电动汽车锂离子电池健康状态估算及寿命预测方法综述

何洋，彭以平

（三峡大学电气与新能源学院，湖北 宜昌 443002）

前言

随着科学技术的发展与科技水平的不断进步，不可再生能源的缺乏与社会对能源的巨大需求之间的矛盾日益激化，与此同时，环境污染问题受到社会各界的重视。就汽车行业而言，在方便人们出行的同时，汽车排放的尾气也对环境造成了巨大的影响，汽车能源问题逐渐受到大众的关注。以此为背景，为推进汽车能源的转型，电动汽车诞生。在电动汽车的动力源中，锂电池是主流动力源，随着其使用程度的加深，可出现不同程度的损伤。此外，电池组的健康状况也直接关系到电动汽车的动力性能。因此，对锂离子电池的健康状况进行检测，对其使用寿命进行预测，能够及时更换老化电池，提高电池组的整体寿命，为电动汽车的安全行驶提供重要保障。

1 电池健康状态的定义与影响因素

锂离子电池SOH性能指标主要包含容量、内阻、功率等参数。通常情况下，SOH指基于标准条件，电池完全充电后测定的容量与额定容量的比值。SOH能够在一定程度上反映电池的寿命，IEEE标准1188.1996明确指出：电池SOH＜80%时，电池即不能正常发挥其性能，应当及时进行更换。

影响电池健康状态的因素较多，主要的内在因素如下：

①电源正极材料的溶解，导致电池容量衰退；

②充电过程中，电解液与含碳电极之间发生还原反应进而消耗有机溶剂；

③锂电池过度充电，使得电源负极锂沉淀。

此外，锂电池的自放电，形成界面膜，以及影响电池SOH估测的外在因素，都将影响锂电池的SOH值。

2 电池健康状况的估算

锂离子电池 SOH的准确估算对电动汽车的稳定行驶具有重要的意义，针对电池SOH的估算方法主要有：

①定义法：根据电池SOH的定义进行估算，对满电量的锂离子电池进行放电，并记录电池放出的电量。定义法是公认的电池SOH评定方法，但耗时较长，实用性较差。

②电化学阻抗法：在锂电池的两端施加数个频率不同的正弦信号，测试电池响应，搜集参数信息，采用模糊理论对其进行分析以预测电池的SOH值。

③内阻法：基于电池内阻与SOH之间的关系，建立二者之间的对应关系。相关的实验研究结果显示，在电池的使用过程中，电池的内阻值会逐渐增加，而电池的SOH值会逐渐减小。脉冲法是实际应用中的一种常用方法，以电流脉冲对电池进行激励，根据电流和对应端电压的变化，结合欧姆定律及极化曲线拟合对内阻进行估算。电池的内阻辨识算法，常用粒子滤波、递推最小二乘 RLS(recursive least square)或卡尔曼滤波 KF(Kal- man filter)。

④模型法：在分析电池的内在特性或者外在特性的基础上，对电池的SOH进行建模，以此估算电池的SOH值。

3 健康状态估算模型

电池 SOH是在一定工况下电池最大放出容量与额定容量之间的比值。在电池的使用过程中，电池会逐渐老化，SOH随之减小。针对电动汽车所使用的锂离子电池，其使用环境复杂多样，如汽车行驶过程中可能出现的加速、减速情况，以及恶劣天气的影响等，都在一定程度上影响了锂离子电池组的温度、充放电倍率等参数，电池SOH也随之变化。电池SOH是电池使用寿命的重要表征，但电池SOH与各参数之间的关系较为复杂，给SOH的估算形成了较大困难。在探究电池SOH准确预测的过程中，出现了四类SOH估算模型。

3.1 电化学模型

电化学模型针对电池内部的物理化学反应的特性进行分析。电化学模型中最具代表性的是Gang Ning模型，其主要的研究对象是电化学反应特性与电池容量衰退的实质。相关分析结果显示，锂离子电池的容量减少的主要机理为SEI膜的产生消耗部分锂离子。以电化学模型估算电池的SOH值，主要强调电池的内部结构、参数变化或者电化学反应，但电池的电化学系统较为复杂，相关参数的识别较为困难，内部的衰退机理也难于准确把控，因此基于此模型实现对电池SOH的有效估算的难度较大。

3.2 经验模型

经验模型基于大量的电池充放电实验数据，借助实验手段分析各个参数变化的衰减规律对电池容量的影响，从而获得二者之间的数学方程。因此，经验模型也成为数学模型。在实验时，对锂离子电池的工况进行有效控制，对大量的实验数据进行分析，以总结各个参数值与 SOH之间的变化规律，以数据拟合的方式获得经验模型。

3.3 等效电路模型

等效电路模型基于电池内部的化学反应分析，以等效电路元件实现对电池内部的化学反应的模拟。常见的等效电路模型有Thevenin模型、Rint模型、PNGV模型等。等效电路模型的优势在于可利用仿真软件进行仿真与分析。在大型仿真环境中，等效电路模型易于实现，因而尤其适用于系统层面上的仿真。

3.4 人工神经网络模型

人工神经网络模型以模拟人体神经元的方式建立运算机制，根据人体大脑神经突触的连接结构、信息处理与传递的方式构建数学模型，以大量节点形成大规模的节点网络，节点之间的连接相当于人工神经网络的记忆。基于人工神经网络建立的SOH估算模型，能够根据实际电池的状态参数获得SOH的估算值，省去建立数学表达方程的环节，使用简单，且具有较快的速度与较高的精度。

4 健康状态估算方法

4.1 卡尔曼滤波法

卡尔曼滤波法是借由系统输入输出观测数据进而对系统状态进行最优估计的算法。卡尔曼滤波法是一种传统方法，其特点是在线性状态空间表示的基础上，从输出和输入观测数据求取系统状态或真实信号。为适应电池的非线性系统，卡尔曼滤波法经过了不断改进，如EKF、UKF。该算法的本质是递推反馈，以最小均方误差为估计的最佳准则，寻求一套递推估计的算法。在一些利用双卡尔曼滤波算法的实验中，通过电压、电流等数据建立等效模型及其空间状态方程，最终实现了循环寿命的预测，针对电池SOH的估算具有较好的精度。

4.2 粒子滤波法

粒子滤波方法通过寻找一组状态空间中传播的随机样本，近似表示概率密度函数，以样本均值代替积分运算从而获得系统状态的最小方差估计。粒子滤波中利用粒子集来表示概率的方法适用于任何形式的状态空间模型。粒子滤波器将贝叶斯学习技术与重要性采样进行有效结合，从而满足了状态跟踪性能要求。基于这一想法，将系统的状态表示为概率密度函数，该密度函数源于未知状态空间采样值的一组粒子近似。就强跟踪粒子滤波方法的相关试验结果来看，在局部突变的曲线跟踪上，该方法表现出了一定的优越性。

4.3 神经网络估算方法

神经网络估算方法具有速度较快、精度较高等优点，以基于LMBP神经网络的估算方法为例进行分析。BP神经网络内置算法为标准BP算法，属有导师学习算法。LM算法是利用标准数值优化技术的一种快速算法，适用于性能指数为均方误差的神经网络训练。此方法可以嵌入电池测试管理系统，对锂离子电池组SOH进行实时预测，以检查锂离子电池组健康状态，从而判断是否需要更换电池。

5 结语

对电池组健康状态及其寿命进行有效的评估，直接关系到电池组的性能发挥与运行状况。目前的锂电池寿命研究主要针对标准工况下的动力电池单体，而实际使用中存在电池成组与工作环境等因素的影响。因此，锂电池SOH估算方法的研究，需结合外部环境，考虑电池成组后单体一致性，确定模型与算法，实现监测过程的智能化，实时监测锂电池SOH，动态评估其健康状态。

[1] 刘建强,叶从进,窦贤云,等.锂离子电池健康状态估计研究[J].轻工科技, 2017(6):72-73.

[2] 李佳.锂离子电池的健康状态估计研究现状分析[J].蓄电池,2017,54(5):232-236.

[3] 冯能莲,陈龙科,汤杰.锂离子电池健康状态估计方法[J].北京工业大学学报,2016, 42(11):1750-1755.

[4] 李广地,吕浩华,袁军,等.动力锂电池的寿命研究综述[J].电源技术,2016,40(6):1312-1314.