动力锂离子电池健康状态和剩余使用寿命研究综述①

2021-11-10徐宏杰

佳木斯大学学报（自然科学版） 2021年4期

宋珂, 徐宏杰

(同济大学,上海 201804)

0 引言

随着日益严重的环境污染和温室效应，新能源汽车成为了一个越来越热门的领域。在目前的电动汽车上，锂离子电池是一个主要应用的储能元件。锂离子电池相比于传统的铅酸电池而言，有能量密度大，工作电流密度高以及快速启动性能好的优点，所以被广泛应用在动力电池领域。但是它的缺点也十分明显，其电池容量衰减较快，寿命较短，尤其是在低温条件下工作时。因此动力锂离子电池的健康状况(State of Health, SOH)监测和剩余寿命(Remaining Useful Life, RUL)预测成为了一个热门研究课题。SOH监测和RUL预测为动力锂离子电池的健康状态管理提供了有效的方法，便于工程师在合适的时间对电池进行维护，减少经济损失和避免重大安全事故的发生。

1 动力锂离子电池介绍

动力锂离子电池的荷电状态(State of Charge，SOC)是描述和研究电池状态的重要参数之一，也是整个动力电池管理系统(Battery Management System，BMS)设计制定的依据。从电量、能量等不同的角度，SOC有多种不同的定义方式。通常来说，SOC反映的是电池的剩余容量状况，其数值上定义为当前电池剩余可使用容量与电池总容量的比值[1]：

(1)

其中，QC为电池剩余可使用的容量 ,CI为电池以恒定电流I放电时所能达到的容量，Q为电池已放出的电池容量。

不同研究学者对于SOH的定义也有差异。常见的SOH定义方式通常从电池的容量或者内阻两个不同角度出发进行定义。以电池容量的SOH定义方式还有绝对容量和相对容量之分。以绝对电池容量定义为例，SOH定义为当前电池充满电的总容量和电池额定容量之比，即当前动力电池从SOC为1以一定的放电倍率放电至截止电压所放出的容量与电池的额定容量之比[2]。

(2)

其中，Caged指的是当前电池总容量，Crated指的是电池额定容量。

而以相对电池容量定义的SOH指的是，电池当前总容量相对于电池寿命终点(End of Life, EOL)[3]总容量差值和电池额定容量相对于电池寿命终点总容量差值的比值[4]，即

(3)

其中，CEOL指的是电池寿命终点的总容量。

内阻是影响电池性能的一大关键因素，以内阻定义的SOH指的是，电池当前内阻相对于电池寿命终点内阻差值和电池额定内阻相对于电池寿命终点内阻差值的比值[4]，即

(4)

对于动力锂离子电池的健康状态和剩余使用寿命研究而言，电池寿命终止的定义也是影响研究关键的因素。由SOH的定义不难看出，EOL的定义方式也随着SOH定义方式变化而变化。通常情况下，以容量的方式来定义EOL，即电池容量下降为标称电池容量的80%时，认为电池寿命终了。即以绝对容量定义的SOH可以认为，SOH到达0.8时，即到达寿命终点[5]。以相对容量定义的SOH认为，SOH等于0时，到达寿命终点[6]。

动力锂离子电池的剩余使用寿命RUL指的是电池从当前时刻到电池EOL的剩余使用时间或循环次。RUL的研究需要结合电池的使用场景，是电池的健康状态SOH更为直观的反映。

2 动力锂离子电池

2.1 动力锂离子电池工作原理

锂离子电池单体通常由正极、隔膜、负极、电解液和外壳组成。其正极一般是锰酸锂，钴酸锂或镍钴锰酸锂，负极是石墨或近似石墨结构的碳材料。锂离子电池是一种锂离子浓差电池，充放电时锂离子在正负电极之间漂移以传递电能。锂离子电池的具体工作原理如下：

正极反应：放电时Li+嵌入，充电时Li+拖嵌。

负极反应：放电时Li+拖嵌，充电时Li+嵌入。

图1 锂离子电池工作原理

在日常的使用中，锂离子电池通常是以电池组的形式进行工作的，即通过串并联的形式将许多电池单体组合成一个满足工作需求的电池组。电池成组之后，单体之间存在的不一致性是影响电池健康状态和剩余使用寿命的一大关键因素。电池组的寿命通常取决于性能最差的单体电池，即使其他所有单体性能良好，电池组也将无法使用。徐爱琴等人通过基于城郊工况的台架循环试验，总结了磷酸铁锂电池单体与电池组容量衰减遵循的衰减规律，得到了电池组的衰减速率为电池单体的2.7倍的结论[7]。

图2 锂离子电池单体和电池组

在大部分研究以及讨论中，电池健康状况和剩余使用寿命指的是锂离子电池组，而不是电池单体。

2.2 动力锂离子电池衰减机理

动力锂离子电池在充放电的过程中，其内部存在着一系列电化学反应以及物理变化。除了锂离子在正负极之间正常循环拖嵌、嵌入外，在工作过程中还会产生许多其他的副反应，影响电池的健康状态和剩余使用寿命。从内部组成来说，锂离子电池的衰减过程主要与SEI(Solid Electrolyte Interface)膜的增长、正极材料的溶解、电极材料相变化、活性物质的损耗、电解质的分解、分离件的老化等有关。这些电池内部的变化通常会导致锂离子电池的容量衰减和内阻增加，影响动力电池的性能。戴海峰等人总结了锂离子电池的衰减机理，如图3所示

图3 锂离子动力电池老化过程机理[3]

2.3 动力锂离子电池衰减的影响因素

动力锂离子电池的工作过程中，各种外部因素都会导致电池内部不同程度的衰减。这些引起电池健康状态和剩余使用寿命发生变化的因素主要包括，充放电截止电压、放电倍率、放电深度(Depth of Discharge，DOD)、电池荷电状态SOC、温度、电流波动频率、机械破坏等。

以电池充放电过程为例，在电池在充放电过程中，如果充放电电压达到充放电的终止电压时仍然继续充放电，就会发生过充或过放。当锂离子电池过充时，即充电截止电压较高时，会产生诸如正极锂金属氧化物发生溶解、隔膜氧化、电解质性能衰减等问题，引起电池健康状态下降和剩余使用寿命降低。从过充对电池内部的影响来看，过充时电池内部发生过多电化学反应，导致Li+在电极的表面沉积，阻止了电池中的活性物质运动，降低电池内部反应速率，从而引起电池衰减。除此之外，正极锂金属氧化物溶解使一些金属单质聚集在负极，阻塞了隔膜，使得电池内阻变大。在这些情形下引起的电池容量衰减是不可逆的。锂离子电池过放也会导致电池的衰减，电池单体过放电程度越大，电池单体容量衰减速率越快。另外，过放还容易造成电池单体内部短路。从内部来看，在锂离子电池发生过放后，Cu2+容易形成在负极表面沉积的单质铜，Li+的嵌入和拖嵌运动会被沉积的物质所阻碍，最终导致锂离子电池容量的衰减。

在锂离子电池的使用过程中，充放电倍率是最主要的电池工作参数。对于相同容量的电池，充放电电流与充放电倍率成正比。充放电倍率影响着锂离子电池的衰减速度。对于充电来说，越低的电池充电倍率能使电池可充入的容量越高，越低的放电倍率能使电池可放出的容量越高，即越接近全容量放电。另外，电池极化现象随着电流增大会更加明显，因此过大的充放电倍率容易导致锂离子电池偏离平衡状态。电池偏离平衡状态表现在对电池内阻以及电压的影响，时间一长电池极板衰减更加迅速，降低了电池健康状态和剩余可使用寿命。曹建华等人[8]针对车用锰酸锂电池的测试结果表明，在相同的电压变化范围内，大电流强度充放电引起的电池容量衰减要远大于小电流强度充放电引起的电池容量衰减。电池强化试验表明，电流强度是影响蓄电池寿命的主要因素。除此之外，锂离子电池放电倍率高对应的工作温度高，容易产生副反应，使正负极材料的晶体产生疲劳甚至衰竭，所以高放电倍率与低放电倍率相比会产生更大的容量损失，而长时间的高倍率放电会显著减短蓄电池的寿命。

动力锂离子电池在非工作状态下，也存在自放电现象造成电池的衰减。自放电现象是指电池在不与外电路连接，开路搁置的条件下，电池由于内部自发反应引起电池容量损的现象。理论上，蓄电池电极在开路时也处于热力学不稳定状态，化学或者物理反应会在电池内部自发进行，导致蓄电池性能的衰减。锂离子电池自放电导致不可逆损失的原因主要是锂离子的损失以及电极微孔被电解质氧化物堵塞等。

3 健康状态与剩余使用寿命预测方法

近些年来，科学家们做了许多相关的研究。动力锂离子电池SOH和RUL预测方法主要能分为三个种类。一是以传统的模型为基础的方法，二是数据驱动型的方法，三是模型和数据驱动融合的方法。

3.1 模型驱动方法

模型驱动型的方法是通过研究电池的衰退机理，建立相应的物理模型，结合实验数据推导得出的经验公式。Fangfang Yang[9]以锂离子电池的库伦效率这一参数为基础，推导出其容量变化的一个经验性公式。Kaveh等人[10]开发一种基于增强单粒子模型(eSPM)参数估计的剩余有用寿命(RUL)预测算法。该算法利用估计的eSPM参数得到的复合SOH度量来设计基于粒子滤波(PF)的RUL预测器，利用SOH度量的演化来预测RUL。Du Xiaowei[11]采用基于模型的方法建立数学和物理模型来描述电池的降解过程，并通过测量数据更新模型参数。用健康指标、可用容量和内部续航能力来反映锂离子电池的剩余使用寿命。模型驱动的方法所需的数据少，但是对参数的准确度要求高，Heng Zhang[12]提出了一种改进的基于线性优化组合重采样(U-LOCR-PF)的无气味粒子滤波(UPF)算法，以提高预测精度。

3.2 数据驱动方法

从上述的参考文献中会发现，利用传统的模型为基础的方法通常要求科研人员具有十分充分的相关领域的知识，而锂离子电池的衰减机理是一个十分复杂的过程，因此根据相关知识建立一个准确的表达式十分困难，而数据驱动型的方法就解决了这个问题。

数据驱动型的方法与传统的模型驱动方法最大的不同在于，数据驱动型的方法不要求研究人员有十分专业的相关知识，只要能获取大量的实验数据，就能够训练出一个十分准确的预测模型。数据驱动方法旨在通过基于可用数据自适应建立的一些近似模型来映射上述机理模型的输入数据与输出数据之间的关系。数据驱动型的方法有很多，其主要的步骤都基本相同，获取数据、训练模型、调整参数、预测这四个过程。由于锂离子电池的衰减特性具有高度非线性性的特点，普通的数据拟合方法不足以挖掘出数据深层次的特征。科学家做了许多这方面的研究，并且对着传感器检测精度的提高，以及运算器计算能力的快速发展，数据驱动型的方法在近些年来逐渐崭露头角。特别是随着大数据和人工智能相关理论的发展，越来越多的科研人员开始尝试利用人工智能的方法来进行锂离子电池的RUL预测。Xunfei Zhou等人[13]利用ANNs神经网络和SVMs向量机与热成像技术结合，建立锂离子电池循环寿命预测模型。在机器学习的基础之上发展而来的深度学习神经网络更加擅长于捕捉数据结构内更深层次的特点，因此被广泛使用在数据预测的领域。F.Cadinia等人[14]在滤波算法的基础上进行了扩展，他们将粒子滤波器和神经网络结合，建立了一种RUL的预测模型。Phattar Khumprom等人[15]利用DNN神经网络建立了RUL和SoH的预测模型，通常还将预测结果与一些传统的机器学习方法，比如线性回归、支持向量机SVM和人工神经网络ANN进行了比较。Cheng-Geng Huang等人[16]利用一个双向的LSTM网络建立模型，并且得到了比普通LSTM更加精确的预测结果。尽管深度学习等数据驱动型的方法十分适合锂离子电池的RUL和SoH预测，但是其在实际的应用中仍有缺陷，比如可靠度不高以及要求计算能力较大等。Joonki Hong[17]采用了端到端深度学习的框架，通过考虑原始数据中的时间模式和交叉数据相关性，寻找更高的周期间老化的分辨率，以便进行更快更准确的预测。其提出的框架显著提高了剩余的有用寿命预测的速度(快了25倍)，并且只有了10.6%的平均绝对错误率。虽然利用数据驱动的方法实现电池健康状态估计和寿命预测的精度高，但是数据驱动方法需要大量的实验数据。数据量太小会严重影响估计和预测的精度。

3.3 模型和数据驱动融合方法

模型和数据驱动融合型的方法范畴十分广泛，其基本的形式是物理模型和机器学习或神经网络的有机结合，发挥物理模型的准确性、严谨性的同时，利用机器学习或神经网络等数据驱动的方法进行模型的简化。融合方法克服了单一基于模型预测和单一基于数据驱动预测的局限性，可以提高预测的准确性。Lin Chen[18]提出了一种将线性优化重幅粒子滤波器(LORPF)与滑动窗口灰色模型(SGM)相结合的改进规则预测方法，所提出的sgm-lorpf框架仅使用少量的历史数据，可以获得准确的结果。Yuchen SONG[19]提出了一个基于RVM和KF的融合算法。当RVM输出一个新的估计器时，采用卡尔曼滤波器对该估计器进行物理退化模型的优化。然后将优化后的估计量作为在线样本加入到训练集中，重新训练RVM模型，动态调整系数矩阵和相关向量，进行下一次迭代预测。YongZhi Zhang[20]提出了一种基于误差修正思想的混合预测锂离子电池剩余使用寿命的新方法，该方法融合了无迹卡尔曼滤波算法、完全集成经验模式分解算法和相关向量机算法。