電動汽車動力鋰離子電池壽命預測方法分析

吳小嶺

摘 要：新能源行業以較快速度發展，其中電動汽車銷量逐年增加，同時，動力鋰離子電池的壽命預測問題備受關注。本文先分析鋰離子電池健康影響因素，然后探究電動汽車動力鋰離子電池性能估算法及壽命預測法，希望能為相關研究人員和動力鋰離子電池生產者提供參考。

關鍵詞：電動汽車;鋰離子電池;電池壽命;預測方法

0 引言

近年來，環境污染、能源短缺等問題嚴峻化，對于電動汽車行業來說，應持續供應清潔、無污染，且壽命循環的動力源。動力鋰離子電池既能滿足環境保護、資源節約需求，又能提升電動汽車性能。基于此，動態預測鋰離子電池壽命，得出真實、可靠的預測結論，為日后鋰離子電池研發及健康狀態保持提供依據。

1 鋰離子電池健康狀態影響因素

鋰離子電池壽命時長判斷依據主要是健康狀態，一般來說，電池實際容量為稱重容量百分之八十，則電池壽命終結，換言之，電池健康狀態小于0.8，同樣說明電池能源被消耗殆盡[1]。基于能耗衰減機理分析，總結得出影響電池健康狀態的因素。基于正極視角分析，材料結構出現集流體溶解、電解質分離、導電劑氧化或脫離等現象，使得材料效用大打折扣;基于負極視角分析，電量逐漸減少現象一旦發生，意味著電極-電解質界面出現電量衰減反應，充電、放電環節會產生SEI膜，該膜作用體現在副反應物被不同程度溶解方面。基于使用視角分析，電池使用溫度、充放電頻次與時長均是影響壽命狀態的重要因素。此外，結構設計、管理方法等因素對鋰離子電池性能和壽命周期有關鍵性影響。及時、準確判斷鋰離子電池壽命，使電池換新工作有效進行，實際上，電池性能的常態發揮，能為電動產品提供充足動力，進而更好地服務于生產、生活。

2 電動汽車動力鋰離子電池性能估算法

動力鋰離子電池性能精準估算十分必要，常用估算方法包括定義法、內阻法、電化學阻抗法、模型法，具體方法的應用如下：

2.1 定義法估算電池性能

估算實踐以電池健康狀態定義為切入點，估算步驟為：電池電能釋放→記錄放電量→電池健康狀態評定。這一方法具有等待時間長、實用性低等特點，多數情況下排除這項估算法。

2.2 內阻法估算電池性能

工作人員構建電池健康狀態與電池內阻間關系，據經驗總結得知，電池工作階段的內阻值由低到高，但健康狀態信息顯示的內容趨近非良好。實際估算時，往往聯用多種方法，如脈沖法、卡爾曼濾波法等，盡可能減少估算誤差。

2.3 電化學阻抗法估算電池性能

以正弦信號增加的方式，測得電池運行階段的聲響情況，與此同時，獲取并分析價值信息，并借助模糊理論動態測得電池健康值。數據信息匯總后，為電池性能判斷提供參考。

2.4 模型法估算電池性能

經建模估算電池健康狀態，在此之前，總結電池內外部特性，以便為模型構建提供特征信息，保證模型實用性和有效性。以現今電動汽車動力鋰離子電池市場需求為導向，并尊重由電池健康狀態動態改變導致電池健康值估算難度提高這一事實，視情況構建適宜模型。一般來說，經驗模型、人工神經網絡模型較常見，對于經驗模型，即借助實驗數據、實驗環節參數變化規律進行數學方程構建，為電池工況動態管控提供依據[2]。對于后者網絡模型，主要以人體神經元模擬這一方式建立數學模型，經節點網絡搭建，獲取電池健康狀態估算值。兩種模型對比而言，后者具有便捷、高效、高精度等優點。

3 電動汽車動力鋰離子電池壽命預測方法

動力鋰離子電池在不同工況下使用，其電池壽命衰減機理具有不確定性。針對電動汽車中動力鋰離子電池進行壽命預測，根據預測值調整修正方案，盡可能延長電池壽命終值，使電能資源最大化利用，從而減少電動汽車生產成本，逐步提高電池自適應性，保證電動汽車運行的穩定性。

3.1 卡爾曼濾波預測法

卡爾曼濾波法問世時間早，這一傳統方法在電池壽命預測環節積累了豐富經驗，所得到的預測結果具有較高參考價值，能為電池修正模式調整提供新思路，實現電池壽命周期延長、電動汽車穩態運行的良好效果。該方法應用步驟總結為：經系統輸入觀測數據→輸出觀測數據→測評系統狀態→得出最優估計值。這項方法憑借信號穩定、信號真實等特點傳遞反饋信息，為電池壽命研究方法改進提供數據信息，使誤差最小化。現今，部分研究人員以實驗方式對其進行可行性驗證，即通過等效模型建立、空間狀態方程構建，順利完成電池健康狀態檢測，得出高精度估算值。

3.2 標準粒子濾波預測法

標準粒子濾波方法與常規粒子濾波算法相比，具有耗時短、估算誤差小、計算程序簡便等優點，滿足新時期電動汽車低成本、短周期生產需求，為新能源行業健康發展提供推動力。標準粒子濾波預測法應用時，即在狀態空間中獲得隨機樣本，近似表示概率密度函數，為最小方差精準測算做足準備工作。即便狀態空間模型動態變化，仍能借助粒子集表示概率法，足以見之，粒子集具有較強適用性，能夠用于分析固定工況、惡劣工況下鋰電池壽命。粒子濾波器在鋰離子電池壽命預測中有一定的優越性，主要是因為它將理論知識和技術實踐相結合，一定程度上滿足動態跟蹤需求，最終得出具有參考價值的預估值。放眼長遠，動力鋰離子電池壽命預測要求不斷提高，這無疑對粒子濾波預測法實踐提出較高挑戰，一旦微小粒子持續參與迭代計算，則計算成本相應增加;當個別粒子被賦予粒子權值，則粒子多樣性將大打折扣，并極易出現粒子退化現象。對于預測人員來說，應適時參與標準粒子濾波預測法改進，使其在動力鋰離子電池壽命預估中發揮實用性。

3.3 神經網絡預測法

神經網絡估算法是網絡信息時代發展的產物，這一方法能夠在短時間內測得電動汽車動力鋰離子壽命狀態，且得出的預估值具有高精度、高參考價值等優勢。以LMBP神經網絡估算法為基礎，在專業人員指導下順利完成鋰離子電池壽命狀態預測任務，這既能積累神經網絡預測法應用經驗，又能滿足電池健康狀態實時預測、精準判斷等需求。其中，標準BP算法、LM算法基于標準數值實現技術優化，這類算法適用于性能指數為均方誤差的神經網絡訓練。

3.4 螢火蟲算法

這一算法屬于智能隨機優化算法，以模擬螢火蟲群體行為、分析信號單元，得出鋰離子電池壽命衰減規律。分析這一算法使用原理，即通過優化粒子濾波消除小權重粒子，盡可能減緩粒子退化速度，全面保證粒子多樣性。與上述標準粒子濾波預測法相比，螢火蟲算法具有較強的互補作用，能夠大大提高電池壽命狀態預估精度。該算法優化粒子濾波環節，以提升融合算法使用性能為基本目標，即結合粒子濾波算法的工作機制，相應調節螢火蟲亮度及位置，以此降低運算復雜度，縮短運算時間，使濾波精度大大提高。當上述調節工作得當，則粒子濾波算法能夠用更少的迭代次數和粒子樣本數實現高精度電池壽命預估。足以見之，螢火蟲算法適時優化，能夠提高運算實時性、簡化運算流程，為鋰離子電池壽命精準預測提供優質服務。

4 結論

綜上所述，電動汽車行業以迅猛之勢發展，為落實能源節約、環境保護戰略，勢必要全面、精準預估電池健康狀態預測工作，使鋰離子電池健康狀態調節工作有的放矢。新時期下，卡爾曼濾波預測法、標準粒子濾波預測法、神經網絡預測法、螢火蟲算法具有較強實用性，根據鋰離子電池壽命預測需要，聯用兩種或兩種以上預測法，能夠提高鋰離子電池能源利用率。

參考文獻：

[1]田君，高洪波，張躍強.電動汽車動力鋰離子電池壽命預測方法研究[J].電源技術，2020，44（5）：767-770.

[2]何洋，彭以平.電動汽車鋰離子電池健康狀態估算及壽命預測方法綜述[J].汽車實用技術，2018，44（11）：16-18.