鋰離子動力電池壽命預測的研究進展

劉 嘉，晏裕康，雷治國

(福建農林大學機電工程學院，福建福州 350108)

鋰離子電池具有能量密度高、循環壽命長、自放電率低、無記憶等優點[1]。但是鋰離子電池循環壽命短的問題制約了電動汽車的應用與推廣，所以有必要對鋰離子電池循環壽命的影響因素進行分析，同時對鋰離子電池的健康狀態(SOH)估計進行評估，對其壽命進行預測，對系統安全、防止災難事故有著重大意義[2]。

1 影響因素

鋰離子電池壽命的影響因素主要包括：外部影響因素，例如荷電狀態、溫度、充放電倍率、電池單體的不一致性、電池內阻等；電池內部的老化，造成鋰離子電池性能降低和剩余容量衰減。

1.1 外部影響因素

1.1.1 荷電狀態

荷電狀態(SOC)是指蓄電池使用一段時間或長期擱置不用后的剩余容量與其完全充電狀態的容量的比值。馮麗娟等[3]對不同荷電狀態下電池容量衰減情況進行了研究，結果表明在正常狀態下比過充或過放狀態下電池容量衰減慢得多。

1.1.2 溫度

每個鋰離子電池都會有一個最佳使用溫度范圍，若超出范圍，鋰離子電池的性能就會發生改變，造成電池容量的不正常衰減。林健[4]在不同環境溫度下對鋰離子電池進行了實驗分析，結果表明在一定范圍內，溫度越高，整體的充放電效率越高，電池壽命衰減越慢。

1.1.3 充放電倍率

充放電倍率指電池在規定的時間內充入/放出其額定容量時所需要的電流值。關婷[5]對鈷酸鋰/石墨電池進行了實驗研究，結果表明隨著充放電倍率的不斷增大，其電池容量衰減越快，且超過某一值時，電池容量衰減速率變慢。

1.1.4 不一致性

研究表明單體電池和電池成組的不一致性對電池壽命有很大影響。羅馬吉等[6]以三元鋰電池為研究對象，對兩單體電池獨立放電與兩單體電池并聯放電進行對比，發現兩電池并聯比兩電池獨立放電容量衰減率更小，更具優勢。

1.1.5 內阻

電池的功率內阻與電池循環壽命的聯系相當密切，當電池的功率內阻增加，電池內部電流的阻礙作用也會增加，消耗功率更大，電池循環壽命也會發生衰減。黃玉清等[7]指出兩只電池雖然初始容量相同，但是由于各自內阻的差異，會導致電池容量的衰減率不同。

1.2 內部因素

鋰離子電池在使用過程中，其內部會發生一系列的物理和化學變化，這些變化將會使電池容量呈衰減狀態。劉漢雨[8]指出鋰離子電池的正負兩極都會對電池老化造成影響，從而加速容量衰減。

2 電池健康狀態估計

隨著鋰離子電池的廣泛推廣與應用，準確地評估電池健康狀態成為了必不可少的一項任務。SOH是指蓄電池容量、健康度、性能狀態。劉昊天等[9]提出了一種基于注意力機制解碼器模型的鋰離子電池估算方法，該算法僅通過采集單個采樣周期的電壓和電流即可獲得精度較高的健康狀態估計值。梁曉靜[10]提出了三種不同的SOH估計方法：實驗估計法、自適應濾波法和數據驅動法，它們的優缺點如表1 所示。

表1 鋰離子電池SOH 估計方法的優缺點

3 電池壽命預測

3.1 基于經驗的方法

基于經驗的方法包括：循環周期法、安時法、面向事件的老化累積方法。

Liu 等[11]用安時法獲得電池的容量，并采用高斯回歸法來預測電池的退化趨勢。張金等[12]提出一種根據容量退化速率優先確定整數變量的條件三參數容量退化經驗模型，并通過不同退化速率的鋰離子電池退化實驗數據對模型的可性行及實用性加以驗證，為鋰離子電池的壽命預測提供了理論支撐。Sauer 等[13]使用加權安時法和面向事件的老化模型進行壽命預測，加權安時法作為安時法的改進，考慮了不同工況對鋰離子電池壽命的影響，面向事件的老化模型中的特定事件對鋰電池壽命的影響既可以通過實驗的方式確定，也可以利用專家知識去評估。

3.2 基于性能的方法

3.2.1 模型法

模型法通過研究電池的衰退機理，建立相對應的數學模型去預測電池壽命。Ashwin 等[14]提出了一種偽二維電化學模型，可以用來判斷電池容量衰減程度并預測電池剩余使用壽命(RUL)。林慧龍等[15]提出一種粒子濾波算法(PF)來預測電池壽命，并與擴展卡爾曼濾波算法(EKF)進行了對比，發現粒子濾波算法的平均絕對誤差(MAE)和均方根誤差(RMSE)都低于擴展卡爾曼濾波，結果如表2 所示。張吉宣等[16]提出了一種自回歸滑動平均模型和正則化PF 的融合算法，并與單一的標準PF 和正則化PF 算法相比較，結果表明該方法預測精度更高。

表2 兩種方法的RUL 預測誤差

3.2.2 數據驅動法

數據驅動法不需要了解電池內部的物理和化學變化，通過分析電池健康狀態信息進行剩余壽命預測。Liu 等[17]提出了一種利用灰色模型的電池剩余壽命預測方法，但GM(1,1)模型在進行長期預測時誤差比較大，針對這種情況，Gu 等[18]建立了殘差GM(1,1)模型，實驗結果表明，該方法預測精度較高。Long 等[19]利用改進的自回歸(AR)模型對鋰離子電池退化容量進行跟蹤，在模型定階時采用粒子群算法，實現對電池的壽命預測，結果具有較高的精度。龐曉瓊等[20]提出了一種結合主成分分析特征融合與非線性自回歸神經網絡(PCANARX)的預測方法,對電池的壽命進行預測，經仿真后得出了該方法的有效性，其預測誤差小、適用性強，如圖1 所示。聶僥等[21]建立了一種雙并聯離散過程神經網絡模型，并與標準的過程神經網絡預測所得的結果進行比較，該方法不僅實現了過程神經網絡不具備的權值在線更新功能，而且預測效果更好，如表3 所示。

圖1 電池容量與預測結果

表3 預測方法性能比較

3.2.3 融合技術法

由于融合技術法克服了模型法預測和數據驅動法預測的局限性，很多研究人員更加青睞于用融合技術法來預測電池剩余壽命，可以提高預測的準確性。范立明等[22]通過將退化物理模型與粒子濾波算法融合的方法來對電池的剩余壽命進行預測，預測誤差僅為1.97%。Tian 等[23]提出了一種基于人工魚群算法與粒子濾波算法相結合的預測方法，有效防止了粒子退化問題，提高了預測精度，并與基本PF 和正則化PF 的結果進行對比，結果證明基于人工魚群的粒子濾波算法(AFSA-PF)更加準確。杜凈彩[24]研究了三種不同的電池壽命預測方法，并將其作比較，結果如表4 所示，結果證明融合型電池壽命預測方法預測精度更高，相對誤差由9%降低到2%。

表4 三種方法預測相對誤差對比 %

3.3 預測方法對比分析

綜上所述，基于經驗的方法雖然方法簡單，但是精度低，太過依賴經驗知識，只適用于特定場合；在基于性能的方法中，模型法可以很好反映電池物理和電化學特性，但是存在建模困難的問題，數據驅動法僅需要電池健康狀態信息就可預測電池剩余壽命，但是受數據不確定性的影響，適應性較差，融合型技術法是未來鋰離子動力電池壽命預測的重要手段，但是在模型融合參數等方面還存在較大的挑戰。

4 結語

鋰離子電池是電動汽車的關鍵組成部分，鋰離子電池性能的好壞很大程度上就代表了電動汽車性能的好壞，對鋰離子電池的壽命進行預測對電動汽車的應用與推廣起著非常關鍵的作用。從近些年來國內外的研究現狀來看，人們在研究鋰離子電池壽命預測方面已經取得了很大的進展，但是，對于今后的工作，挑戰依然還在，例如：在SOH方面，當電池處于動態條件下工作時，情況會更復雜，可以對現有的方法進行改進和擴展，如采用物理模型與數據驅動模型融合的方法進行電池健康狀態估計，提高預測的精度；在剩余使用壽命方面，多種壽命預測方法的融合是未來鋰離子動力電池壽命發展的方向，可以更加準確地進行電池壽命的在線預測。相信在不久后的未來，電池壽命預測技術將會更加成熟，在電動汽車上得到廣泛的應用與推廣。