鋰電池健康狀態估算平臺的搭建

史艷霞， 祖林祿

(1.天津中德職業技術學院電氣與能源學院，天津300350；2.天津大學電氣與自動化工程學院，天津300072)

鋰電池健康狀態估算平臺的搭建

史艷霞1， 祖林祿2

(1.天津中德職業技術學院電氣與能源學院，天津300350；2.天津大學電氣與自動化工程學院，天津300072)

通過對現有電池健康狀態(SOH)估算方法進行分析，提出應用MATLAB軟件平臺搭建SOH估算平臺的方法。對SOH的估計使用電壓曲線擬合法，通過BP神經網絡訓練并預測電壓值，然后計算得到SOH的大小。算法的設計過程應用MATLAB的圖形用戶界面(GUI)實現，降低了SOH估算方法的使用門檻。仿真結果表明，該平臺能夠準確預測SOH，為SOH估計系統的創建奠定了基礎。

SOH；MATLAB；BP神經網絡；圖形用戶界面

1 電動汽車電池健康狀態估算方法概述

近年來，電動汽車以其優良的節能環保特性成為未來汽車發展的重要方向。而電動汽車電池組健康狀態(State-of-Health，SOH)的下降成為制約電動汽車發展的重要瓶頸。SOH的標準定義是指使動力電池從充滿電狀態以一定倍率放電，當電壓到達截止電壓時放出的容量與其總容量的比值[1]。隨著電池循環使用次數的增加，電池組健康狀態會不斷下降，健康狀態下降的程度主要由健康狀況下降最嚴重的單體電池決定。所以通過準確的估算電池組每個單體電池的SOH，及時更換SOH到達臨界值的單體電池，即可確保電動汽車的整個電池組都工作在最佳狀態。研究具有較高精度的SOH估算方法，將有助于推進電動汽車產業的發展。

現有的電池SOH估算方法主要有以下幾種[2]：

(1)完全放電法。也稱為定義法，指以一定的放電倍率，將被測電池全部放電，測量出放電時間，然后根據安時法計算出電池總容量，從而得到電池的SOH。這種方法是業界公認的最可靠的辦法，但測量時需將電池離線，對于電動汽車電池組來說比較困難，而且需要專門的設備反復充放電，操作時間長且實用性不強。

(2)電阻折算法。內阻是電池的本質屬性之一，電池內阻會隨著電池的使用和老化而不斷增加，從而導致電池的最大容量下降。從電池內阻的角度出發，可以根據內阻與電池健康狀態的關系來估算SOH。此方法存在一定的缺陷：一是電池內阻的大小一般為毫歐，不易測量；二是電動汽車的電池工作環境非常復雜，電池內阻與SOH的關系并不是很明確。

(3)阻抗分析法。這種方法相對來說比較復雜，首先通過大量的實驗得到電化學阻抗譜。然后用電池專用阻抗譜分析儀器或軟件得到阻抗數據，將數據進行分析及處理，得出阻抗模型與電池SOH的相關性，從而預測電池的SOH。此種方法對設備儀器要求比較高，成本很高，且算法復雜，非常不適合用于電動汽車。

(4)電壓曲線擬合法。純電動汽車動力電池在使用過程中，電池的老化即電池容量的衰減，會引起電池在充放電過程中端電壓的變化。電壓曲線擬合法就是利用不同健康度下電池充入或放出相同電量時，會有不同的電壓表征這一特點，來估算電池當前的SOH。相對于以上幾種方法而言，電壓曲線擬合法的優點是運算量小，不需要大量的實驗數據支持，成本比較低，易實現，且相對準確。但是SOH估算的準確性對估計算法的依賴性較強。

本文采用電壓曲線擬合法對SOH進行估算，并通過使用擬合能力較強的BP神經網絡算法，實現SOH的準確估算。為了提高此方法的通用性，本文應用MATLAB設計圖形用戶界面(GUI)實現BP神經網絡估算SOH，大大降低了此方法的應用門檻。

2 電壓曲線擬合法估算電池SOH

用電壓曲線擬合法來估算電池SOH流程如圖1所示。

圖1 電壓曲線擬合法估算SOH的流程框圖

如圖1所示，首先進行電池的充電與放電實驗，得到電池充放電數據，其中，不同充放電循環次數代表不同的電池SOH。將這些不同SOH的充電電壓曲線分別進行歸一化處理，然后在同一坐標軸中畫出，選取相對來說比較居中的一條充電曲線作為BP神經網絡擬合的訓練曲線。將選好的訓練曲線用BP神經網絡進行擬合，得到充電電壓和SOH之間的定量關系式。選取其它部分曲線作為驗證曲線，將電壓值帶入到定量關系式中，可求得估計的SOH數值，通過將估計值與真實的SOH值進行比較，驗證BP神經網絡得到的定量關系的正確性。最后，可以通過實時測取充電時端電壓的數值，實現對SOH的估算。整個過程可以概括為：建模-模型驗證-模型應用。

2.1 電池充放電數據采集

本文利用恒溫箱及專用的電池測試系統，對磷酸鐵鋰單體電池進行循環充放電實驗，電池標稱容量為200 Ah。用單體電池，按照充電-擱置-放電-擱置-充電的循環模式對電池進行循環實驗[3]。一般認為當電池容量下降到80%左右，即SOH為80%時電池報廢。在本實驗中，當電池容量到達160 Ah時循環結束。在充放電循環期間，每隔5 s記錄一次數據。本次實驗采用最常用的先恒流再恒壓的方式對電池進行充電。按照上述步驟，循環450次得到單體電池的充放電數據如表1。

表1 220 Ah電池充放電循環數據(部分)

由表1所知，隨著電池充放電的不斷循環，電池的SOH會逐漸下降，此時的充電和放電電壓曲線也會變化，本文選用電池充電電壓曲線進行SOH估算，充電電壓隨時間的變化如圖2所示，由圖可得，隨著充電次數的增加，電池電壓達到3.9 V的時間逐漸減少。

圖2 不同循環次數時充電電壓曲線

2.2 充電電壓曲線歸一化

如圖2所示，電池充電電壓曲線會隨著SOH的不同而發生變化，但幾根線的整體變化趨勢是相同的。因此可以把充電電壓曲線歸一化，這里采用尺度變換的方法。歸一化的過程如下式所示[4]：

2.3 基準充電電壓曲線的選取

為評估不同SOH(即不同循環次數)時歸一化后充電電壓曲線的一致性，計算出每根曲線和坐標軸所圍圖形的面積。計算時，可用方便又較為準確的線性插值法[5]。計算公式如下：

根據公式(5)，計算出歸一化后五個不同SOH對應的充電電壓曲線所包圍的面積，結果如表2所示。一般選取面積居中的曲線作為基準充電電壓曲線。根據表2，按歸一化后的曲線所包圍的面積進行排序。可見第100次的充電曲線誤差最小，選其作為基準曲線。

表2 充電電壓歸一化曲線一致性對比分析

2.4 GUI估算平臺的搭建

應用MATLAB的GUI設計基于BP神經網絡的電池電壓估算系統[6]。在MATLAB命令窗口輸入nntool并按Enter鍵，就可以打開Neural Network窗口，如圖3所示。

圖3 MATLAB GUI界面實現BP神經網絡估計

BP神經網絡訓練過程：點擊Import按鈕，可以從工作空間或數據文件中導入輸入時間變量(Input data)及輸出的目標電壓變量(Target data)；然后應用New按鈕，在打開的窗口中選擇應用BP神經網絡進行數據訓練；訓練完成后可以通過Export按鈕，將訓練得到的估計輸出數據(Output data)以及誤差數據(Error Data)導入到右側窗口，即可查看網絡的估計效果。訓練結束后，可以通過在Input data窗口輸入測試的時間變量，應用訓練得到的網絡，得到估計的電壓值。

2.5 根據基準曲線計算SOH

根據擬合好的電壓曲線，計算SOH的公式為：

3 實驗驗證

任意選取六組電池進行充放電實驗，根據上文方法進行SOH估算，并與實驗組電池的SOH進行對比分析，得出結果如表3所示。

從表3可以看出，選用BP神經網絡擬合歸一化電壓曲線為基準曲線，SOH估算精度較高，滿足實驗要求。

表3 估算結果誤差分析

4 結論

本文通過分析現有電池SOH估計方法，提出一種使用門檻較低、精度較高的估計方法，即通過MATLAB GUI界面，應用BP神經網絡算法擬合充電電壓曲線，通過測量的充電電壓數值求解SOH的方法。仿真結果表明，該方法的精度和可靠性均滿足設計要求，為電動汽車SOH估算的系統化奠定了基礎。

[1]李勇，王麗芳，廖承林.電動車鋰離子電池健康狀態模型研究進展[J].電源技術，2013,37(5):863-866.

[2]徐文靜.純電動汽車鋰動力電池健康狀態估算方法研究[D].吉林：吉林大學，2012.

[3]泮國榮，胡桂林，項忠曉，等.質子交換膜燃料電池測試系統的設計與搭建[J].電源技術，2014,38(8):1469-1471.

[4]唐致遠，阮艷莉.鋰離子電池容量衰減機理的研究進展[D].天津：天津大學，2005.

[5]朱晨.備用電力系統中VRLA電池SOC及SOH的在線估計方法研究[D].北京：北京交通大學，2010.

[6]MORENO J,ORTUZAR M E,DIXON J W.Energy-management system for a hybrid electric vehicle[J].Using Ultracapacitors and Neural Networks,2006,53(2):614-622.

Creating of SOH estimation platform for Li-ion battery

By analyzing the current SOH estimation method,the SOH estimation platform using MATLAB was created. Firstly, the BP neural network was used to fit the voltage curve,and the train and prediction of the voltage value were realized.Then,the SOH was calculated by the estimated voltage.The design process of this algorithm was achieved by the GUI of MATLAB,which reduced the using threshold of SOH estimation method.Simulation results demonstrate that this platform can predict the SOH accurately,and lay a foundation for SOH estimation system.

SOH;MATLAB;BP neural network;GUI

TM 912

A

1002-087 X(2015)10-2106-02

2015-07-06

史艷霞(1965—)，女，湖北省人，副教授，主要研究方向為電動汽車設計、電力電子技術。