电动汽车锂电池健康状态估算方法研究

2016-03-11杨刘倩詹昌辉卢雪梅

电源技术 2016年4期

关键词：锂电池充放电容量

杨刘倩，詹昌辉，卢雪梅

(合肥国轩高科动力能源股份公司工程研究院，安徽合肥230011)

电动汽车锂电池健康状态估算方法研究

杨刘倩，詹昌辉，卢雪梅

(合肥国轩高科动力能源股份公司工程研究院，安徽合肥230011)

实时监控电动汽车动力锂电池的健康状态不仅为电动汽车的维护提供便捷，且为能量均衡、SOC估算及保障电池组整体性能提供依据。描述了锂电池组健康状态(SOH)定义、总结锂电池SOH的主要影响因素，对比相关SOH模型优缺点及可行性，描述了基于Matlab建立自适应的锂电池SOH数学模型建立方法及过程，并介绍锂电池SOH的估算算法设计流程，并经实测数据验证对比分析估算结果。

电动汽车；锂电池；SOH；自适应模型；估算方法

在电动汽车电池管理系统领域中，一方面，电池组健康状态(SOH)能够为电池组均衡标准提供基础数据，电池组容量衰减亦是SOC精确估算的重要影响因子。另一方面，实时监控动力锂电池的SOH能准确反映出电池当前容量能力，可及时做好维护或更换的准备工作，有效发现和避免电池的不安全行为，为动力电池的稳定性提供保障。本文描述了锂电池组健康状态(SOH)定义、总结锂电池SOH的主要影响因素，对比相关SOH模型优缺点及可行性，描述了基于Matlab建立自适应的锂电池SOH数学模型建立方法及过程，并介绍锂电池SOH的估算算法设计流程，并经实测数据验证对比分析估算结果。

1 锂电池健康状态定义

锂电池的健康状态是指锂电池当前的容量能力，即在一定条件下，锂电池所能充入或放出电量与电池标称容量的百分比[1]。随着锂电池充放电次数及搁置时间累积，电池容量能力降低。锂电池容量能力一般通过当前最大充入容量和电池的充放电功率表达，因此要计算SOH从容量和功率这两个表达因子出发。

在纯电动车中，一般通过考虑容量来表达SOH的计算，因为纯电动车采用大量单体电池成组使用的方法来满足其容量需求，当电池容量下降至80%时，功率一般仍然能够满足性能需求。纯电动车锂离子电池的定义为：

2 锂电池健康状态模型

本文针对纯电动汽车锂电池的工作过程中的各采集数据进行分析，对其健康状态的变化展开讨论。国内外对锂电池的健康状态衰退机理研究成果表明，电池内部电极材料相变、电解液的分解、活性物质的溶解、SEI的形成、正极界面阻抗的增长、锂离子的嵌入和脱出等都是电池容量衰退的主要原因[2]。电动汽车动力锂电池通常并不是工作在最理想的状态，因此要研究某些外部因素对SOH造成的影响。环境温度、充电截止电压、充放电倍率、充电机制、充电及放电深度、搁置状况、运行工况等均会对电池健康状态造成影响。

目前锂电池SOH建模方法有：电化学模型、电路模型及经验模型。电化学模型是根据电池的电化学反应机理探索电池容量衰退的电化学规律[3]。该模型将电池内部电化学参量与电池的容量衰退联系到一起，预测精度高，并具有明确的物理意义，但该模型参量多，计算复杂；因不同电池化学成分的差异性，模型适用性低，但该模型可为研究提供依据和方向。

经验模型是从大量实验数据出发，在对实验数据进行分析的基础上，总结出电池容量衰退的经验规律[4]。该模型直接将电池实际工作中易于测量的温度、电压、电流等物理量作为模型的输入，模型简单，但需依赖大量的实验数据，实验周期长。

电路模型是从电工学角度出发，将锂离子电池等效成一个电路模型，用电路模型来描述电池的动态特性和容量衰退特性。该模型可实时预测SOH，在整车环境下易实现，但预测精度不高。

为了避免盲目性，本文利用电化学模型的研究结论，有针对性地考虑电池健康衰退因素，采用经验模型建立包含易于测量的电压、容量、内阻等参量的数学模型，并通过实时测量数据对模型进行修正，对模型的输出进行模拟，实现SOH模型功能与精度的有机统一。

3 锂电池健康状态建模实现

3.1 SOH建模原理

经实验数据分析及各研究资料表明，若逐一考虑影响因素，模型复杂难以实现。一般表征电池工作状况的外部物理参量有电压、内阻、容量等，电池在大电流充电或放电过程中电池的端电压会急剧升高或下降，则利用不同健康度下的电池在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。因此，拟合出锂电池充电过程或放电过程中电压变化与容量衰退的关系曲线，通过该关系曲线根据锂电池当前的充放电数据即可判断出其容量能力，该建模方法即电压曲线拟合法。另外，因电动汽车的工况不同放电过程无法稳定统一，因此本文采用其充电过程中的数据拟合曲线实现模型搭建。

已知一个锂电池组的模型搭建后是固定的，但若将此模型应用到其他电池组，则估算精度会大幅度降低。为了增加该模型的通用型，需要使建立模型能够根据实际的电池性能进行实时变化。需要根据现有电池的充电数据实时完善估算模型，使模型接近当前电池组工作状态，提高估算精度。

不同健康状态下，充电电压曲线具有相似性，两曲线的大致走势相同，但到充电曲线后期，曲率明显增加。充电电压与充电容量关系曲线如图1所示，SOH值在电池223次循环时大于1 535次循环时，SOH值不同，若模型仅通过电压曲线简单平移变换的话，不能准确拟合不同SOH下的电压模型曲线。

图1 充电电压与充电容量关系曲线

当电池SOH不同时在充电过程中，电池电压会有不同表征的原因是电池内阻变化，电池内阻在充电过程中是不断变化的[5]。因此认为由于SOH的差异而引起充电时电池两端电压的不同，其直接原因是电池内部电阻的不同，因此考虑添加可测量的内阻物理量进行模型修正。

3.2 SOH自适应电压拟合模型建立

根据上文中描述的自适应电压拟合模型原理，将原本的非线性问题线性化。在充电电压曲线及充电过程中内阻容量曲线的基础上搭建模型[1]：

3.3 SOH模型参数估算方法

采用最小二乘法做模型参数估计，此方法是数学中较为经典的数据处理方法，不需要了解被估计数据的统计特征。最小二乘法通过最小化误差的平方和寻找数据的最佳函数匹配。利用最小二乘法可以简便地求得未知的数据，并使得这些求得的数据与实际数据之间误差的平方和最小[6]。

为了令模型能够准确匹配电池不同SOH的充电电压曲线，就需要模型的参数能在线实时根据观测的电压值做出适当调整，因此选用递推最小二乘法来估算θ值，根据递推最小二乘法的基本原理，选择初始值。

经过几次递推计算，模型中的未知参数会有多个结果，若最终这些参数最终分别收敛于三个常数，这样就可认为此次自适应电压拟合模型确定了，将收敛的常数代入到模型中即得。

3.4 基于Matlab的SOH模型建立

本文数据来源锂电池循环充放电实验，将新的锂电池按照充电-搁置-放电-搁置-充电这一循环模式对电池进行循环实验，直到电池容量衰减到SOH=80%，认为电池循环测试结束。在充放电循环期间，用0.5电流对电池恒流充电直到单体电压上升到3.65 V，再对锂电池进行恒压充电，每隔5 s记录一次数据，包括电池的电流、电压、能量、容量、内阻等。

使用Matlab对所记录的数据进行导入，并编写程序实现上文所述的自适应电压拟合SOH模型建立，其实现流程如图2所示。

图2 自适应电压拟合建模流程图

利用上述建模流程，递推求出模型中的未知参数，图3为模型中的参数值与采样次数的关系曲线，电池充电时，每采集一次电池电压，就计算一组参数，直到相邻几次参数的计算误差小于0.003时，认为模型参数已达到收敛。模型待定参数，，收敛过程如图3所示。

图3 参数、参数、参数的各收敛曲线

由图3可知，在充电进行了40%左右时，模型中的未知参数已经达到了收敛的状态，其中递推得到的模型参数值=4.190 8，=－0.465 4，=0.007 3。

将求出的参数值带回模型中，并将充电过程中的内阻曲线、基准曲线以及实际的充电电流也带到模型中去，反推出电池的整个充电过程，反推过程在单体电池电压达到3.65 V时结束，因此模拟出的电池充电电压曲线到电压达到3.65 V时结束，模拟曲线如图4所示。

自适应方法估算电池SOH的曲线是实时得到。由图4可知拟合曲线与实际曲线在充电达到40%左右，待模型参数收敛后，大致趋势是相同的，则估算SOH的方法可根据容量定义法。根据搭建的自适应电压曲线模型与模型参数的估算步骤，SOH估算算法流程如图5所示。估算电池在第510次循环充电时SOH=95.56%，实际SOH=99.04%，误差为3.56%。

图4 电池拟合充电电压曲线

图5 SOH估算算法流程

4 结论

本文首先介绍锂电池健康状态的定义；其次利用当前主流的电池健康状态的主要影响因子研究成果及通过实测的大量电池循环充放电实验数据，建立根据实测数据可变的锂电池健康状态模型；最后，在该锂电池健康模型的基础上进行估算方法研究，并给出结论。

通过对比锂电池SOH模型优缺点及容量衰退因素，采用电压拟合模型估算电池SOH，并利用实时充放电采集数据对模型修正，实现自适应功能。所述模型通过Matlab编程实现数据导入自动建模和SOH的自动估算，所建模型能准确描述电池在不同SOH下工作电压的动态变化，模型的最大误差为0.65 V，待模型参数稳定后误差小于0.1 V。通过模型估算的SOH误差保持在10%以内。

[1]徐文静.纯电动汽车锂离子动力电池健康状态估算方法研究[D].

长春：吉林大学，2012：43-50.

[2]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(5)：863-865.

[3]GANG N，WHITE R E，POPOV B N.A generalized cycle life model of rechargeable Li-ion batteries[J].Electrochimica Acta，2006，51 (10):2012-2022.

[4]黎火林，苏金然.锂离子电池循环寿命预计模型的研究[J].电源技术，2008，32(4)：242-246.

[5]MARK D M，EGENHOFER M J.Modeling spatial relations between lines and regions:combining formal mathematical models and Human subject testing[J].Cartography and Geographic Information Systems，1995，21(4):425-443.

[6]强明辉，张京娥.基于MATLAB的递推最小二乘法辨识与仿真[D].兰州：兰州理工大学，2008：4-5.

Monitoring the healthy status of lithium battery of electric vehicle in real time not only provides convenient for the maintenance of electric vehicles，but also provides the basis for balancing energy，estimation of SOC and ensuring the whole performance of the battery.The definition was described，and the main factors affecting the state of Healthy (SOH) of lithium battery was summered. The advantages and disadvantages and feasibility of the mathematical models of lithium battery SOH were compared.The construction method and process of the adaptive SOH model based on Matlab was described.The design process of estimation algorithm of the lithium battery SOH was introduced，and the result was verified and compared by the measured data.

electric vehicle;lithium battery;SOH;adaptive model;estimation method

TM 91

1002-087 X(2016)04-0823-03