮艳莉.锂离子电池容量衰减机理的研究进展[D].天津：天津大学，2005.

[5]朱晨.备用电力系统中VRLA电池SOC及SOH的在线估计方法研究[D].北京：北京交通大学，2010.

[6]MORENO J,ORTUZAR M E,DIXON J W.Energy-management system for a hybrid electric vehicle[J].Using Ultracapacitors and Neural Networks,2006,53(2):614-622.

Creating of SOH estimation platform for Li-ion battery

By analyzing the current SOH estimation method,the SOH estimation platform using MATLAB was created. Firstly, the BP neural network was used to fit the voltage curve,and the train and prediction of the voltage value were realized.Then,the SOH was calculated by the estimated voltage.The design process of this algorithm was achieved by the GUI of MATLAB,which reduced the using threshold of SOH estimation method.Simulation results demonstrate that this platform can predict the SOH accurately,and lay a foundation for SOH estimation system.

SOH;MATLAB;BP neural network;GUI

TM 912

A

1002-087 X(2015)10-2106-02

2015-07-06

史艳霞(1965—)，女，湖北省人，副教授，主要研究方向为电动汽车设计、电力电子技术。