王聰聰，葉思成，裴春興，戴朝華*

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

受各種不確定因素的影響，電池健康狀態(tài)(SOH)在復(fù)雜多變的實(shí)際環(huán)境中難以估計(jì)和預(yù)測(cè)，是所有電池面臨的共同問(wèn)題[1]。造成該問(wèn)題的原因，除材料和生產(chǎn)工藝等電池自身因素外，電池管理系統(tǒng)(BMS)在復(fù)雜條件下的評(píng)估技術(shù)也存在不適應(yīng)、不準(zhǔn)確等現(xiàn)象。具體來(lái)說(shuō)，這不僅體現(xiàn)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(jī)理、大數(shù)據(jù)建立老化模型，以及成熟可靠的算法估計(jì)衰退程度。

本文作者從SOH實(shí)驗(yàn)、SOH評(píng)估算法、等效模型和成組不一致性等4個(gè)方面，對(duì)國(guó)內(nèi)外電池SOH研究進(jìn)行綜述，并開(kāi)展了相應(yīng)展望，以期為行業(yè)相關(guān)研究提供參考。

1 電池SOH

1.1 電池老化機(jī)理分析

目前，電池老化通常與活性物質(zhì)的減少、電解液腐蝕極板材料、副反應(yīng)導(dǎo)致的電解液雜質(zhì)增多和內(nèi)應(yīng)力導(dǎo)致的晶體結(jié)構(gòu)變化等因素有關(guān)[2]。鋰離子電池老化還與固體電解質(zhì)相界面(SEI)膜的不斷增厚有關(guān)。

從使用過(guò)程來(lái)看，溫度、充放電倍率、循環(huán)區(qū)間和充放電截止電壓都會(huì)對(duì)SOH產(chǎn)生影響，以磷酸鐵鋰鋰離子電池為例，影響因素和機(jī)理見(jiàn)表1。

表1 磷酸鐵鋰正極鋰離子電池的SOH影響因素和機(jī)理

1.2 電池SOH定義

目前，SOH定義按照參照指標(biāo)可分為4類[3]，分別以容量、內(nèi)阻、功率和循環(huán)次數(shù)為參照指標(biāo)計(jì)算，見(jiàn)式(1)-(4)。

(1)

(2)

(3)

(4)

式(1)-(4)中：Cag為當(dāng)前容量；Crat為額定容量；CEoL為終止容量；REoL為壽命結(jié)束時(shí)內(nèi)阻；RC為當(dāng)前內(nèi)阻；Rnew為新電池內(nèi)阻；Pocmp為實(shí)時(shí)啟動(dòng)功率；Pnew為新電池啟動(dòng)功率；Pmin為最小啟動(dòng)功率；Nrem為剩余循環(huán)次數(shù)；Ntol為總循環(huán)次數(shù)。

以容量為參照指標(biāo)，計(jì)算簡(jiǎn)單，但在線估計(jì)困難；以內(nèi)阻為參照指標(biāo)，因內(nèi)阻受溫度與SOC影響，不易測(cè)量；以功率為參照指標(biāo)，因功率對(duì)老化影響的情況復(fù)雜，難以應(yīng)用。以循環(huán)次數(shù)為參照指標(biāo)，剩余循環(huán)次數(shù)難以估計(jì)，應(yīng)用困難。

目前，基于容量與內(nèi)阻的SOH定義應(yīng)用廣泛，前者是基本定義，后者是多數(shù)研究中認(rèn)為適于在線估計(jì)的拓展定義。式(5)和式(6)分別為SOH=0時(shí)的容量與內(nèi)阻限界[4]。

CEoL=0.8Crat

(5)

REoL=2Rnew

(6)

1.3 電池SOH評(píng)估

按評(píng)估過(guò)程所處時(shí)間，電池SOH評(píng)估分為離線評(píng)估與在線評(píng)估。在線評(píng)估要克服數(shù)據(jù)在不斷產(chǎn)生過(guò)程中的測(cè)量噪聲及對(duì)評(píng)估結(jié)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(yōu)能力。人們從實(shí)驗(yàn)特征分析、模型機(jī)理分析等方面對(duì)電池SOH評(píng)估進(jìn)行研究[5]，目前較常用的評(píng)估方法有直接測(cè)量、特征分析、自適應(yīng)算法與數(shù)據(jù)驅(qū)動(dòng)等4類。

直接測(cè)量電池容量、內(nèi)阻和阻抗譜等特征參數(shù)來(lái)評(píng)估電池SOH，因操作簡(jiǎn)單，是離線評(píng)估的常用方法[6]，但評(píng)估結(jié)果受數(shù)據(jù)采集精度與環(huán)境因素的影響，且耗時(shí)長(zhǎng)，成本高。

特征分析是在直接測(cè)量的基礎(chǔ)上，通過(guò)選取涉及某些能反映電池容量或內(nèi)阻衰退的特征量(或健康因子)，通過(guò)特征參數(shù)的變化間接反映電池老化狀態(tài)，從而評(píng)估電池SOH[7]；其中健康因子的選取可削弱因測(cè)量誤差、噪聲等不利因素的影響，但僅限于特定充放電過(guò)程，難以具備普適性，在實(shí)際應(yīng)用時(shí)操作難度較高，也難以實(shí)現(xiàn)在線評(píng)估[8]。

自適應(yīng)算法基于等效模型，通過(guò)模型參數(shù)識(shí)別完成SOH評(píng)估，包括聯(lián)合估計(jì)法、協(xié)同估計(jì)法及融合估計(jì)法等，如基于雙滑膜觀測(cè)器[9]或擴(kuò)展卡爾曼濾波與滑膜觀測(cè)器相結(jié)合[10]的在線SOH估計(jì)，可解決由測(cè)量噪聲、環(huán)境不確定因素帶來(lái)的問(wèn)題，是電池SOH在線識(shí)別的重要手段[11]。自適應(yīng)算法往往依賴于精確的電池等效模型，實(shí)際操作時(shí)存在困難。

數(shù)據(jù)驅(qū)動(dòng)類方法避免了自適應(yīng)算法依靠精確等效模型和操作困難等問(wèn)題，僅利用電池歷史老化數(shù)據(jù)，通過(guò)特定學(xué)習(xí)算法提取數(shù)據(jù)中的老化信息軌跡，從而通過(guò)數(shù)學(xué)方法擬合得到預(yù)測(cè)結(jié)果。主要方法有自回歸模型(AR)、人工神經(jīng)網(wǎng)絡(luò)(ANN)、支持向量機(jī)(SVM)及高斯過(guò)程回歸(GPR)等方法[12]。BP神經(jīng)網(wǎng)絡(luò)、Elman神經(jīng)網(wǎng)絡(luò)應(yīng)用較廣泛，并可采用智能優(yōu)化算法提高神經(jīng)網(wǎng)絡(luò)的收斂速度和精度[13]，再結(jié)合卡爾曼濾波[14]或數(shù)字濾波器技術(shù)，以提高適應(yīng)性。相比于神經(jīng)網(wǎng)絡(luò)與SVM，GPR易于實(shí)現(xiàn)，能自適應(yīng)調(diào)整超參數(shù)，輸出具有置信區(qū)間[2]，但在泛化能力和精度之間難以取得平衡。

2 SOH實(shí)驗(yàn)

SOH實(shí)驗(yàn)主要是指提取SOH特征，并以評(píng)估SOH為目的的無(wú)損壞性實(shí)驗(yàn)[15]，可在特定載荷下充放電運(yùn)行若干次后，檢測(cè)電池性能指標(biāo)，從而得到電池老化的一般規(guī)律[2]，涵蓋對(duì)電池阻抗、實(shí)際容量、開(kāi)路電壓、放電電壓平臺(tái)和極化時(shí)間等參數(shù)測(cè)量的單次或多次充放電測(cè)試。

大多數(shù)針對(duì)SOH評(píng)估的數(shù)據(jù)來(lái)源可分為兩類：一類是采用已存在的共享數(shù)據(jù)集，另一類是自主設(shè)計(jì)實(shí)驗(yàn)獲取所需數(shù)據(jù)集[16-17]。前者包括NASA鋰離子電池隨機(jī)使用數(shù)據(jù)集與牛津電池老化數(shù)據(jù)集[18]。使用共享數(shù)據(jù)可節(jié)省大量實(shí)驗(yàn)時(shí)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(shù)據(jù)庫(kù)未必能滿足需要，還需通過(guò)自主實(shí)驗(yàn)進(jìn)行驗(yàn)證，才能確?？煽啃訹19-20]。

目前，大多SOH實(shí)驗(yàn)為充放電實(shí)驗(yàn)，獲取電池在運(yùn)行時(shí)能夠映射SOH的特征，為SOH評(píng)估奠定基礎(chǔ)[21]。按照需求，SOH實(shí)驗(yàn)通?？煞譃檠h(huán)測(cè)試與性能測(cè)試兩大類(見(jiàn)圖1)，其中循環(huán)測(cè)試是模擬實(shí)際運(yùn)行工況或極限運(yùn)行工況下，不同運(yùn)行時(shí)間或循環(huán)次數(shù)的實(shí)驗(yàn)結(jié)果[19]。

圖1 電池健康實(shí)驗(yàn)的內(nèi)容

3 SOH模型

電池模型可分為電化學(xué)模型、等效電路模型和黑箱模型等3大類。電化學(xué)模型通過(guò)多個(gè)偏微分方程組，描述電池內(nèi)部離子運(yùn)動(dòng)、化學(xué)反應(yīng)等狀態(tài)，但因參數(shù)過(guò)多，不具實(shí)用性，即使是簡(jiǎn)化模型，參數(shù)仍有23個(gè)[22-23]。等效電路模型通過(guò)電阻、電容等電氣元件，描述電池的電氣特性及內(nèi)部材料結(jié)構(gòu)變化，是一種適用于系統(tǒng)層面分析仿真的集總參數(shù)電路模型。建立等效電路模型，需要將電池實(shí)驗(yàn)數(shù)據(jù)與參數(shù)辨識(shí)算法結(jié)合，參數(shù)辨識(shí)可分為靜態(tài)離線辨識(shí)與動(dòng)態(tài)在線辨識(shí)。最小二乘法、極大自然法和預(yù)報(bào)誤差法等是參數(shù)辨識(shí)的基本方法，其中最小二乘法應(yīng)用廣泛[24]。黑箱模型通過(guò)神經(jīng)網(wǎng)絡(luò)、SVM等智能算法，描述電池的輸入輸出關(guān)系[25]，但需要大量歷史數(shù)據(jù)，而且不同電池和工況往往沒(méi)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(dāng)，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(fù)相關(guān)，隨著電池的老化，電池組不一致性惡化，進(jìn)而加快電池的老化速度[27]。

電池的不一致性與內(nèi)阻、容量、溫度、SOC及電池的老化程度有很強(qiáng)的關(guān)系，容量不一致與電流激勵(lì)使放電深度不一致，同時(shí)導(dǎo)致電流存在差異[20]，而SOC、內(nèi)阻和容量是導(dǎo)致單體電池電壓差異的3個(gè)主要因素[28]。此外，溫度對(duì)電池組性能與不一致性有重要影響，不適宜的溫度會(huì)使衰減加快，不一致性加劇[29]。內(nèi)阻和換熱不一致，對(duì)電池溫度和電流不一致有顯著影響，可通過(guò)降低接觸熱阻來(lái)削弱這種影響[30]。由內(nèi)部參數(shù)和溫度場(chǎng)不一致引起的衰減程度不一致，最后導(dǎo)致不一致程度加大的情況見(jiàn)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(tǒng)計(jì)性、權(quán)重性、不可逆性和漸變性等5個(gè)特點(diǎn)，表現(xiàn)十分復(fù)雜[31]。

4.2 電池篩選

電池組不一致性分析包括對(duì)現(xiàn)象、因素和機(jī)理的定性分析，以及利用數(shù)值、矩陣或圖像描述的定量分析[32]。不一致性評(píng)估的目標(biāo)參數(shù)是容量、內(nèi)阻或電壓數(shù)據(jù)的離散程度。篩選則是找出這些離散數(shù)據(jù)的離群值，降低數(shù)據(jù)離散程度。篩選方法可分為參數(shù)特征分選和曲線特征分選等。

在參數(shù)特征分選中，選取目標(biāo)參數(shù)大多考慮準(zhǔn)確性與便捷性。就準(zhǔn)確性而言，容量好于內(nèi)阻，內(nèi)阻好于電壓，而便捷性恰好相反[33]，因此，電壓和內(nèi)阻通常作為主要參照指標(biāo)。目前，衡量電壓不一致性主要以波動(dòng)率(Cv)、均方根值(σx)和波動(dòng)幅度(ΔU)為參照指標(biāo)計(jì)算[34]，公式分別見(jiàn)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(guò)電壓來(lái)計(jì)算不一致性，實(shí)質(zhì)是通過(guò)統(tǒng)計(jì)學(xué)中的特征量評(píng)價(jià)多個(gè)單體電池電壓的離散程度，如ΔU實(shí)質(zhì)上是極差，計(jì)算較簡(jiǎn)單，但受異常值的影響，可能存在不能真實(shí)反映數(shù)據(jù)的情況，且難以有效辨識(shí)影響數(shù)據(jù)離散程度的離群點(diǎn)。為此，文獻(xiàn)[26]通過(guò)電化學(xué)阻抗譜分選，找出4個(gè)高、中、低的起始終止分界點(diǎn)，模糊聚類選取數(shù)量最多的群，以確保實(shí)驗(yàn)電池組的一致性。

相比參數(shù)特征分選，曲線特征分選能更好地避免因環(huán)境因素改變和噪聲影響帶來(lái)的不準(zhǔn)確結(jié)果。文獻(xiàn)[32]通過(guò)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(shí)現(xiàn)曲線特征分選。文獻(xiàn)[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(jìn)Elman神經(jīng)網(wǎng)絡(luò)的輸入，實(shí)現(xiàn)了分選。文獻(xiàn)[21]在化學(xué)機(jī)理模型SP+的基礎(chǔ)上，通過(guò)實(shí)驗(yàn)得到特征參數(shù)，利用模糊均值聚類中的有效評(píng)價(jià)指數(shù)，實(shí)現(xiàn)對(duì)電池的分選。

5 結(jié)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(guò)模型定量分析電池內(nèi)部機(jī)理變化辨明SOH，有較大的難度。研究開(kāi)發(fā)SOH評(píng)估算法，需要可靠的數(shù)據(jù)支撐，研發(fā)人員可選擇現(xiàn)有數(shù)據(jù)庫(kù)進(jìn)行可行性驗(yàn)證。電池實(shí)際工況復(fù)雜，利用實(shí)驗(yàn)?zāi)M實(shí)際不同工況測(cè)得的數(shù)據(jù)或直接利用實(shí)際測(cè)得的數(shù)據(jù)，可更好地保障算法的可靠性。

針對(duì)不同研發(fā)目標(biāo)，設(shè)計(jì)合適的SOH實(shí)驗(yàn)并建立等效模型，能更精確地描述電池特性，進(jìn)而利用模型機(jī)理分析，得到電池SOH，但存在SOH實(shí)驗(yàn)如何更好地逼近實(shí)際工況、如何在在線參數(shù)辨識(shí)中解決噪聲及不確定因素干擾的問(wèn)題。

SOH實(shí)驗(yàn)的目的是為剖析健康老化機(jī)理和評(píng)估SOH提供數(shù)據(jù)支撐，但實(shí)驗(yàn)的環(huán)境和工況設(shè)計(jì)與實(shí)際情況無(wú)法完全一致，且耗時(shí)長(zhǎng)、成本高，要實(shí)際運(yùn)行現(xiàn)場(chǎng)的數(shù)據(jù)采集、處理和運(yùn)用。對(duì)于SOH評(píng)估，離線評(píng)估不是目的，也缺乏全域數(shù)據(jù)支撐，在線評(píng)估才是最終目標(biāo)，但目前自適應(yīng)算法缺乏全域保真模型，數(shù)據(jù)驅(qū)動(dòng)方法需要在線數(shù)據(jù)實(shí)時(shí)采集、處理和計(jì)算的能力支持。為此，應(yīng)從以下3個(gè)方面開(kāi)展研究。

數(shù)據(jù)支撐：可靠的實(shí)驗(yàn)數(shù)據(jù)與有限的在線測(cè)量數(shù)據(jù)，成為基于數(shù)據(jù)驅(qū)動(dòng)開(kāi)發(fā)完整預(yù)測(cè)模型的薄弱之處。結(jié)合飛速發(fā)展的大數(shù)據(jù)技術(shù)、物聯(lián)網(wǎng)技術(shù)，基于在線運(yùn)行數(shù)據(jù)采集、存儲(chǔ)與利用的技術(shù)亟待突破。

特征與機(jī)理結(jié)合：實(shí)驗(yàn)特征分析與模型機(jī)理分析相結(jié)合，能夠更好地解決電池SOH估計(jì)問(wèn)題，基于電池健康特征分析與數(shù)據(jù)驅(qū)動(dòng)或自適應(yīng)算法相結(jié)合的在線電池SOH評(píng)估，是研究重點(diǎn)之一。

基于數(shù)據(jù)驅(qū)動(dòng)的在線預(yù)測(cè)：隨著衛(wèi)星定位、5G、物聯(lián)網(wǎng)、大數(shù)據(jù)等技術(shù)的發(fā)展，以及傳感器精度和運(yùn)算能力的提升，對(duì)比歷史數(shù)據(jù)驅(qū)動(dòng)與自適應(yīng)算法的現(xiàn)有評(píng)估方法，具有在線自學(xué)習(xí)的數(shù)據(jù)驅(qū)動(dòng)類方法，具有更廣闊的應(yīng)用前景。