锂离子动力电池健康状态评估方法的研究进展

2016-04-05张文华毛荣军刘平伍发元吴三毛

电源技术 2016年6期

关键词：内阻动力电池锂离子

张文华，毛荣军，刘平，伍发元，吴三毛

(1.国网江西省电力科学研究院，江西南昌330000；2.南昌工程学院机械与电气工程学院，江西南昌330000)

锂离子动力电池健康状态评估方法的研究进展

张文华1,2，毛荣军1，刘平1，伍发元1，吴三毛1

(1.国网江西省电力科学研究院，江西南昌330000；2.南昌工程学院机械与电气工程学院，江西南昌330000)

随着锂离子电池在储能体系中的广泛应用，其健康状态的评估研究备受关注。综述了国内外动力电池健康状态评估方法的研究进展。讨论了几种主要的锂离子电池健康状态评估方法，包括定义法、内阻法、交流阻抗法、电压曲线法、模型法以及一些新方法，并对未来锂离子电池健康状态评估方法的研究方向做出展望。

锂离子动力电池；健康状态；评估方法

储能技术是近年来随着新能源、电动汽车和电网发展而兴起的新兴技术，不仅可以为新能源以及分布式能源的大规模并网提供条件，而且是构建智能电网的重要组成部分，为电网调峰调频、削峰填谷以及电能质量等提供保障[1]。储能系统中锂电池储能单元是由数量庞大的单体电池实现模块化成组后应用的。由于成组的单体电池的性能存在差异，自身的充放电温度、自放电率也不相同，电池成组后能量密度、寿命等性能都会大幅下降，大大影响了储能系统的正常运行[2]。因此，储能系统中电池的健康状态(SOH)成为人们最关注的问题。建立储能系统中锂电池的健康状态评价方法，实时监控或者提前预知电池健康状态，不仅为在役电池的筛选以及分级组合提供科学依据，而且能够有效延长动力电池服役期限，降低动力电池的全生命周期成本，提高资源利用的有效性和合理性。

本文主要介绍国内外动力电池健康状态评估方法的研究进展。重点讨论几种主要的动力电池健康状态评估方法，分析各种方法的原理及应用范围，并对锂离子动力电池健康状态评估方法的研究方向进行展望。

1 电池健康状态的定义

电池的健康状态反映电池的整体性能以及在一定条件下释放电的能力，是表征电池寿命的一个重要参数，指在标准条件下，动力电池从充满状态以一定倍率放电到截止电压所放出的容量()与新电池的标称容量()的比值[3]，其值介于0～100%。电池SOH值越大，表示电池性能越好，循环寿命越长。

2 电池健康状态评估方法

电池健康状态受到多种因素的影响，估算较为复杂。随着电池的老化，SOH的变化主要体现在容量和内阻上。当电池健康状态恶化时，其阻抗会逐渐增大，容量、能量、功率将发生不同程度的衰减。目前，在锂电池SOH评估方面，主要是将容量、内阻、功率或循环次数中的一种或几种作为估计参数，根据参数变化规律，进行数学拟合回归，得到适合于特定电池的SOH评估算法，主要评估方法有：定义法、内阻法、交流阻抗法、电压曲线法、模型法以及一些新方法等。

2.1 定义法

定义法又称容量法，是通过电池的容量、能量、功率等特征量变化的比例关系进行SOH评估[4]。Kong Soon Ng等[5]采用锂电池在SOC～100%时的最大释放电量 ()来估算电池的SOH，在新电池开始使用时等于，随着电池的使用会逐渐减小，可用定义法评估SOH。Achmad Widodo等[6]在研究电池健康检测仪的智能预测功能时，以容量法为基础，采用当前电池放电容量与电池初始放电容量的比值作为衡量电池SOH的标准。

该方法对于单体电池的SOH评估来说，操作简单，精度较高，可实现在线测试；但是，对于车载电池组SOH评估不适宜，反复全充全放会造成电池性能一定程度上的衰减[7]。

2.2 内阻法

通过电池内阻估算其健康状态，首先要尽可能精确地测量电池内阻值，然后要明确电池老化程度与其内阻的相关性。为了获得电池的内阻值，通常需建立锂离子电池内阻等效电路模型，使用递推最小二乘法等方法来计算模型中电阻值，从而实现电池内阻的实时辨识。等效电路模型主要有时域模型和频域模型两种。

时域模型通常用于内阻法估算电池SOH的内阻辨识中，其中PNGV模型最为常用，如图1[8]所示，图中：OCV为电池开路电压，R0为电池欧姆内阻，Rp为极化内阻，Cp为极化电容，Cb为表示电荷累积作用的大电容，U为负载电压。通过采集复合恒流脉冲实验的数据，运用多元线性回归的方法即可得到模型的各项参数。而频域模型通常用于交流阻抗法估算电池SOH的内阻辨识。

图1 PNGV等效电路模型

近年来，学者们就内阻法估算电池SOH进行了大量研究。2008年，魏学哲等[9]通过恒流脉冲放电实验，考察了商品锰酸锂电池的欧姆内阻和极化内阻随电池老化的变化趋势，结果发现，随着电池性能的衰退，欧姆内阻增大，极化内阻基本不变，于是直接将欧姆内阻作为电池内阻的表征量进行分析研究。2011年，Remmliger等[10]针对电动汽车动力电池，使用汽车启动时的电流脉冲估计电池内阻，实现了在线估计电池SOH。作者通过对比新旧锂电池在-10～55℃的内阻变化，发现电池内阻随温度变化尤为明显，并通过脉冲实验及内阻辨识建立了内阻与温度的相关性，式(2)中，正参数用以确定内阻为温度。将其带入公式(3)中，电池性能的衰减指数由参数辨识内阻值、实际温度以及新电池内阻值计算获得，从而实现了电池SOH估算。

内阻法实现了动力电池健康状态的在线评估，但是该方法实现条件不易满足，不仅要求一些参数的高精度控制，而且要忽略其中一种或几种参数的影响，可能会造成估算误差。

2.3 交流阻抗法

交流阻抗法是一种频域的测量方法，通过测量很宽频率范围内的阻抗谱来研究电极系统，可得到更多的动力学信息及电极界面结构信息。而电极结构的变化与电池性能密切相关，因此将交流阻抗法应用于电池状态检测的研究过程中是可行的。

国内外研究者们采用交流阻抗法估算电池SOH，首先建立频域的等效电路，最常用的Randles模型[11]如图2所示，图中：R0为欧姆阻抗，Rct为电荷转移过程的电化学阻抗，Cct为双电层元件，Zw为扩散传质过程的Warburg阻抗。通过电化学阻抗谱实验，得到电池模型的Nquist图，从而辨识电池不同老化程度的模型参数，然后运用模糊理论或神经算法对采集到的数据信息进行分析，来判断电池的健康状态。

图2 电池Randles模型

2010年，Bharath Pattipati等[11]建立电池的Randles模型，实验得到中低频阻抗随电池循环次数的增加而增大，在该频率范围内，容量与阻抗呈现明显的线性关系，该结论为交流阻抗法测试电池SOH提供了理论参考。2013年，张彩萍等[12]通过测试锂离子电池的电化学阻抗，建立了梯次利用锂离子电池电化学阻抗模型，研究了阻抗模型参数随电池老化程度的变化特性，结果表明，电化学阻抗和扩散阻抗随电池循环次数的增加明显增大，而欧姆阻抗几乎不变，该结论进一步验证了电池健康状态与其内部各阻抗的关系。

总之，交流阻抗测试可得到电池内部各组分阻抗，比起其他方法获得的电池信息更为全面，而目前交流阻抗谱法评估SOH的研究还不够成熟，不仅需要大量数据采集与分析来获取电池特性，并且对仪器要求较高，因此该方法目前不适合车载电池和在线评测。

2.4 电压曲线法

电压曲线法是通过电池充电或放电曲线的外部特征来判断SOH，董明哲等[13]以模式识别为指导思想，认为充放电特性一致的电池也具有一致的化学特性，在此基础上，采用统计模式识别方法，建立按电池充放电压特性曲线进行波形识别的数学模型，以此评估电池容量及SOH。徐文静[14]利用不同健康程度下电池充入或放出相同电量时，会出现电压差异的特点，建立了电压曲线拟合法来估算电池当前的SOH。该方法在单体电池循环实验的基础上，通过神经网络拟合出电压基准曲线，并加入自适应方法，用于SOH的估算。

目前，基于电压曲线的研究较少，由于该方法需对大量电池进行充放电实验，耗时较长，不符合在线估计要求；另外，电池容量受充放电制度以及初始状况等的影响，分析结果存在许多不确定性因素。

2.5 模型法

模型法是在研究电池老化机理的基础上，通过分析大量的实验数据，建立容量衰减与电池内部参数、温度、倍率、放电深度、自放电等参数的函数关系，来实现对电池健康状态的估计，包括电化学模型、经验模型、等效电路模型等。其中，电化学模型通过电池内部电化学反应机理描述电池老化规律；经验模型将影响电池性能的外部因素作为输入，以容量作为输出；电路模型是电池的直接等效电路，可嵌入到电池管理系统中，已经实现了在线SOH预测。

1994年，Fuller等[15]采用“第一性原理”电化学模型来估算锂离子聚合物电池的容量。Spotnitz等[16]将SEI膜电阻的增长引入Fuller模型中，用以研究电池阻抗变化与容量衰减的关系。同期，Ramadas等[17]综合考虑电池充放电倍率和活性物质减少两种因素对电池性能的影响，根据电池内部的电化学反应以及循环过程中SEI膜电阻的增长，建立了电池容量衰减半经验模型。

2005年，B.Y.Liaw等[18]研究了以容量衰减为基础的循环寿命模型，在分析大量数据的基础上，定量研究电池SOC、SEI膜电阻以及锂离子扩散系数等内部因素对电池循环容量衰减造成的影响，还定量分析了外部因素如温度、倍率、充电上限电压以及放电深度等造成的容量衰退，从而得到了预测电池容量衰退的经验模型。

黎火林等[19]综合考虑温度和倍率对电池容量衰减的影响，对18650型锂离子电池进行了加速寿命实验。在Arrhenius公式及现有的加速寿命经验公式基础上，对实验数据进行拟合、回归分析，得到温度、倍率与电池容量衰减之间呈幂函数关系，如式(4)，建立了锂离子电池容量衰退经验模型。

总之，模型法同时将多种电池老化影响因素作为输入，实现了多种参数对电池容量衰减的综合作用，估算精度相对较高，但主要局限于实验室评估；虽然电路模型实现了车载电池的SOH在线预测，但预测精度不高。

2.6 其他方法

近年来，在电池健康状态的估算方面，国内外学者在研究传统估算方法的同时，也发展了一些新的估算方法，并且将其与传统方法结合，用以提高电池SOH的估算精度。

在对电池SOH进行定性或定量分析的过程中，都会用到一些数学工具，包括卡尔曼滤波法[20]、模糊逻辑、人工神经网络法[21]、几率密度函数[22]、支持向量机法[11]等。其中，卡尔曼滤波法能使用可观测量对估算误差进行修正，在估计电池SOC方面已经取得了一定的成绩，在估算电池SOH方面也备受关注。同济大学的戴海峰等[23]利用双卡尔曼滤波算法，在实验中采集电流、电压等数据的基础上，对电池的寿命状态进行了估计，并且估计精度也相对较高。

3 结论

随着电动汽车、储能电站等大型储能系统的大力发展，锂离子电池健康状态的评估研究备受关注，国内外研究者建立了多种SOH评估方法，包括定义法、内阻法、交流阻抗法、电压曲线法、模型法以及一些新方法等，不同方法有着自身的优缺点和应用领域。但是，目前国内外对电池SOH的研究大多处于实验室阶段，尤其是精度较高的定义法、阻抗法和模型法，动力电池的实际应用环境无法满足估算条件。即使内阻法实现了整车电池SOH的实时估计，其精度也较低。

因此，从多种评估方法相结合的角度出发，将两种或几种评估方法进行有机结合，实现评估精度和应用功能的统一，将是未来动力电池健康状态评估方法的研究方向。

[1]张宇，俞国勤，施明融，等.电力储能技术应用前景分析[J].华东电力，2008，36(4):91-94.

[2]CONTE F V.Battery and battery management for hybrid electric vehicles[J].Electronic and Information,2006,123(10):520-525.

[3]OKOSHI T,YAMADA K,HIRASAWA T,et al.Battery condition monitoring(BCM)technologies about lead-acid batteries[J].Journal of Power Sources,2006,158(2):874-878.

[4]BIAGETTI R V,PESCO A M.Apparatus and method for adaptively predicting battery discharge reserve time:US,4952862[P].1989-08-28.

[5]NG K S,MOO C S,CHEN Y P,et al.Enhanced coulomb counting method for estimating state-of-charge and state-of-health of lithium-ion batteries[J].Applied Energy,2009,86(9):1506-1511.

[6]WIDODO A,SHIM M C,CAESARENDRA W,et al.Intelligent prognostics for battery health monitoring based on sample entropy [J].Expert Systems with Applications,2011,38(9):11763-11769.

[7]CHEN Z,MI C C,FU Y H,et al.Online battery state of health estimation based on Genetic Algorithm for electric and hybrid vehicle applications[J].Journal of Power Sources,2013,240(15):184-192.

[8]JOHNSON V H.Battery performance models in ADVISOR[J].Journal of Power Sources,2002,110(8):321-329.

[9]魏学哲,徐玮,沈丹.锂离子电池内阻辨识及其在寿命估计中的应用[J].电源技术,2009,33(3):217-220.

[10]REMMLINGER J,BUCHHOLZ M,MEILER M.State-of-health monitoring of lithium-ion batteries in electric vehicles by on-board internal resistance estimation[J].Journal of Power Sources,2011,196(12):5357-5363.

[11]PATTIPATI B,PATTIPATI K.Automotive battery management systems[J].IEEE Autotestcon,2008(9):8-11.

[12]张彩萍，姜久春，张维戈，等.梯次利用锂离子电池电化学阻抗模型[J].电力系统自动化,2013,37(1):54-58.

[13]董明哲.充电电池容量预测的算法研究[J].鞍山师范学院学报, 2000,2(3):80-84.

[14]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.

[15]FULLER T F,DOYLE M,NEWMAN J.Relaxation phenomena in lithium ion insertion cells[J].Journal of the Electrochemical Society,1994,141(4):982-990.

[16]SPOTNITZ R.Simulation of capacity fade in lithium-ion batteries[J].Journal of Power Sources,2003,113(1):72-80.

[17]RAMADASS P,HARAN B,WHITE R.Mathematical modeling of the capacity fade of Li-ion cells[J].Journal of Power Sources, 2003,123(2):230-240.

[18]LIAW B Y,JUNGST R G,NAGASUBRAMANIAN G,et al.Modeling capacity fade in lithium-ion cells[J].Journal of Power Sources,2005,140(1):157-161.

[19]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.

[20]PLETT G L.Extended Kalman fltering for battery management systems of LiPB-based HEV battery packs[J].Journal of Power Sources,2004,134(2):277-292.

[21]石春源.基于Elman神经网络锂电池劣化程度的预测研究[D].哈尔滨：哈尔滨理工大学，2011.

[22]FENG X N,LI J Q,OUYANG M G,et al.Using probability density function to evaluate the state of health of lithium-ion batteries[J].Journal of Power Sources,2013,232(15):209-218.

[23]戴海峰.利用双卡尔曼滤波算法估计电动汽车用锂离子动力电池的内部状态[J].机械工程学报,2009,45(6):95-101.

Progress of state of health evaluation methods for lithium-ion power battery

With the wide application of lithium ion battery in the energy storage system,much attention has been paid to the state of health(SOH)evaluation research.The research advance of SOH evaluation methods for lithium-ion battery was reviewed.Several main SOH evaluation methods were discussed,including defining method,internal resistance method,AC impedance,voltage curve method,model method and some new methods.The research direction was proposed.

Li-ion power batteries;state of health;evaluation methods

TM 912

1002-087 X(2016)06-1315-03