如何智能评估EV电池健康状况？

锂离子电池（LiBs）是电动汽车（EV）常用的电源之一。随着电池的老化，其容量和功率会出现一定的下降。健康状况（SOH）作为评估电池老化状态的重要指标，对EV的安全和驾驶体验至关重要。最常用的SOH指标是电池容量和内电阻，分别反映了电池的容量和功率。锂损失、活性物质分解、结构变化是容量下降的主要原因。SEI膜的增长是电阻的增加的主要原因。电阻增加会提高电池故障发生率。在老化期间充电曲线、OCV（开路电压）曲线等显着变化的电池特性也可以预测电池故障。为了揭示电池老化的规律，目前的大部分工作集中在基于模型的不同类型的估算方法上。

SOH估算方法作为BMS（电池管理系统）中不可或缺的技术，已经使用各种工具和方法进行了广泛研究。许多因素影响电池的老化，且实验室条件和实际路况存在很大的不同，所以SOH估算是一项非常具有挑战性的任务，迫切需要改进的的工业应用方法。作者通过对大量的学术成果进行总结和分析，并结合实践经验，展示了目前已有的方法，并提出改进目前方法和未来SOH发展的方向。

 

【全面解析】

 

一、SOH估算方法有哪几种分类？

SOH估算方法在不同的文献有不同的分类，且都有自己的特点。本文将电池SOH估算方法分为两类：实验方法和基于模型的估算方法。每个主要类别下面有两个分支，每个分支包含几种常用方法，如图1所示。                          

二、SOH估算方法中的实验方法是什么？有什么特点？

实验方法需要在实验室中进行大量实验以分析电池老化行为。但是实际驾驶条件与实验室环境之间存在巨大差异，一些实验方法难以在实际使用的EV上实现。但这些实验方法可以用来研究电池衰退机制，为基于模型方法提供理论依据。实验方法包括直接测量法和间接分析法。

直接测量方法是使用容量、阻抗测量和其他测试来直接评估电池健康状态。直接测量法主要有容量或能量法、AH计数法、欧姆电阻法、阻抗法、循环次数计数法、破坏性法等方法。测量电池的当前容量，则可以直接确定SOH，是最简单、精确的方法。但是很难再正在工作的EV上实现。AH计数法可以用来验证其他方法的容量估算结果的准确性。欧姆电阻或阻抗法可以测量电池的总电阻。欧姆定律和电化学阻抗谱（EIS）可以测量电阻。循环次数统计法针对的主要是小型电子产品。该方法主要通过记录完全放电次数来确定SOH。破坏性法主要通过拉曼光谱、X射线衍射、扫描电子显微镜等技术，从微观角度研究电池的SOH和衰退机制。

 

间接分析方法通过分析电池的整个劣化数据，对数据进行分析和处理以获得SOH信息。在获得与电池容量或内阻降低相关的健康指标和容量或电阻的关系后，就可以获得电池的SOH信息。充电曲线法根据充电曲线随着电池劣化过程而改变，来表征电池SOH，该方法就可以精确计算SOH。增量容量分析（ICA）法和差分电压（dV/dQ）分析（DVA）法是通过处理电压数据来电池老化信息的方法。超声波检查法是一种通过超声波检测材料内部各种微小缺陷的便捷方法。超声波技术可以用来检测电池老化过程中的内部变化。另外还有如电压变化、堆栈应力、内部压力等其他间接方法。

 

三、SOH估算方法中的基于模型的估算方法是什么？有什么特点？

虽然可以从实验方法获得丰富的衰减信息和准确的SOH估算结果，但是对于BMS来说，更需要在线、实时和可靠地获取电池健康状态。容量、电阻和其他参数可以基于具有自适应滤波或数据驱动算法的模型来估算，然后用于量化LIBs衰减。这两个类别之间的区别在于计算过程。自适应滤波算法通常使用电化学模型（EM）和ECM，其中闭环控制和反馈是必要步骤。数据驱动方法则是通过黑盒模型和高级分类、机器学习、智能优化算法来实现。基于模型的估算方法是间接方法的扩展，在实时测量数据的基础上通过滤波或智能算法估算或识别特征参数。

自适应滤波法在电池SOH估算中很流行，也是BMS中使用的一种比较先进的方法，主要有基于等效电路模型法、EM、组合方法。基于等效电路模型的方法是基于电气模型（ECM）通过查找表方法获得电池SOH。卡尔曼滤波法（KF）在电池参数和状态估算方面备受关注。基于KF算法许多衍生的改进的算法，用来处理强非线性和高计算模型。最小二乘（LS）法及其改进算法实现简单、计算量少，非常适用于参数识别。EM最初由Doyle、Fuller、和Newman设计，包括一系列非线性和耦合偏微分方程。这种模型源于电池的工作原理，能够描述电池的内部电化学动力学。在组合法中实验方法与基于模型的方法组合，实验方法发现的老化机制为基于模型的方法提供了新的思路，通过实验方法处理从基于模型的方法识别的参数以获得电池健康状态。

 

由于复杂的内部原理和不确定的工作条件，很难建立能够准确显示电池动态特性的电池模型。但是数据驱动方法不需要了解电池工作原理和明确的电池模型，并且它们仅依赖于收集的老化数据，就可以预测电池的SOH。经验和拟合法使用衰减数据来预测LIBs的行为，而无需详细了解电化学电池设计和材料特性。优化算法使用智能优化算法来识别模型参数，然后使用一个或多个已识别的参数来推断SOH。遗传算法（GA）是最常用的优化方法之一，可以有效地估计非线性系统中的参数。机器学习法是通过使用示例数据或过去的经验来编程计算机以解决给定问题。随着人工智能的广泛应用，机器学习方法也逐渐作为SOH估算的方法。近似熵（ApEn）和样本熵（SampEn）是量化时间序列复杂性和研究时间序列特征的重要工具。SampEn不仅具有ApEn的所有优点，而且还消除了自我匹配并加速了计算。因此，当SampEn应用于在电池老化期间具有变化的电池数据时，它可以作为SOH估计的指标。

 

四、实验方法和基于模型的估算方法有什么不同？

采用实验方法可得到电池衰减数据，并用以分析电池退化过程中主要参数的变化规律。它包含直接和间接分析。直接测量方法是最简单和最直接的方法，适合在此基础上离线维护和诊断。虽然它们难以直接用于真正的BMS，但它们是实验室研究各种电池老化不可或缺的方法。间接分析方法需要分析和处理测量的外部参数。分析结果受电池类型的影响很大，不适用于所有电池。对于电动汽车的实际应用，不应忽视该方法的一般性，因此需要用不同的电池验证这些方法。

自适应滤波方法通过识别对电池健康状态敏感的参数来评估SOH。它们可以通过先进的滤波和状态估算方法降低性能对电池数据的依赖性，并且可以轻松应用于具有不同化学成分的电池。这些方法准确但对微控制器提出了更高的要求。可以采取一些措施来提高计算效率并释放计算负担。数据驱动法需要较少的预测试工作。这些方法的缺点是对算法的效率和可移植性的高要求以及对传输数据的高度依赖性。这些方法对未来的健康管理系统具有很大的潜力。大数据、云计算、云存储和其他新兴技术将解决数据采集的难度，并提高实时应用中板载算法的准确性。

上述大多数方法都集中在单电池的SOH估计上，而电动汽车中的电池通常串联和并联连接以构成电池组。由于EV的操作条件不确定，难以确保单个电池的均匀性。因此，具有强时变和非均匀特性的电池组的健康状态监测仍然需要系统的理论和方法。

表1 四种原理方法的比较。

 

 

五、未来电池健康管理系统发展方向是什么？

由于其通用性和在线适用性，在实验室和工业规模上基于模型的方法的在未来应用中前景光明。随着对准确跟踪电池行为的更高要求，传统的单一模型无法满足未来BMS的需求，将不同模型组合在一起将实现互补并获得更好的结果。多模型将增加模型适应不确定环境和不同老化水平，因此在复杂的操作条件下可以实现更准确可靠的SOC/ SOH / SOP / SOF和RUL（剩余使用寿命）估算。我们相信多模型将成为确保电动汽车安全的发展趋势。

 

图6 未来新型模型系统。

 

未来电池SOH估算的发展可能主要集中在以下三个方面：一是引入新型传感器，以增加电池外部和内部特征的捕获。其次是更新和开发适合于老化过程的参数表征的电池模型。最后，随着大数据技术的发展，模型和数据的融合，以及离线和在线方法的互补协调，也将丰富和提高SOH估计的性能。