锂离子动力电池寿命预测的研究进展

刘 嘉，晏裕康，雷治国

(福建农林大学机电工程学院，福建福州 350108)

锂离子电池具有能量密度高、循环寿命长、自放电率低、无记忆等优点[1]。但是锂离子电池循环寿命短的问题制约了电动汽车的应用与推广，所以有必要对锂离子电池循环寿命的影响因素进行分析，同时对锂离子电池的健康状态(SOH)估计进行评估，对其寿命进行预测，对系统安全、防止灾难事故有着重大意义[2]。

1 影响因素

锂离子电池寿命的影响因素主要包括：外部影响因素，例如荷电状态、温度、充放电倍率、电池单体的不一致性、电池内阻等；电池内部的老化，造成锂离子电池性能降低和剩余容量衰减。

1.1 外部影响因素

1.1.1 荷电状态

荷电状态(SOC)是指蓄电池使用一段时间或长期搁置不用后的剩余容量与其完全充电状态的容量的比值。冯丽娟等[3]对不同荷电状态下电池容量衰减情况进行了研究，结果表明在正常状态下比过充或过放状态下电池容量衰减慢得多。

1.1.2 温度

每个锂离子电池都会有一个最佳使用温度范围，若超出范围，锂离子电池的性能就会发生改变，造成电池容量的不正常衰减。林健[4]在不同环境温度下对锂离子电池进行了实验分析，结果表明在一定范围内，温度越高，整体的充放电效率越高，电池寿命衰减越慢。

1.1.3 充放电倍率

充放电倍率指电池在规定的时间内充入/放出其额定容量时所需要的电流值。关婷[5]对钴酸锂/石墨电池进行了实验研究，结果表明随着充放电倍率的不断增大，其电池容量衰减越快，且超过某一值时，电池容量衰减速率变慢。

1.1.4 不一致性

研究表明单体电池和电池成组的不一致性对电池寿命有很大影响。罗马吉等[6]以三元锂电池为研究对象，对两单体电池独立放电与两单体电池并联放电进行对比，发现两电池并联比两电池独立放电容量衰减率更小，更具优势。

1.1.5 内阻

电池的功率内阻与电池循环寿命的联系相当密切，当电池的功率内阻增加，电池内部电流的阻碍作用也会增加，消耗功率更大，电池循环寿命也会发生衰减。黄玉清等[7]指出两只电池虽然初始容量相同，但是由于各自内阻的差异，会导致电池容量的衰减率不同。

1.2 内部因素

锂离子电池在使用过程中，其内部会发生一系列的物理和化学变化，这些变化将会使电池容量呈衰减状态。刘汉雨[8]指出锂离子电池的正负两极都会对电池老化造成影响，从而加速容量衰减。

2 电池健康状态估计

随着锂离子电池的广泛推广与应用，准确地评估电池健康状态成为了必不可少的一项任务。SOH是指蓄电池容量、健康度、性能状态。刘昊天等[9]提出了一种基于注意力机制解码器模型的锂离子电池估算方法，该算法仅通过采集单个采样周期的电压和电流即可获得精度较高的健康状态估计值。梁晓静[10]提出了三种不同的SOH估计方法：实验估计法、自适应滤波法和数据驱动法，它们的优缺点如表1 所示。

表1 锂离子电池SOH 估计方法的优缺点

3 电池寿命预测

3.1 基于经验的方法

基于经验的方法包括：循环周期法、安时法、面向事件的老化累积方法。

Liu 等[11]用安时法获得电池的容量，并采用高斯回归法来预测电池的退化趋势。张金等[12]提出一种根据容量退化速率优先确定整数变量的条件三参数容量退化经验模型，并通过不同退化速率的锂离子电池退化实验数据对模型的可性行及实用性加以验证，为锂离子电池的寿命预测提供了理论支撑。Sauer 等[13]使用加权安时法和面向事件的老化模型进行寿命预测，加权安时法作为安时法的改进，考虑了不同工况对锂离子电池寿命的影响，面向事件的老化模型中的特定事件对锂电池寿命的影响既可以通过实验的方式确定，也可以利用专家知识去评估。

3.2 基于性能的方法

3.2.1 模型法

模型法通过研究电池的衰退机理，建立相对应的数学模型去预测电池寿命。Ashwin 等[14]提出了一种伪二维电化学模型，可以用来判断电池容量衰减程度并预测电池剩余使用寿命(RUL)。林慧龙等[15]提出一种粒子滤波算法(PF)来预测电池寿命，并与扩展卡尔曼滤波算法(EKF)进行了对比，发现粒子滤波算法的平均绝对误差(MAE)和均方根误差(RMSE)都低于扩展卡尔曼滤波，结果如表2 所示。张吉宣等[16]提出了一种自回归滑动平均模型和正则化PF 的融合算法，并与单一的标准PF 和正则化PF 算法相比较，结果表明该方法预测精度更高。

表2 两种方法的RUL 预测误差

3.2.2 数据驱动法

数据驱动法不需要了解电池内部的物理和化学变化，通过分析电池健康状态信息进行剩余寿命预测。Liu 等[17]提出了一种利用灰色模型的电池剩余寿命预测方法，但GM(1,1)模型在进行长期预测时误差比较大，针对这种情况，Gu 等[18]建立了残差GM(1,1)模型，实验结果表明，该方法预测精度较高。Long 等[19]利用改进的自回归(AR)模型对锂离子电池退化容量进行跟踪，在模型定阶时采用粒子群算法，实现对电池的寿命预测，结果具有较高的精度。庞晓琼等[20]提出了一种结合主成分分析特征融合与非线性自回归神经网络(PCANARX)的预测方法,对电池的寿命进行预测，经仿真后得出了该方法的有效性，其预测误差小、适用性强，如图1 所示。聂侥等[21]建立了一种双并联离散过程神经网络模型，并与标准的过程神经网络预测所得的结果进行比较，该方法不仅实现了过程神经网络不具备的权值在线更新功能，而且预测效果更好，如表3 所示。

图1 电池容量与预测结果

表3 预测方法性能比较

3.2.3 融合技术法

由于融合技术法克服了模型法预测和数据驱动法预测的局限性，很多研究人员更加青睐于用融合技术法来预测电池剩余寿命，可以提高预测的准确性。范立明等[22]通过将退化物理模型与粒子滤波算法融合的方法来对电池的剩余寿命进行预测，预测误差仅为1.97%。Tian 等[23]提出了一种基于人工鱼群算法与粒子滤波算法相结合的预测方法，有效防止了粒子退化问题，提高了预测精度，并与基本PF 和正则化PF 的结果进行对比，结果证明基于人工鱼群的粒子滤波算法(AFSA-PF)更加准确。杜净彩[24]研究了三种不同的电池寿命预测方法，并将其作比较，结果如表4 所示，结果证明融合型电池寿命预测方法预测精度更高，相对误差由9%降低到2%。

表4 三种方法预测相对误差对比 %

3.3 预测方法对比分析

综上所述，基于经验的方法虽然方法简单，但是精度低，太过依赖经验知识，只适用于特定场合；在基于性能的方法中，模型法可以很好反映电池物理和电化学特性，但是存在建模困难的问题，数据驱动法仅需要电池健康状态信息就可预测电池剩余寿命，但是受数据不确定性的影响，适应性较差，融合型技术法是未来锂离子动力电池寿命预测的重要手段，但是在模型融合参数等方面还存在较大的挑战。

4 结语

锂离子电池是电动汽车的关键组成部分，锂离子电池性能的好坏很大程度上就代表了电动汽车性能的好坏，对锂离子电池的寿命进行预测对电动汽车的应用与推广起着非常关键的作用。从近些年来国内外的研究现状来看，人们在研究锂离子电池寿命预测方面已经取得了很大的进展，但是，对于今后的工作，挑战依然还在，例如：在SOH方面，当电池处于动态条件下工作时，情况会更复杂，可以对现有的方法进行改进和扩展，如采用物理模型与数据驱动模型融合的方法进行电池健康状态估计，提高预测的精度；在剩余使用寿命方面，多种寿命预测方法的融合是未来锂离子动力电池寿命发展的方向，可以更加准确地进行电池寿命的在线预测。相信在不久后的未来，电池寿命预测技术将会更加成熟，在电动汽车上得到广泛的应用与推广。