锂电池健康状态估算方法综述

参考文献：2017年锂电池健康状态估算方法综述——张金龙，佟 微等人

1、电池健康状态定义

我国于2006年发布的汽车行业标准“QC/T743-2006”中明确规定了锂电池寿命终了的条件:可用容量衰减到标准容量的80%。目前, 业内普遍较认可的SOH定义为:

Qrate为新电池出厂时的额定容量或标称容量;Qaged为投入使用后电池实际的可用容量, 其值随着充放电循环次数的增加会不断减小。

2、目前锂电池SOH估算方法：

特征法：

依据电池老化过程中所表 现出的特征参量的演变，建立特征量与电池SOH 之 间的映射关系，进而对 SOH 进行估算。

1> 内阻分析法：

内阻分析法以电池内阻作为电池寿命主要表征，随着电池老化和容量 的下降，电池内阻会有一个逐渐增大的过程，因此， 为了估算 SOH， 首先要建立内阻与 SOH 的对应关 系，进而通过对内阻的精确测量或估算来定位电池的 SOH。

内阻法 SOH 估算的难点在于 SOH 和内阻映射关系的提取， 尤其 在考虑 SOC、温度和倍率因素时，特征关系的提取 难度会显著增大。 此外，所提取的特征关系仅适用 于某一品牌同型号的电池，通用性较差。

2> 电化学阻抗谱 EIS分析法：

首先在电池的不同老化阶段测量阻抗谱曲线，而后将 EIS曲线与电池等效电路模型参数联系起来，再根据模型参数（如串联电阻、传荷电阻及 Warburg 系数等）与SOH的关系对SOH 进行定位。

但 EIS 测量复杂且需要专 用仪器， 一般只能离线应用； 此外与内阻法类似，EIS法通用性也较差，仅适用于电池生产、设计与工 艺改进过程，不适合应用在实际用电系统中。

3> 微分分析法

增量容量 IC或增量电 压 IV法：

电池的DC或DV特性曲线与电池的微观电化学机制联系 密切，如 DC 曲线的峰值电势、峰值尖锐度、不对称 度及峰值面积等特征分别与电池内部 SEI 膜厚度、 电化学反应中心点间的应力状态、电极反应的可逆 程度及活性物质含量直接相关，依依据电池在不同老化状态下的 DC 曲线集，即可提取出电池的老化特征表，进而实现对SOH的估算。

其他：

直接以电池的放电 曲线作为衡量电池健康状态的依据。 随着电池逐渐 衰老，放电曲线也会发生扭曲变形，基于这一现象 建立了电池放电曲线特征值与 SOH 的关系， 进而 实现 SOH 估算。但是在实际 中电池放电机制是随机的，因此这种方法不能在线估计电池 SOH，只能是一种离线手段。

模型法：

老化机理模型：对电池内部微观的物理及电化学过程进行分析，主要侧重对电池衰老过程的分析。

破坏性：将老化程度不 同的锂电池进行完全拆解，来获得电池内部材料的样本，并对其老化程度参数与锂电池剩余容量间的 关系进行分析，通过所获取的大量数据提取出电池 的老化机制，并进行数据组合，建立客观实际的锂电池老化模型。

非破坏性：寻找恰当的老化程度表征参数，并建立这些参数和电池老化程度之间的对应关系，进而获得老化机理模型。此方法与特征法类似，其 SOH 估算精度较破坏 性方法差一些，但工作量较小，是目前主流发展方向之一，技术难点是特征参数的定位与获取。

（1）阿伦尼斯模型：较多关注温度对电池耐久性的影响

（2）逆幂律模型：电应力（如电压、电流、功率等）

（3）其他：机械应力（SOC增量与SOC均值的乘积）

概率模型法：将电池等效电路模型与概率分析方法（如贝叶斯回归及分类算法）相结合来描述电池的老化及容量衰减过程，并通过实验对模型进行验证。

以电池容量和放电过程中等压降序列对应的时间间隔作为电池的健康指标， 并基于该指 标采用一种概率性的单调回声状态网络 MONESN （monotone echo state network） 算法来跟踪非线性的 电池老化过程，从而实现对电池健康状态的诊断。

概率模型的两点优势：①只需要对电池进行部分充放电测试即可实现 SOH 估算；②该方法相对简单易 行，便于工程实现，只是特征映射的提取需要考虑多 种因素，工作量较大。

数据驱动类方法：

此类方法以电池的测试数据为原始样本，通过 某种机制从中挖掘出电池性能在电池衰老过程中 的演变规律，进而将这种规律用于 SOH 估算。

目前此类方法主要包括：自回归 AR（auto regressive）模型、神经网络 NN（neural network）、支持向量机 SVM（support vector machine）以及高斯过程 回归等方法。

AR：优点是计算量 较小、复杂度低，缺点是长时间估算时所得结果精度会变差

NN 法、SVM 法以及模糊法：NN缺点在于需要大量的、全面的样本数据对系统进行训练，且估计误差在很大程度上受训练数据的影响；此外，鉴于自身的开环结构，NN 本身难以实现在线训练。SVM 能避免NN 的结构选择和局部极小点问题， 但 SVM 同样需要大量的样本数据进行训练，并且对缺失的数据十分敏感。模糊规 则库的建立需要大量的经验知识和数据，而且控制 规则一旦确定，就不能在线调整，通用性不强。

统计规律法：

也称为经验法，主要是以 电池在使用过程中积累的经验知识为依据，通过数理统计手段对电池 SOH 进行估算， 主要包括循环周期数法、安时法、安时加权法及面向事件的老化累积法等。此类方法是在电池经验知识比较充分的 情况下，应用于特定场合的SOH估算方法，适用范围较广泛，但是估算精度较差。

3、小结：

当前的SOH 估算主要针对电池在特定工况下的测试来实现，而实际工况可能相当复杂；比如在充分考虑主观及客观因素时，电动汽车电池组的工况会具有很大随机性，这使SOH估算难度剧增。

整体来讲，目前SOH估算技术的通用性较差。