鋰離子電池健康狀態(tài)的估計(jì)方法分析

梁曉靜(東莞維科電池有限公司，廣東 東莞 523000)

0 引言

為了解決環(huán)境污染和能源短缺的重要問題，目前已經(jīng)把具有多種能量來源和節(jié)能環(huán)保的電動(dòng)汽車作為汽車產(chǎn)業(yè)發(fā)展的關(guān)鍵方向[1]。SOH 通常被定義為在特定條件下以一定速度從滿載到截止電壓放電的電池標(biāo)稱容量的百分比。鋰電池以其能量密度高、使用壽命長(zhǎng)、自我放電率極低、對(duì)環(huán)境污染小等優(yōu)點(diǎn)，逐漸發(fā)展成為電動(dòng)汽車不可缺少的可靠能源。健康狀況是衡量鋰電池降解程度的指標(biāo)。不同的文獻(xiàn)對(duì)其有不同的定義和估算方法[2]，還有基于內(nèi)阻、循環(huán)次數(shù)等的定義。電池使用的次數(shù)越來越多后，鋰電池會(huì)慢慢老化，這嚴(yán)重影響電動(dòng)汽車行車安全與續(xù)航里程，因此研究鋰電池的SOH 估計(jì)有重要意義。由于SOH 受眾多內(nèi)外部因素的影響，與電池的老化機(jī)制有關(guān)，難以直接測(cè)量獲取。但可以通過電池中的可測(cè)變量如容量、內(nèi)阻計(jì)算得到。目前國(guó)內(nèi)外對(duì)鋰電池狀態(tài)估計(jì)中荷電狀態(tài)(state of charge，SOC)估計(jì)較多，SOH 估計(jì)較少,因此有必要對(duì)鋰電池SOH 估計(jì)方法進(jìn)行研究。

1 SOH定義

IEEE 標(biāo)準(zhǔn)1188.1996 明確指出[3]：當(dāng)電池SOH＜80%時(shí)，電池不能正常工作，需要更換。隨著電池充放電次數(shù)的增加和擱置時(shí)間的累積，電池的容量減少和內(nèi)阻增加。因此常用容量和內(nèi)阻定義SOH。

1.1 容量定義SOH

鋰離子電池當(dāng)前電池最大容量占電池額定容量的百分比為SOH 的定義[4],如式(1)所示。該定義簡(jiǎn)單，但在電池正常工作中，對(duì)Qaged準(zhǔn)確地實(shí)時(shí)估算具有較大難度。

式中：Qrated為新電池出廠時(shí)的額定容量；Qaged為投入使用后電池實(shí)際的最大容量。

1.2 內(nèi)阻定義SOH

通常SOH 在一定程度上能反映電池的老化情況，電池內(nèi)阻增大是老化的主要原因。SOH 內(nèi)阻定義如式(2)所示。

式中：REOL是電池壽命結(jié)束時(shí)的內(nèi)阻；RNEW是新電池內(nèi)阻；R是當(dāng)前狀態(tài)下的內(nèi)阻。

2 SOH估計(jì)方法

不同的文獻(xiàn)對(duì)SOH 估計(jì)方法的分類也不同，本文將常用的SOH 估計(jì)方法分為三大類：實(shí)驗(yàn)估計(jì)法、自適應(yīng)濾波法和數(shù)據(jù)驅(qū)動(dòng)法。

2.1 實(shí)驗(yàn)估計(jì)法

實(shí)驗(yàn)估計(jì)法可以通過直接測(cè)量容量、內(nèi)阻，或通過差分分析法間接分析出與電池SOH 相關(guān)的特征參數(shù)，主要包括容量測(cè)量法、電阻測(cè)量法和差分分析法。

2.1.1 容量測(cè)量法

電池容量反映了一個(gè)充滿電的電池可以儲(chǔ)存多少能量，被用作SOH 估計(jì)指標(biāo)之一。準(zhǔn)確測(cè)量電池的當(dāng)前容量是估計(jì)SOH 最簡(jiǎn)單和最精確的方法。雖然市場(chǎng)上已經(jīng)有成熟的容量測(cè)試器，是以電池放電的方式通過可測(cè)變量(電流)來測(cè)量當(dāng)前的放電容量，單位為Ah，測(cè)量精度高[5]。但該方法只適用于固定的環(huán)境如實(shí)驗(yàn)室。還需要對(duì)電池進(jìn)行反復(fù)的充放電實(shí)驗(yàn)，因此不適合實(shí)際應(yīng)用。

2.1.2 電阻測(cè)量法

電阻測(cè)量法是基于電池直流內(nèi)阻或交流阻抗對(duì)SOH估計(jì)。先要建立內(nèi)阻與SOH 的對(duì)應(yīng)關(guān)系，然后通過對(duì)內(nèi)阻的精確測(cè)量估計(jì)SOH。文獻(xiàn)[6]基于電池等效電路模型采用溫度因素對(duì)SOH 估計(jì)誤差進(jìn)行校準(zhǔn)，還引入了最小二乘法獲取電池的內(nèi)阻參數(shù)用于SOH 估計(jì)。結(jié)果表明，該方法的估計(jì)效果好且計(jì)算量低。但未考慮在動(dòng)態(tài)工況下電池溫度對(duì)估計(jì)的影響，因此需要進(jìn)一步研究。

2.1.3 差分分析法

由于直接從電壓曲線中獲得的電池內(nèi)部信息非常少，采用電化學(xué)特性和增量容量分析 (incremental capacity analysis，ICA)來處理電壓數(shù)據(jù)，得到有特征參數(shù)的IC 曲線。IC 曲線以非常小的電流率對(duì)電池進(jìn)行充放電，計(jì)算出與小電壓間隔相對(duì)應(yīng)的容量(dQ/dV)。該過程是將原始充放電曲線的電壓平臺(tái)轉(zhuǎn)換為可識(shí)別的IC 峰值。另一種是差分電壓分析 (differential voltage analysis，DVA)，DV 是電壓對(duì)容量求導(dǎo)(dV/dQ)。通過分析DV曲線在整個(gè)老化過程中各峰的變化，更容易定量分析出容量的衰減趨勢(shì)。IC/DV 曲線適用于非常低的電流率如C/25，在大電流下估計(jì)SOH 有待進(jìn)一步研究。文獻(xiàn)[7]提出了一種基于ICA的鋰離子電池健康狀態(tài)估計(jì)算法。其中引入?yún)^(qū)域容量和區(qū)域電壓，針對(duì)四種類型電池的實(shí)驗(yàn)循環(huán)數(shù)據(jù)，建立了SOH 模型，該方法對(duì)一般電流率(1C)也有效。實(shí)驗(yàn)結(jié)果表明，在選取適當(dāng)區(qū)域電壓的情況下，電池模型擬合得到的相關(guān)系數(shù)R2為0.948。ICA&DVA 的鋰電池SOH 估計(jì)算法，實(shí)驗(yàn)中使用了小電流充放電的數(shù)據(jù)，將電池容量對(duì)電壓微分得到IC 曲線，通過分析IC曲線中峰值和位置的變化情況推斷出電池的老化衰退機(jī)理，實(shí)現(xiàn)SOH 估計(jì)。雖然ICA/DVA 廣泛應(yīng)用于辨識(shí)電池老化特征參數(shù)，僅需要電壓和容量?jī)蓚€(gè)參數(shù)，易于監(jiān)測(cè)。但大部分文獻(xiàn)基于ICA/DVA 所提取的電化學(xué)特性是在非常低的電流率下(＜1C)，且估計(jì)精度易受到溫度因素的影響。此外，IC/DV 曲線對(duì)電池特性所產(chǎn)生的噪聲很敏感，需要用濾波算法得到平滑的IC/DV曲線。一旦獲得平滑的IC/DV 曲線，就容易識(shí)別和跟蹤與電池容量衰退相關(guān)的特性。最后通過SOH 估計(jì)器建立電池容量與辨識(shí)特征之間的模型。

2.2 自適應(yīng)濾波法

自適應(yīng)濾波法通過辨識(shí)模型中能夠表征電池健康狀態(tài)的參數(shù)，進(jìn)行SOH 估計(jì)。其根據(jù)濾波增益不斷調(diào)整模型參數(shù)，以期達(dá)到提高SOH 估計(jì)精度的目的，一般用于在線實(shí)時(shí)估計(jì)。影響SOH 估計(jì)精度的因素主要有兩個(gè)方面：(1)電池模型的精確程度；(2)自適應(yīng)濾波法。等效電路模型 (equivalent circuit model，ECM)、電化學(xué)模型 (electrochemical model，EM)通常利用電阻、開路電壓等作為表征參數(shù)，通過綜合查找表計(jì)算出SOH，還可以定義電池參數(shù)與SOH 之間的數(shù)據(jù)映射。與EM 相比，ECM 計(jì)算量小，但缺乏對(duì)電池物理意義的分析，因此，可以考慮將兩者結(jié)合構(gòu)建新模型用于估計(jì)SOH。基于電池模型的自適應(yīng)濾波法是估計(jì)SOH 的一種有效方法，本節(jié)主要從自適應(yīng)濾波方面估計(jì)SOH，主要包括卡爾曼濾波 (kalman filter，KF)、粒子濾波(particle filter，PF)和最小二乘 (least square，LS)。

2.3 數(shù)據(jù)驅(qū)動(dòng)法

由于電池內(nèi)部原理的復(fù)雜性和工作條件的不確定性，很難建立準(zhǔn)確地反映電池動(dòng)態(tài)特性的電池模型。數(shù)據(jù)驅(qū)動(dòng)法不需要了解電池的工作原理和電池模型，只與收集的老化數(shù)據(jù)有關(guān)，預(yù)測(cè)精度高。因此數(shù)據(jù)驅(qū)動(dòng)法對(duì)數(shù)據(jù)依賴程度很高，可以將數(shù)據(jù)驅(qū)動(dòng)、大數(shù)據(jù)挖掘方法和自適應(yīng)濾波法相結(jié)合，從而提高算法在實(shí)際應(yīng)用中的準(zhǔn)確性。目前用到的數(shù)據(jù)驅(qū)動(dòng)法主要包括人工神經(jīng)網(wǎng)絡(luò) (artificial neural network，ANN)，支持向量機(jī)(support vector machine，SVM)和智能優(yōu)化算法。ANN 是對(duì)真實(shí)人腦神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)進(jìn)行抽象和模擬而成的一種信息處理系統(tǒng)。典型的ANN 由三層組成：輸入層、隱含層和輸出層。每層由一個(gè)或多個(gè)神經(jīng)元構(gòu)成，通過權(quán)重wi將這些神經(jīng)元連接在一起處理來自輸入層的信息，然后結(jié)合閾值b，從輸出層輸出預(yù)測(cè)結(jié)果。其中，對(duì)隱含層神經(jīng)元個(gè)數(shù)的選取與模型的精度密切相關(guān)，可以采用優(yōu)化算法優(yōu)化隱含層神經(jīng)元的個(gè)數(shù)來提高模型精度。

3 未來發(fā)展趨勢(shì)

盡管近幾年在SOH 估計(jì)方面有一定的進(jìn)展，但仍存在很多不足。根據(jù)上文，總結(jié)出SOH 估計(jì)方法的優(yōu)缺點(diǎn)，如表1 所示。

表1 鋰離子電池SOH估計(jì)方法的優(yōu)缺點(diǎn)

針對(duì)SOH 估計(jì)方法的缺點(diǎn)，對(duì)進(jìn)一步估計(jì)SOH 提出一些建議：(1)可以優(yōu)化測(cè)試工況，結(jié)合智能優(yōu)化算法辨識(shí)高效、精確的模型參數(shù)用于狀態(tài)估計(jì)，提高模型精度；(2)對(duì)現(xiàn)有方法進(jìn)行改進(jìn)和擴(kuò)展，如多模型融合方法，離線和在線方法的互補(bǔ)協(xié)調(diào)； (3)針對(duì)計(jì)算量大的問題，可以采用基于云計(jì)算技術(shù)的大數(shù)據(jù)平臺(tái)，將電壓、電流和溫度等信息不斷傳遞到平臺(tái)上，基于所收集的數(shù)據(jù)在實(shí)際環(huán)境中進(jìn)行訓(xùn)練，能得到較好的估計(jì)結(jié)果。

4 結(jié)語

本文綜述了近幾年國(guó)內(nèi)外對(duì)鋰離子電池SOH 估計(jì)的相關(guān)研究，總結(jié)歸納了SOH 的常用定義和綜合分析了各種SOH 估計(jì)方法。著重介紹了各種鋰電池SOH 估計(jì)算法、準(zhǔn)確性和優(yōu)缺點(diǎn)。雖然目前在鋰離子電池機(jī)理研究、電池模型構(gòu)建、狀態(tài)估計(jì)方法等方面有所成就，但在工程化應(yīng)用方面仍存在問題。如由于鋰電池自身老化過程是復(fù)雜的化學(xué)變化，難以直接測(cè)量SOH。目前SOH 估計(jì)主要針對(duì)電池在特定工況下測(cè)試實(shí)現(xiàn)的，而實(shí)際工況比較復(fù)雜，難以實(shí)時(shí)估計(jì)SOH。因此最后討論了在現(xiàn)有基礎(chǔ)上對(duì)SOH 更進(jìn)一步的改進(jìn)和發(fā)展趨勢(shì)。