電池健康狀態實驗與評估方法綜述

王聰聰，葉思成，裴春興，戴朝華*

(1.中車唐山機車車輛有限公司，河北 唐山 064000； 2. 西南交通大學電氣工程學院，四川 成都 610031)

受各種不確定因素的影響，電池健康狀態(SOH)在復雜多變的實際環境中難以估計和預測，是所有電池面臨的共同問題[1]。造成該問題的原因，除材料和生產工藝等電池自身因素外，電池管理系統(BMS)在復雜條件下的評估技術也存在不適應、不準確等現象。具體來說，這不僅體現在SOH定義還不完善，更在于缺乏有效可靠的模型分析老化機理、大數據建立老化模型，以及成熟可靠的算法估計衰退程度。

本文作者從SOH實驗、SOH評估算法、等效模型和成組不一致性等4個方面，對國內外電池SOH研究進行綜述，并開展了相應展望，以期為行業相關研究提供參考。

1 電池SOH

1.1 電池老化機理分析

目前，電池老化通常與活性物質的減少、電解液腐蝕極板材料、副反應導致的電解液雜質增多和內應力導致的晶體結構變化等因素有關[2]。鋰離子電池老化還與固體電解質相界面(SEI)膜的不斷增厚有關。

從使用過程來看，溫度、充放電倍率、循環區間和充放電截止電壓都會對SOH產生影響，以磷酸鐵鋰鋰離子電池為例，影響因素和機理見表1。

表1 磷酸鐵鋰正極鋰離子電池的SOH影響因素和機理

1.2 電池SOH定義

目前，SOH定義按照參照指標可分為4類[3]，分別以容量、內阻、功率和循環次數為參照指標計算，見式(1)-(4)。

(1)

(2)

(3)

(4)

式(1)-(4)中：Cag為當前容量；Crat為額定容量；CEoL為終止容量；REoL為壽命結束時內阻；RC為當前內阻；Rnew為新電池內阻；Pocmp為實時啟動功率；Pnew為新電池啟動功率；Pmin為最小啟動功率；Nrem為剩余循環次數；Ntol為總循環次數。

以容量為參照指標，計算簡單，但在線估計困難；以內阻為參照指標，因內阻受溫度與SOC影響，不易測量；以功率為參照指標，因功率對老化影響的情況復雜，難以應用。以循環次數為參照指標，剩余循環次數難以估計，應用困難。

目前，基于容量與內阻的SOH定義應用廣泛，前者是基本定義，后者是多數研究中認為適于在線估計的拓展定義。式(5)和式(6)分別為SOH=0時的容量與內阻限界[4]。

CEoL=0.8Crat

(5)

REoL=2Rnew

(6)

1.3 電池SOH評估

按評估過程所處時間，電池SOH評估分為離線評估與在線評估。在線評估要克服數據在不斷產生過程中的測量噪聲及對評估結果收斂性的不良影響，需要算法具有較好的魯棒性與全局尋優能力。人們從實驗特征分析、模型機理分析等方面對電池SOH評估進行研究[5]，目前較常用的評估方法有直接測量、特征分析、自適應算法與數據驅動等4類。

直接測量電池容量、內阻和阻抗譜等特征參數來評估電池SOH，因操作簡單，是離線評估的常用方法[6]，但評估結果受數據采集精度與環境因素的影響，且耗時長，成本高。

特征分析是在直接測量的基礎上，通過選取涉及某些能反映電池容量或內阻衰退的特征量(或健康因子)，通過特征參數的變化間接反映電池老化狀態，從而評估電池SOH[7]；其中健康因子的選取可削弱因測量誤差、噪聲等不利因素的影響，但僅限于特定充放電過程，難以具備普適性，在實際應用時操作難度較高，也難以實現在線評估[8]。

自適應算法基于等效模型，通過模型參數識別完成SOH評估，包括聯合估計法、協同估計法及融合估計法等，如基于雙滑膜觀測器[9]或擴展卡爾曼濾波與滑膜觀測器相結合[10]的在線SOH估計，可解決由測量噪聲、環境不確定因素帶來的問題，是電池SOH在線識別的重要手段[11]。自適應算法往往依賴于精確的電池等效模型，實際操作時存在困難。

數據驅動類方法避免了自適應算法依靠精確等效模型和操作困難等問題，僅利用電池歷史老化數據，通過特定學習算法提取數據中的老化信息軌跡，從而通過數學方法擬合得到預測結果。主要方法有自回歸模型(AR)、人工神經網絡(ANN)、支持向量機(SVM)及高斯過程回歸(GPR)等方法[12]。BP神經網絡、Elman神經網絡應用較廣泛，并可采用智能優化算法提高神經網絡的收斂速度和精度[13]，再結合卡爾曼濾波[14]或數字濾波器技術，以提高適應性。相比于神經網絡與SVM，GPR易于實現，能自適應調整超參數，輸出具有置信區間[2]，但在泛化能力和精度之間難以取得平衡。

2 SOH實驗

SOH實驗主要是指提取SOH特征，并以評估SOH為目的的無損壞性實驗[15]，可在特定載荷下充放電運行若干次后，檢測電池性能指標，從而得到電池老化的一般規律[2]，涵蓋對電池阻抗、實際容量、開路電壓、放電電壓平臺和極化時間等參數測量的單次或多次充放電測試。

大多數針對SOH評估的數據來源可分為兩類：一類是采用已存在的共享數據集，另一類是自主設計實驗獲取所需數據集[16-17]。前者包括NASA鋰離子電池隨機使用數據集與牛津電池老化數據集[18]。使用共享數據可節省大量實驗時間，但局限性在于電池類型、充放電工況的限定。不同類型電池的健康特征可能有差異，且共享數據庫未必能滿足需要，還需通過自主實驗進行驗證，才能確保可靠性[19-20]。

目前，大多SOH實驗為充放電實驗，獲取電池在運行時能夠映射SOH的特征，為SOH評估奠定基礎[21]。按照需求，SOH實驗通常可分為循環測試與性能測試兩大類(見圖1)，其中循環測試是模擬實際運行工況或極限運行工況下，不同運行時間或循環次數的實驗結果[19]。

圖1 電池健康實驗的內容

3 SOH模型

電池模型可分為電化學模型、等效電路模型和黑箱模型等3大類。電化學模型通過多個偏微分方程組，描述電池內部離子運動、化學反應等狀態，但因參數過多，不具實用性，即使是簡化模型，參數仍有23個[22-23]。等效電路模型通過電阻、電容等電氣元件，描述電池的電氣特性及內部材料結構變化，是一種適用于系統層面分析仿真的集總參數電路模型。建立等效電路模型，需要將電池實驗數據與參數辨識算法結合，參數辨識可分為靜態離線辨識與動態在線辨識。最小二乘法、極大自然法和預報誤差法等是參數辨識的基本方法，其中最小二乘法應用廣泛[24]。黑箱模型通過神經網絡、SVM等智能算法，描述電池的輸入輸出關系[25]，但需要大量歷史數據，而且不同電池和工況往往沒有通用性。

4 成組不一致性及電池篩選

4.1 不一致性分析

成組的單體電池由于材料分布和工藝水平等因素，出廠即存在差異，加之成組后的使用差異和管理不當，單體間的不一致性難以避免[26]。電池組的不一致性與性能高度耦合，且與SOH呈負相關，隨著電池的老化，電池組不一致性惡化，進而加快電池的老化速度[27]。

電池的不一致性與內阻、容量、溫度、SOC及電池的老化程度有很強的關系，容量不一致與電流激勵使放電深度不一致，同時導致電流存在差異[20]，而SOC、內阻和容量是導致單體電池電壓差異的3個主要因素[28]。此外，溫度對電池組性能與不一致性有重要影響，不適宜的溫度會使衰減加快，不一致性加劇[29]。內阻和換熱不一致，對電池溫度和電流不一致有顯著影響，可通過降低接觸熱阻來削弱這種影響[30]。由內部參數和溫度場不一致引起的衰減程度不一致，最后導致不一致程度加大的情況見圖2。

圖2 電池組不一致性分析圖

不僅如此，電池組不一致性還具有耦合性、統計性、權重性、不可逆性和漸變性等5個特點，表現十分復雜[31]。

4.2 電池篩選

電池組不一致性分析包括對現象、因素和機理的定性分析，以及利用數值、矩陣或圖像描述的定量分析[32]。不一致性評估的目標參數是容量、內阻或電壓數據的離散程度。篩選則是找出這些離散數據的離群值，降低數據離散程度。篩選方法可分為參數特征分選和曲線特征分選等。

在參數特征分選中，選取目標參數大多考慮準確性與便捷性。就準確性而言，容量好于內阻，內阻好于電壓，而便捷性恰好相反[33]，因此，電壓和內阻通常作為主要參照指標。目前，衡量電壓不一致性主要以波動率(Cv)、均方根值(σx)和波動幅度(ΔU)為參照指標計算[34]，公式分別見式(7)、式(8)和式(9)。

(7)

(8)

ΔU=Umax-Umin

(9)

式(7)-(9)可知，Cv、σx和ΔU越大，不一致性越高。通過電壓來計算不一致性，實質是通過統計學中的特征量評價多個單體電池電壓的離散程度，如ΔU實質上是極差，計算較簡單，但受異常值的影響，可能存在不能真實反映數據的情況，且難以有效辨識影響數據離散程度的離群點。為此，文獻[26]通過電化學阻抗譜分選，找出4個高、中、低的起始終止分界點，模糊聚類選取數量最多的群，以確保實驗電池組的一致性。

相比參數特征分選，曲線特征分選能更好地避免因環境因素改變和噪聲影響帶來的不準確結果。文獻[32]通過單體電池放電電壓曲線，采用基于模糊均值聚類的最小二乘SVM模型實現曲線特征分選。文獻[33]考慮充電電壓曲線的相似度，將鋰離子電池的SOH作為基于遺傳算法的改進Elman神經網絡的輸入，實現了分選。文獻[21]在化學機理模型SP+的基礎上，通過實驗得到特征參數，利用模糊均值聚類中的有效評價指數，實現對電池的分選。

5 結論與展望

影響電池老化的因素眾多，不同因素相互耦合，具有極大的不確定性，通過模型定量分析電池內部機理變化辨明SOH，有較大的難度。研究開發SOH評估算法，需要可靠的數據支撐，研發人員可選擇現有數據庫進行可行性驗證。電池實際工況復雜，利用實驗模擬實際不同工況測得的數據或直接利用實際測得的數據，可更好地保障算法的可靠性。

針對不同研發目標，設計合適的SOH實驗并建立等效模型，能更精確地描述電池特性，進而利用模型機理分析，得到電池SOH，但存在SOH實驗如何更好地逼近實際工況、如何在在線參數辨識中解決噪聲及不確定因素干擾的問題。

SOH實驗的目的是為剖析健康老化機理和評估SOH提供數據支撐，但實驗的環境和工況設計與實際情況無法完全一致，且耗時長、成本高，要實際運行現場的數據采集、處理和運用。對于SOH評估，離線評估不是目的，也缺乏全域數據支撐，在線評估才是最終目標，但目前自適應算法缺乏全域保真模型，數據驅動方法需要在線數據實時采集、處理和計算的能力支持。為此，應從以下3個方面開展研究。

數據支撐：可靠的實驗數據與有限的在線測量數據，成為基于數據驅動開發完整預測模型的薄弱之處。結合飛速發展的大數據技術、物聯網技術，基于在線運行數據采集、存儲與利用的技術亟待突破。

特征與機理結合：實驗特征分析與模型機理分析相結合，能夠更好地解決電池SOH估計問題，基于電池健康特征分析與數據驅動或自適應算法相結合的在線電池SOH評估，是研究重點之一。

基于數據驅動的在線預測：隨著衛星定位、5G、物聯網、大數據等技術的發展，以及傳感器精度和運算能力的提升，對比歷史數據驅動與自適應算法的現有評估方法，具有在線自學習的數據驅動類方法，具有更廣闊的應用前景。