电池健康状态实验与评估方法综述

王聪聪，叶思成，裴春兴，戴朝华*

(1.中车唐山机车车辆有限公司，河北 唐山 064000； 2. 西南交通大学电气工程学院，四川 成都 610031)

受各种不确定因素的影响，电池健康状态(SOH)在复杂多变的实际环境中难以估计和预测，是所有电池面临的共同问题[1]。造成该问题的原因，除材料和生产工艺等电池自身因素外，电池管理系统(BMS)在复杂条件下的评估技术也存在不适应、不准确等现象。具体来说，这不仅体现在SOH定义还不完善，更在于缺乏有效可靠的模型分析老化机理、大数据建立老化模型，以及成熟可靠的算法估计衰退程度。

本文作者从SOH实验、SOH评估算法、等效模型和成组不一致性等4个方面，对国内外电池SOH研究进行综述，并开展了相应展望，以期为行业相关研究提供参考。

1 电池SOH

1.1 电池老化机理分析

目前，电池老化通常与活性物质的减少、电解液腐蚀极板材料、副反应导致的电解液杂质增多和内应力导致的晶体结构变化等因素有关[2]。锂离子电池老化还与固体电解质相界面(SEI)膜的不断增厚有关。

从使用过程来看，温度、充放电倍率、循环区间和充放电截止电压都会对SOH产生影响，以磷酸铁锂锂离子电池为例，影响因素和机理见表1。

表1 磷酸铁锂正极锂离子电池的SOH影响因素和机理

1.2 电池SOH定义

目前，SOH定义按照参照指标可分为4类[3]，分别以容量、内阻、功率和循环次数为参照指标计算，见式(1)-(4)。

(1)

(2)

(3)

(4)

式(1)-(4)中：Cag为当前容量；Crat为额定容量；CEoL为终止容量；REoL为寿命结束时内阻；RC为当前内阻；Rnew为新电池内阻；Pocmp为实时启动功率；Pnew为新电池启动功率；Pmin为最小启动功率；Nrem为剩余循环次数；Ntol为总循环次数。

以容量为参照指标，计算简单，但在线估计困难；以内阻为参照指标，因内阻受温度与SOC影响，不易测量；以功率为参照指标，因功率对老化影响的情况复杂，难以应用。以循环次数为参照指标，剩余循环次数难以估计，应用困难。

目前，基于容量与内阻的SOH定义应用广泛，前者是基本定义，后者是多数研究中认为适于在线估计的拓展定义。式(5)和式(6)分别为SOH=0时的容量与内阻限界[4]。

CEoL=0.8Crat

(5)

REoL=2Rnew

(6)

1.3 电池SOH评估

按评估过程所处时间，电池SOH评估分为离线评估与在线评估。在线评估要克服数据在不断产生过程中的测量噪声及对评估结果收敛性的不良影响，需要算法具有较好的鲁棒性与全局寻优能力。人们从实验特征分析、模型机理分析等方面对电池SOH评估进行研究[5]，目前较常用的评估方法有直接测量、特征分析、自适应算法与数据驱动等4类。

直接测量电池容量、内阻和阻抗谱等特征参数来评估电池SOH，因操作简单，是离线评估的常用方法[6]，但评估结果受数据采集精度与环境因素的影响，且耗时长，成本高。

特征分析是在直接测量的基础上，通过选取涉及某些能反映电池容量或内阻衰退的特征量(或健康因子)，通过特征参数的变化间接反映电池老化状态，从而评估电池SOH[7]；其中健康因子的选取可削弱因测量误差、噪声等不利因素的影响，但仅限于特定充放电过程，难以具备普适性，在实际应用时操作难度较高，也难以实现在线评估[8]。

自适应算法基于等效模型，通过模型参数识别完成SOH评估，包括联合估计法、协同估计法及融合估计法等，如基于双滑膜观测器[9]或扩展卡尔曼滤波与滑膜观测器相结合[10]的在线SOH估计，可解决由测量噪声、环境不确定因素带来的问题，是电池SOH在线识别的重要手段[11]。自适应算法往往依赖于精确的电池等效模型，实际操作时存在困难。

数据驱动类方法避免了自适应算法依靠精确等效模型和操作困难等问题，仅利用电池历史老化数据，通过特定学习算法提取数据中的老化信息轨迹，从而通过数学方法拟合得到预测结果。主要方法有自回归模型(AR)、人工神经网络(ANN)、支持向量机(SVM)及高斯过程回归(GPR)等方法[12]。BP神经网络、Elman神经网络应用较广泛，并可采用智能优化算法提高神经网络的收敛速度和精度[13]，再结合卡尔曼滤波[14]或数字滤波器技术，以提高适应性。相比于神经网络与SVM，GPR易于实现，能自适应调整超参数，输出具有置信区间[2]，但在泛化能力和精度之间难以取得平衡。

2 SOH实验

SOH实验主要是指提取SOH特征，并以评估SOH为目的的无损坏性实验[15]，可在特定载荷下充放电运行若干次后，检测电池性能指标，从而得到电池老化的一般规律[2]，涵盖对电池阻抗、实际容量、开路电压、放电电压平台和极化时间等参数测量的单次或多次充放电测试。

大多数针对SOH评估的数据来源可分为两类：一类是采用已存在的共享数据集，另一类是自主设计实验获取所需数据集[16-17]。前者包括NASA锂离子电池随机使用数据集与牛津电池老化数据集[18]。使用共享数据可节省大量实验时间，但局限性在于电池类型、充放电工况的限定。不同类型电池的健康特征可能有差异，且共享数据库未必能满足需要，还需通过自主实验进行验证，才能确保可靠性[19-20]。

目前，大多SOH实验为充放电实验，获取电池在运行时能够映射SOH的特征，为SOH评估奠定基础[21]。按照需求，SOH实验通常可分为循环测试与性能测试两大类(见图1)，其中循环测试是模拟实际运行工况或极限运行工况下，不同运行时间或循环次数的实验结果[19]。

图1 电池健康实验的内容

3 SOH模型

电池模型可分为电化学模型、等效电路模型和黑箱模型等3大类。电化学模型通过多个偏微分方程组，描述电池内部离子运动、化学反应等状态，但因参数过多，不具实用性，即使是简化模型，参数仍有23个[22-23]。等效电路模型通过电阻、电容等电气元件，描述电池的电气特性及内部材料结构变化，是一种适用于系统层面分析仿真的集总参数电路模型。建立等效电路模型，需要将电池实验数据与参数辨识算法结合，参数辨识可分为静态离线辨识与动态在线辨识。最小二乘法、极大自然法和预报误差法等是参数辨识的基本方法，其中最小二乘法应用广泛[24]。黑箱模型通过神经网络、SVM等智能算法，描述电池的输入输出关系[25]，但需要大量历史数据，而且不同电池和工况往往没有通用性。

4 成组不一致性及电池筛选

4.1 不一致性分析

成组的单体电池由于材料分布和工艺水平等因素，出厂即存在差异，加之成组后的使用差异和管理不当，单体间的不一致性难以避免[26]。电池组的不一致性与性能高度耦合，且与SOH呈负相关，随着电池的老化，电池组不一致性恶化，进而加快电池的老化速度[27]。

电池的不一致性与内阻、容量、温度、SOC及电池的老化程度有很强的关系，容量不一致与电流激励使放电深度不一致，同时导致电流存在差异[20]，而SOC、内阻和容量是导致单体电池电压差异的3个主要因素[28]。此外，温度对电池组性能与不一致性有重要影响，不适宜的温度会使衰减加快，不一致性加剧[29]。内阻和换热不一致，对电池温度和电流不一致有显著影响，可通过降低接触热阻来削弱这种影响[30]。由内部参数和温度场不一致引起的衰减程度不一致，最后导致不一致程度加大的情况见图2。

图2 电池组不一致性分析图

不仅如此，电池组不一致性还具有耦合性、统计性、权重性、不可逆性和渐变性等5个特点，表现十分复杂[31]。

4.2 电池筛选

电池组不一致性分析包括对现象、因素和机理的定性分析，以及利用数值、矩阵或图像描述的定量分析[32]。不一致性评估的目标参数是容量、内阻或电压数据的离散程度。筛选则是找出这些离散数据的离群值，降低数据离散程度。筛选方法可分为参数特征分选和曲线特征分选等。

在参数特征分选中，选取目标参数大多考虑准确性与便捷性。就准确性而言，容量好于内阻，内阻好于电压，而便捷性恰好相反[33]，因此，电压和内阻通常作为主要参照指标。目前，衡量电压不一致性主要以波动率(Cv)、均方根值(σx)和波动幅度(ΔU)为参照指标计算[34]，公式分别见式(7)、式(8)和式(9)。

(7)

(8)

ΔU=Umax-Umin

(9)

式(7)-(9)可知，Cv、σx和ΔU越大，不一致性越高。通过电压来计算不一致性，实质是通过统计学中的特征量评价多个单体电池电压的离散程度，如ΔU实质上是极差，计算较简单，但受异常值的影响，可能存在不能真实反映数据的情况，且难以有效辨识影响数据离散程度的离群点。为此，文献[26]通过电化学阻抗谱分选，找出4个高、中、低的起始终止分界点，模糊聚类选取数量最多的群，以确保实验电池组的一致性。

相比参数特征分选，曲线特征分选能更好地避免因环境因素改变和噪声影响带来的不准确结果。文献[32]通过单体电池放电电压曲线，采用基于模糊均值聚类的最小二乘SVM模型实现曲线特征分选。文献[33]考虑充电电压曲线的相似度，将锂离子电池的SOH作为基于遗传算法的改进Elman神经网络的输入，实现了分选。文献[21]在化学机理模型SP+的基础上，通过实验得到特征参数，利用模糊均值聚类中的有效评价指数，实现对电池的分选。

5 结论与展望

影响电池老化的因素众多，不同因素相互耦合，具有极大的不确定性，通过模型定量分析电池内部机理变化辨明SOH，有较大的难度。研究开发SOH评估算法，需要可靠的数据支撑，研发人员可选择现有数据库进行可行性验证。电池实际工况复杂，利用实验模拟实际不同工况测得的数据或直接利用实际测得的数据，可更好地保障算法的可靠性。

针对不同研发目标，设计合适的SOH实验并建立等效模型，能更精确地描述电池特性，进而利用模型机理分析，得到电池SOH，但存在SOH实验如何更好地逼近实际工况、如何在在线参数辨识中解决噪声及不确定因素干扰的问题。

SOH实验的目的是为剖析健康老化机理和评估SOH提供数据支撑，但实验的环境和工况设计与实际情况无法完全一致，且耗时长、成本高，要实际运行现场的数据采集、处理和运用。对于SOH评估，离线评估不是目的，也缺乏全域数据支撑，在线评估才是最终目标，但目前自适应算法缺乏全域保真模型，数据驱动方法需要在线数据实时采集、处理和计算的能力支持。为此，应从以下3个方面开展研究。

数据支撑：可靠的实验数据与有限的在线测量数据，成为基于数据驱动开发完整预测模型的薄弱之处。结合飞速发展的大数据技术、物联网技术，基于在线运行数据采集、存储与利用的技术亟待突破。

特征与机理结合：实验特征分析与模型机理分析相结合，能够更好地解决电池SOH估计问题，基于电池健康特征分析与数据驱动或自适应算法相结合的在线电池SOH评估，是研究重点之一。

基于数据驱动的在线预测：随着卫星定位、5G、物联网、大数据等技术的发展，以及传感器精度和运算能力的提升，对比历史数据驱动与自适应算法的现有评估方法，具有在线自学习的数据驱动类方法，具有更广阔的应用前景。