锂离子电池SOH介绍 国际锂离子电池SOH估计方法

综合国内外对电池SOH的估计方法研究，本文介绍两种国际上比较认可的主流方法。

1、基于经验的方法

基于经验的电池寿命预测方法也称为基于统计规律的方法，主要包括以下三种：

1)循环周期数法

这种方法是通过对电池的循环周期进行计数，当电池的循环次数到达一定的范围时，就认为电池到达使用寿命。这种方法需要考虑不同循环条件、循环状态等因素对循环寿命的影响，根据经验和标准参数二者共同确定电池寿命。

2)安时法与加权安时法

一个电池从新到老充电、放电整个过程中能够处理电量的总安时数应该是一个定值，累积安时电量达到一定的程度则认为电池到达寿命，这种方法就是安时法。加权安时法考虑电池在不同状况下放出相同的电量时，对寿命的损伤程度有轻有重，所以当放出的电量乘以一个加权系数之后的累积安时数达到某个值后认为电池到达寿命终结。

3)面向事件的老化累积方法

这种方法首先要制定引起电池寿命损失的特定事件的描述，一般每个事件都有一个损伤程度的尺度描述，监测电池在使用过程中事件发生的情况，累计每个事件引起电池寿命衰减情况给出当前电池的剩余寿命。

以上几种方法都是利用电池使用过程中的一些经验知识，依据某些统计学规律给出电池寿命的一个粗略估计，只能在电池使用的经验知识比较充分的情况下，用于特定场合的寿命预测。

2、基于性能的方法

基于各种不同形式的性能模型，并且考虑老化过程和应力因素。目前很多研究依据这一思路开展了基于电池性能的寿命预测。根据寿命预测所使用信息来源的不同，将基于电池性能的寿命预测分为基于机理、基于特征和数据驱动三类。

基于机理的预测是从电池本质机理的角度分析并建立电池的运行机理模型及老化模型，从电化学原理的角度描述电池的老化行为，通过对电池模型的分析预测电池寿命。

基于特征的预测是利用电池老化过程中所表现出来的特征参量的演变，建立特征量与电池寿命之间的对应关系用于寿命预测。

数据驱动的预测是利用电池性能的测试数据，从数据中挖掘出电池性能演变的规律用于寿命预测。例如，由数据拟合得到的解析模型和人工神经网络模型都是数据驱动的方法。三种方法各有其优缺点，实际应用中常采用几种方法结合的思想。

1）基于机理的方法

基于机理的预测需要研究每一个老化因素对状态变量的影响，这种方法首先要对电池物理化学过程进行模型描述，基于欧姆定律、基尔霍夫电压电流定律、电化学反应过程(Butler-Volmer定律)、扩散过程(Fick定律)等；然后研究老化过程对状态变量影响的规律。一方面要研究电池的机理模型，另一方面要研究老化过程、应力因素对状态变量影响的老化机理模型。

基于机理的寿命预测主要优点有：适用于几乎所有的状态条件及运行模式的电池；给出了电池老化过程的详细解释，可用于电池生产及设计厂商对电池设计的改进；与其他方法相比，基于该模型对电池控制策略的分析能够更加细致、准确。其缺点在于：模型需要精细的参数，且复杂程度较高；针对老化因素的测试比较复杂，建立完善的老化机理模型存在困难。

2）基于特征的预测方法

基于特征寿命预测的思路是利用电池老化过程中所表现出的特征参量的演变，建立特征量取值与电池健康状态之间的对应关系用于寿命预测。

目前基于特征的电池寿命预测主要集中在电化学阻抗与电池循环寿命之间的关系。使用电化学阻抗谱（ElectrochemicalImpedanceSpectroscopy，EIS）作为电池寿命特征的研究思路一般是：在电池循环寿命的不同阶段测量阻抗谱曲线，根据阻抗谱曲线获得电池等效电路模型形式，再分析循环次数和等效电路模型中溶液电阻、传荷电阻及Warburg阻抗等参数的影响规律，最后给出等效电路模型中各参数随电池循环次数变化的拟合公式。除EIS阻抗谱外，还有对电池施加脉冲或阶跃激励信号估计内阻的脉冲阻抗测量方法。

EIS阻抗谱能够给出较为精细的电池阻抗描述，可用作估计电池的寿命特征；但测量比较复杂，需要专用测量仪器，将EIS技术应用于电池状态的在线监测还需要对EIS阻抗谱的在线快速测量技术进行研究。脉冲阻抗测量简单易行，能够快速测量，可在线监测，其测试结果能在一定程度上描述电池的阻抗，反映电池阻抗随寿命衰减而增长的特性，也可用作电池寿命特征。

3）基于数据驱动的预测

电池本身物理化学过程复杂，很多规律很难直接通过机理研究描述。从测试数据的角度出发描述电池性能的思想称为数据驱动的方法。

常见的数据驱动算法有很多种，如：支持向量机（SupportVectorMachine,SVM），自回归滑动平均（AutoregressiveMovingAverage,ARMA），粒子滤波（ParticleFiltering,PF）等。

基于数据驱动的预测不需要对象系统的机理知识，以采集的数据为基础通，通过各种数据分析学习方法挖掘其中的隐含信息进行预测，从而避免了模型获取的复杂性，是一种较为实用的预测方法。但是，通常所获取的数据往往具有很强的不确定性和不完整性，将实际应用中所有可能的寿命影响因素全部进行实验测试也是不现实的。所以，数据驱动的预测容易实施，但也有一定的局限性。