动力电池二次利用关键参数识别研究综述

2021-12-05王兴华兰欣李祥瑞苏丽娜

内燃机与动力装置 2021年2期

王兴华，兰欣*，李祥瑞，苏丽娜

1.山东大学能源与动力工程学院，山东济南 250061；2.山东天岳先进科技股份有限公司，山东济南 250118

0 引言

我国动力电池2018年和2019年的装机总量分别为56.9 GW·h 和 62.2 GW·h，新能源汽车2019年的产、销量分别为124.2 万辆和120.6 万辆[1]，产业规模位居世界首位。新能源电动汽车越来越受关注，市场越来越大，动力电池的梯次利用和回收管理对电动汽车的发展越来越重要。

锂离子电池容量低于某值时(通常为初始容量的80%)，电池很难满足电动车的使用要求，必须从电动车退役[2]。电池成本较高，如果对电池进行拆解、报废将会造成较大浪费，退役电池仍具有较大的利用价值，应将其应用到要求较低的场所，进行二次利用，充分发掘和发挥退役电池的剩余价值。退役电池二次利用前景广阔，但长时间使用后的退役电池性能下降，安全性、稳定性远不如新电池，如何从废旧电池中分选出一致性较好的单体并成组，是退役动力电池二次利用必须解决的问题。

1 动力电池二次利用关键参数

退役电池来源广泛，使用环境和运行工况各不相同，不一致性问题突出，电池分选目标就是将退役电池的不一致性降到最低。电池分选方法一般都是通过检测电池的外特性，将获取的单个或多个特性控制在某一合理范围内，保证整个电池组的一致性。

电池分选前需要确定电池的内阻、电压、工作电流、自放电率以及充放电曲线等基本参数，利用这些基本参数对电池进行电荷健康度(state of health，SOH)、电池的荷电状态(state of charge，SOC)、最大可用容量与剩余寿命的预测。陈伟华等[3]研究退役磷酸铁锂电池的串并联性能，对比分析电池容量特性、内阻特性和串联特性，发现随着循环次数的增加，串并联模组容量的下降幅度比串联模组大；无论是串联还是串并联模组，欧姆内阻随SOC的变化基本保持不变，但并联模组在SOC高端区域阻值一致性较差；同欧姆内阻相比，极化内阻对电池一致性的影响更大。刘道坦等[4]对退役的锰酸锂动力电池进行研究，分析其容量、内阻和容量保持率等参数的变化，总结退役锰酸锂电池长期使用后关键参数的变化规律，发现退役电池单体容量、内阻以及容量保持率明显分散，进行二次利用时，额定电流、工作温度、充放电机制都需重新测定。

2 动力电池二次利用参数识别

2.1 SOH预测

SOH表征电池的健康状态，反映电池的老化程度，其评价指标为电池的健康状态容量[5]

QSOH=Qmax/Qrated×100%，

(1)

式中：Qmax为电池的最大放电容量，Qrated为电池的额定容量。

文献[6]研究发现，磷酸铁锂电池的内阻变化主要由欧姆内阻引起，并将其作为表征电池健康状态的依据，但测量电池内阻需要精密仪器，且计算过程较为繁琐，很难通过测量电池内阻快速估计电池的健康状态。由于电池工作期间端电压与内阻之间存在一定的规律，因此可以通过端电压(USOH)表示电池的健康状态。

(2)

式中：UTavg与UTR为放电停止前一时刻单体电池的平均端电压与待评价单体电池的端电压;UTavg0与UTR0为放电停止后任意同一时刻所对应的单体电池平均端电压与待评价单体电池的端电压;ΔURoavg为放电电流终止后，欧姆内阻引起的平均单体电池的电压变化。在电池分选实验中，端电压评价法获得电池状态最大误差为4.5%，说明该方法具有较高的可行性。

获取电池静态容量需要较长的测试时间、严格的测试条件与测试环境，无法快速获得实验数据，文献[7]没有利用电池当前状态的静态容量作为SOH的主要判断依据来建立其寿命模型，而是制定了一套新的评价指标，提出了基于欧姆内阻的锂电池二次利用测试方法，研究均值内阻、最小内阻和内阻-SOC曲线3种健康特征提取方法，以此构建3种健康因子，提出适用二次利用电池SOH的离线预测方法，实现离线状态下预测电池健康状态。

在锂电池放电深度(电池放电量与电池额定容量的百分比)为20%～80%时对欧姆内阻求平均值以构建均值内阻健康因子Ro,mean；以内阻-SOC曲线顶点来搭建最小内阻健康因子Ro,min；采用as健康特征提取方法构建内阻-SOC曲线健康因子；分别使用一次曲线和阿伦尼乌斯公式[8]拟合不同环境温度下的内阻并建立寿命模型：

(3)

(4)

式中：amean1、bmean1、amean2、bmean2和cmean为一次曲线拟合系数；T为温度；amin1、bmin1、amin2、bmin2和cmin为阿伦尼乌斯公式拟合系数。

结合多模型融合技术，对建立的锂电池寿命模型进行处理，将SOH的预测误差降至4%左右。

2.2 SOC预测

SOC反映电池的使用情况，根据电池的SOC采用适当的能量管理策略，可避免因电池SOC计算不准确而造成电池过充或过放等安全问题。

文献[9]针对二次利用电池储能系统的特点，采用改进的安时积分法并考虑温度、自放电等因素，根据测试数据，提出适用该系统的SOC估算策略。电化学阻抗谱通过改变施加在电池上的正弦波频率，获取不同频率点下的阻抗及其模量和相位角[10-11]。通过在电池电化学阻抗谱曲线上选取特定的频率点分析电化学阻抗谱、电池SOC和老化的关系，得出电化学极化阻抗与浓差极化阻抗的增大是电池循环性能变差的主要原因。文献[12]利用电化学阻抗谱测试方法研究电池阻抗特性参数随电池SOC和老化状况的变化特性。文献[13]以容量与内阻状态作为磷酸铁锂电池健康状态的评价指标。提出电池实际容量、负极初始与终止SOC之间的关系：

QSOC0=mQSOC1,

(5)

Q= (1-m)QSOC1Qn,

(6)

式中：QSOC0为负极初始时的电池容量；m为比例系数；QSOC1为负极终止时的电池容量；Q为电池实际容量；Qn为使用列文伯格-马夸尔特(Levenberg-Marquardt)非线性最小二乘法提取的负极容量。

将端电压的误差函数作为目标函数：

(7)

式中：F为目标函数；UT为电池端电压；UP、Un分别为电池正、负极开路电势函数；QSOCP为正极容量；IL为工作负载电流；R为电荷阻力。

2.3 电池剩余容量的估计

退役电池容量的衰减程度与电池的循环寿命有直接关系，准确估计电池的剩余容量不仅可以防止电池组的过充、过放问题，还可以延长整个电池组的使用寿命。

文献[14]为得到电池容量与内阻之间的关系，由计算容量与内阻的皮尔逊相关系数(Pearson correlation coefficient)可知，电池容量的精确估计无法从线性相关性方面得到；因此采用遗传算法与支持向量机结合对退役锂离子电池的容量进行快速建模估计，建立电池容量估计的支持向量机模型，引入遗传算法对支持向量机参数优化，并利用优化后的模型估计电池容量。文献[15]发现锂离子电池容量保持率与循环寿命服从二次高斯函数关系，利用外推法建立锂离子电池的寿命预测模型，经过大量的测试验证此模型的预测精度达到99%。锂离子电池在不同放电环境下的容量衰退模型：

CN=a1exp[-((N-b1)/c1)2]+a2exp[-((N-b2)/c2)2]，

(8)

式中：CN为N个循环的放电容量，a1、b1、c1、a2、b2、c2分别为模型的模拟常数。

文献[16]发现退役电池容量的衰减与其循环次数存在一定的关系。退役电池所处的环境温度、放电倍率、放电深度(depth of dischange,DOD)都与电池的容量衰减速率有关，温度越高、倍率越大、放电深度越深都会加快电池容量衰减。按照加速度寿命试验的原理，阿伦尼乌斯(Arrhenius)模型可以很好地表示电池寿命与环境温度之间的关系，并结合已有的幂函数模型，发现5倍放电倍率的情况下，电池寿命和环境温度、循环次数之间的关系可用式(9)表示：

(9)

式中：Qloss为电池剩余容量；R为电池内阻；c为参数。

幂函数模型在任一放电倍率下都适用于电池容量衰减速率模型，因此任一条件下的电池容量衰减速率轨迹可用一个通用的函数模型来表示，

(10)

式中：λDOD为放电深度的影响因子；C为放电倍率；A、cn为相应温度下的拟合参数。

文献[17]考虑电池容量衰退曲线非线性的变化趋势与可能存在的维数问题，根据已有的测试数据，对支持向量回归机进行训练，用训练得到的模型预测未来的测量数据，并借助粒子滤波算法实时更新预测区间的系统状态，进而获得系统未来时刻的状态。同时考虑二次利用电池可能存在的容量突变问题，基于小波变换方法对其进行辨识，可有效避免预测过程中产生较大误差。对历史数据进行归一化处理，选择径向基函数模型，并利用Cao氏方法确定满足条件的嵌入维数，利用数据与时间的关系对该模型进行训练，得到支持向量回归的学习样本。将预测的测量值代入系统模型更新粒子重要性权值，重新采样获得下一时刻的状态，直至判断达到阈值，得到所测电池剩余容量的预测值。

3 电池剩余寿命预测

通过连续采集电池的电流、电压，获得其实时的运行状态。在连续测量的基础上，获得电池的内阻并结合其使用时间、利用率等历史记录，计算出电池当前的寿命状态[18]。文献[19]考虑锂电池荷电状态、储存温度等影响因素，以锂电池的储存时间为基础建立其日历寿命模型。文献[20]研究锂电池SOH与内阻的关系，在不同SOC、放电深度与环境温度下基于历史数据，建立电池的日历寿命与循环寿命模型。文献[21]的旧电池寿命取决于电池的放电模式，用累积的有效放电来估算电池的寿命

(11)

式中：LR为额定放电深度与放电电流下的循环寿命，DR为额定循环的放电深度，CR为额定放电电流下的额定安培小时容量，TR为系统运行时间，deffi为有效放电。

该模型需要电池的放电深度与循环数、电流与容量和放电电流与放电时间等信息。由于电池的健康状态尚不确定，因此需要利用高斯分布输出，确定具有最高概率的SOC。基于规则的控制系统确定不同SOC电池的放电模式并将其作为此模型的输入，进而得到电池的剩余寿命。

文献[22]研究锂离子电池剩余寿命的估计方法，提出基于指数衰退信号模型获得电池的劣化模型，并利用贝叶斯更新程序，获得电池在不同时间间隔剩余寿命的条件累积分布函数。电池的劣化模型与剩余寿命的条件累计分布函数为：

(12)

式中：Lk为时间间隔为tk时的劣化参数；θ、β为系数；ε(tk) 为误差项;P为剩余寿命的累计分布函数；T为电池的剩余寿命；t为电池已使用的时间；D为失效阀值，D=(T+tk)。

文献[23]提出一种新的电池状态估计方法，即基于强跟踪粒子滤波器的电池剩余寿命预测逻辑回归，该算法结合最小二乘支持向量机进行逻辑回归，近似电池寿命预测状态更新的非线性和非高斯过程。首先，需要确定状态转换函数，使用逻辑回归并结合最小二乘支持向量机对历史数据训练，进而获得过程传播模型，并将过程传播模型引入强跟踪粒子滤波器，对其进行迭代，最后估计电池的剩余寿命。