鋰離子電池（LiBs）是電動汽車（EV）常用的電源之一。隨著電池的老化，其容量和功率會出現(xiàn)一定的下降。健康狀況（SOH）作為評估電池老化狀態(tài)的重要指標(biāo)，對EV的安全和駕駛體驗至關(guān)重要。最常用的SOH指標(biāo)是電池容量和內(nèi)電阻，分別反映了電池的容量和功率。鋰損失、活性物質(zhì)分解、結(jié)構(gòu)變化是容量下降的重要原因。SEI膜的上升是電阻的新增的重要原因。電阻新增會提高電池故障發(fā)生率。在老化期間充電曲線、OCV（開路電壓）曲線等顯著變化的電池特性也可以預(yù)測電池故障。為了揭示電池老化的規(guī)律，目前的大部分工作集中在基于模型的不同類型的估算方法上。

SOH估算方法作為BMS（電池管理系統(tǒng)）中不可或缺的技術(shù)，已經(jīng)使用各種工具和方法進行了廣泛研究。許多因素影響電池的老化，且實驗室條件和實際路況存在很大的不同，所以SOH估算是一項非常具有挑戰(zhàn)性的任務(wù)，迫切要改進的的工業(yè)應(yīng)用方法。作者通過對大量的學(xué)術(shù)成果進行總結(jié)和分析，并結(jié)合實踐相關(guān)經(jīng)驗，展示了目前已有的方法，并提出改進目前方法和未來SOH發(fā)展的方向。

【全面解析】

一、SOH估算方法有哪幾種分類？

SOH估算方法在不同的文獻有不同的分類，且都有自己的特點。本文將電池SOH估算方法分為兩類：實驗方法和基于模型的估算方法。每個重要類別下面有兩個分支，每個分支包含幾種常用方法，如圖1所示。

二、SOH估算方法中的實驗方法是什么？有什么特點？

實驗方法要在實驗室中進行大量實驗以分析電池老化行為。但是實際駕駛條件與實驗室環(huán)境之間存在巨大差異，一些實驗方法難以在實際使用的EV上實現(xiàn)。但這些實驗方法可以用來研究電池衰退機制，為基于模型方法供應(yīng)理論依據(jù)。實驗方法包括直接測量法和間接分析法。

直接測量方法是使用容量、阻抗測量和其他測試來直接評估電池健康狀態(tài)。直接測量法重要有容量或能量法、AH計數(shù)法、歐姆電阻法、阻抗法、循環(huán)次數(shù)計數(shù)法、破壞性法等方法。測量電池的當(dāng)前容量，則可以直接確定SOH，是最簡單、精確的方法。但是很難再正在工作的EV上實現(xiàn)。AH計數(shù)法可以用來驗證其他方法的容量估算結(jié)果的準(zhǔn)確性。歐姆電阻或阻抗法可以測量電池的總電阻。歐姆定律和電化學(xué)阻抗譜（EIS）可以測量電阻。循環(huán)次數(shù)統(tǒng)計法針對的重要是小型電子產(chǎn)品。該方法重要通過記錄完全放電次數(shù)來確定SOH。破壞性法重要通過拉曼光譜、X射線衍射、掃描電子顯微鏡等技術(shù)，從微觀角度研究電池的SOH和衰退機制。

間接分析方法通過分析電池的整個劣化數(shù)據(jù)，對數(shù)據(jù)進行分析和處理以獲得SOH信息。在獲得與電池容量或內(nèi)阻降低相關(guān)的健康指標(biāo)和容量或電阻的關(guān)系后，就可以獲得電池的SOH信息。充電曲線法根據(jù)充電曲線隨著電池劣化過程而改變，來表征電池SOH，該方法就可以精確計算SOH。增量容量分析（ICA）法和差分電壓（dV/dQ）分析（DVA）法是通過處理電壓數(shù)據(jù)來電池老化信息的方法。超聲波檢查法是一種通過超聲波檢測材料內(nèi)部各種微小缺陷的便捷方法。超聲波技術(shù)可以用來檢測電池老化過程中的內(nèi)部變化。另外還有如電壓變化、堆棧應(yīng)力、內(nèi)部壓力等其他間接方法。

三、SOH估算方法中的基于模型的估算方法是什么？有什么特點？

雖然可以從實驗方法獲得豐富的衰減信息和準(zhǔn)確的SOH估算結(jié)果，但是關(guān)于BMS來說，更要在線、實時和可靠地獲取電池健康狀態(tài)。容量、電阻和其他參數(shù)可以基于具有自適應(yīng)濾波或數(shù)據(jù)驅(qū)動算法的模型來估算，然后用于量化LIBs衰減。這兩個類別之間的差別在于計算過程。自適應(yīng)濾波算法通常使用電化學(xué)模型（EM）和ECM，其中閉環(huán)控制和反饋是必要步驟。數(shù)據(jù)驅(qū)動方法則是通過黑盒模型和高級分類、機器學(xué)習(xí)、智能優(yōu)化算法來實現(xiàn)。基于模型的估算方法是間接方法的擴展，在實時測量數(shù)據(jù)的基礎(chǔ)上通過濾波或智能算法估算或識別特點參數(shù)。

自適應(yīng)濾波法在電池SOH估算中很流行，也是BMS中使用的一種比較先進的方法，重要有基于等效電路模型法、EM、組合方法。基于等效電路模型的方法是基于電氣模型（ECM）通過查找表方法獲得電池SOH。卡爾曼濾波法（KF）在電池參數(shù)和狀態(tài)估算方面?zhèn)涫荜P(guān)注。基于KF算法許多衍生的改進的算法，用來處理強非線性和高計算模型。最小二乘（LS）法及其改進算法實現(xiàn)簡單、計算量少，非常適用于參數(shù)識別。EM最初由Doyle、Fuller、和Newman設(shè)計，包括一系列非線性和耦合偏微分方程。這種模型源于電池的工作原理，能夠描述電池的內(nèi)部電化學(xué)動力學(xué)。在組合法中實驗方法與基于模型的方法組合，實驗方法發(fā)現(xiàn)的老化機制為基于模型的方法供應(yīng)了新的思路，通過實驗方法處理從基于模型的方法識別的參數(shù)以獲得電池健康狀態(tài)。

由于復(fù)雜的內(nèi)部原理和不確定的工作條件，很難建立能夠準(zhǔn)確顯示電池動態(tài)特性的電池模型。但是數(shù)據(jù)驅(qū)動方法不要了解電池工作原理和明確的電池模型，并且它們僅依賴于收集的老化數(shù)據(jù)，就可以預(yù)測電池的SOH。相關(guān)經(jīng)驗和擬合法使用衰減數(shù)據(jù)來預(yù)測LIBs的行為，而無需詳細了解電化學(xué)電池設(shè)計和材料特性。優(yōu)化算法使用智能優(yōu)化算法來識別模型參數(shù)，然后使用一個或多個已識別的參數(shù)來推斷SOH。遺傳算法（GA）是最常用的優(yōu)化方法之一，可以有效地估計非線性系統(tǒng)中的參數(shù)。機器學(xué)習(xí)法是通過使用示例數(shù)據(jù)或過去的相關(guān)經(jīng)驗來編程計算機以解決給定問題。隨著人工智能的廣泛應(yīng)用，機器學(xué)習(xí)方法也逐漸作為SOH估算的方法。近似熵（ApEn）和樣本熵（SampEn）是量化時間序列復(fù)雜性和研究時間序列特點的重要工具。SampEn不僅具有ApEn的所有優(yōu)點，而且還消除了自我匹配并加速了計算。因此，當(dāng)SampEn應(yīng)用于在電池老化期間具有變化的電池數(shù)據(jù)時，它可以作為SOH估計的指標(biāo)。

四、實驗方法和基于模型的估算方法有什么不同？

采用實驗方法可得到電池衰減數(shù)據(jù)，并用以分析電池退化過程中重要參數(shù)的變化規(guī)律。它包含直接和間接分析。直接測量方法是最簡單和最直接的方法，適合在此基礎(chǔ)上離線維護和診斷。雖然它們難以直接用于真正的BMS，但它們是實驗室研究各種電池老化不可或缺的方法。間接分析方法要分析和處理測量的外部參數(shù)。分析結(jié)果受電池類型的影響很大，不適用于所有電池。關(guān)于電動汽車的實際應(yīng)用，不應(yīng)忽視該方法的一般性，因此要用不同的電池驗證這些方法。

自適應(yīng)濾波方法通過識別對電池健康狀態(tài)敏感的參數(shù)來評估SOH。它們可以通過先進的濾波和狀態(tài)估算方法降低性能對電池數(shù)據(jù)的依賴性，并且可以輕松應(yīng)用于具有不同化學(xué)成分的電池。這些方法準(zhǔn)確但對微控制器提出了更高的要求。可以采取一些措施來提高計算效率并釋放計算負擔(dān)。數(shù)據(jù)驅(qū)動法要較少的預(yù)測試工作。這些方法的缺點是對算法的效率和可移植性的高要求以及對傳輸數(shù)據(jù)的高度依賴性。這些方法對未來的健康管理系統(tǒng)具有很大的潛力。大數(shù)據(jù)、云計算、云存儲和其他新興技術(shù)將解決數(shù)據(jù)采集的難度，并提高實時應(yīng)用中板載算法的準(zhǔn)確性。

上述大多數(shù)方法都集中在單電池的SOH估計上，而電動汽車中的電池通常串聯(lián)和并聯(lián)連接以構(gòu)成電池組。由于EV的操作條件不確定，難以確保單個電池的均勻性。因此，具有強時變和非均勻特性的電池組的健康狀態(tài)監(jiān)測仍然要系統(tǒng)的理論和方法。

表1四種原理方法的比較。

五、未來電池健康管理系統(tǒng)發(fā)展方向是什么？

由于其通用性和在線適用性，在實驗室和工業(yè)規(guī)模上基于模型的方法的在未來應(yīng)用中前景光明。隨著對準(zhǔn)確跟蹤電池行為的更高要求，傳統(tǒng)的單一模型無法滿足未來BMS的需求，將不同模型組合在一起將實現(xiàn)互補并獲得更好的結(jié)果。多模型將新增模型適應(yīng)不確定環(huán)境和不同老化水平，因此在復(fù)雜的操作條件下可以實現(xiàn)更準(zhǔn)確可靠的SOC/SOH/SOP/SOF和RUL（剩余使用壽命）估算。我們相信多模型將成為確保電動汽車安全的發(fā)展趨勢。

圖6未來新型模型系統(tǒng)。

未來電池SOH估算的發(fā)展可能重要集中在以下三個方面：一是引入新型傳感器，以新增電池外部和內(nèi)部特點的捕獲。其次是更新和開發(fā)適合于老化過程的參數(shù)表征的電池模型。最后，隨著大數(shù)據(jù)技術(shù)的發(fā)展，模型和數(shù)據(jù)的融合，以及離線和在線方法的互補協(xié)調(diào)，也將豐富和提高SOH估計的性能。