電動(dòng)汽車(chē)退役鋰電池一致性快速分選方法研究

劉俊華 劉翠翠 李 程 呂思濛 趙學(xué)風(fēng) 廖強(qiáng)強(qiáng)

1.國(guó)網(wǎng)漢中供電公司

2.上海電力大學(xué)

3.華北電力大學(xué)

4.國(guó)網(wǎng)陜西省電力公司電力科學(xué)研究院

0 引言

車(chē)用動(dòng)力鋰離子電池的容量低于80%時(shí)不符合繼續(xù)使用條件，將從電動(dòng)汽車(chē)上退役[1]，退役之后的電池大多數(shù)仍具有較高的剩余容量和較長(zhǎng)的使用壽命，經(jīng)過(guò)篩選重組后可梯次利用于電力儲(chǔ)能、通信基站備用電源、低速電動(dòng)車(chē)等領(lǐng)域。在梯次利用產(chǎn)品的使用過(guò)程中，電池的一致性是影響其使用壽命和安全的關(guān)鍵因素，退役電池用于梯次利用不僅外觀需要保持完好無(wú)損，在容量、內(nèi)阻和電壓等方面也應(yīng)保持較高的一致性，由于退役電池來(lái)源不一，形狀外觀不盡相同，自放電程度不同以及環(huán)境、溫度不同等因素，使得退役的動(dòng)力電池在容量、內(nèi)阻、電壓等方面存在不一致性, 從而縮短電池的二次使用壽命。另外，退役電池由于一致性較差，會(huì)使個(gè)別電池出現(xiàn)過(guò)度充放電現(xiàn)象，引發(fā)熱失控，帶來(lái)安全隱患，因此需對(duì)電池按照相應(yīng)標(biāo)準(zhǔn)進(jìn)行篩選分類(lèi)，將符合條件并且容量、內(nèi)阻等參數(shù)一致性較高的電池組合成電池模塊用于梯次利用。

1 電池健康狀態(tài)評(píng)估

電池的健康狀態(tài)是電池一致性分選的重要指標(biāo)，多數(shù)文獻(xiàn)通常采用電池容量對(duì)電池SOH進(jìn)行評(píng)價(jià)[2]，如式（1），其中Cpresent-max為電池當(dāng)前的最大容量，Crated為電池額定容量，電池性能衰退原因復(fù)雜，電池內(nèi)部各部分老化是主要原因，正極材料結(jié)構(gòu)失效、負(fù)極表面SEI過(guò)渡生長(zhǎng)、電解液分解與變質(zhì)、集流體腐蝕、體系微量雜質(zhì)等都會(huì)引起電池不同程度的老化[3,4]，在過(guò)高或過(guò)低的溫度環(huán)境下運(yùn)行[5]、電池過(guò)度充放[6]、以高倍率充放[7]，也會(huì)導(dǎo)致電池老化。此外,制造工藝和電池設(shè)計(jì)結(jié)構(gòu)對(duì)電池壽命也有影響。

目前，電池健康狀態(tài)評(píng)估方法眾多，電池老化主要表現(xiàn)為電池容量衰減與內(nèi)阻增大，因此，傳統(tǒng)方法可通過(guò)直接測(cè)量電池容量于和內(nèi)阻來(lái)直接確定電池的健康狀態(tài)，但由于直接測(cè)量方法時(shí)間過(guò)長(zhǎng)，并不適用于大規(guī)模電池的SOH 評(píng)估。因此，目前致力于研發(fā)SOH快速評(píng)估模型，如圖1所示?；陔姵乩匣瘷C(jī)理的電化學(xué)模型和等效電路模型，提取健康因子模型以及機(jī)器學(xué)習(xí)。

圖1 SOH評(píng)估模型

1.1 電化學(xué)模型

電化學(xué)模型是從探索電池衰減機(jī)理出發(fā)，找出電池的老化原因并根據(jù)原因引起電池內(nèi)外部參數(shù)變化來(lái)評(píng)估電池健康狀態(tài)。Ramesh[5]等人從溫度和SEI 的形成引起電池容量衰減角度出發(fā)，建立了鋰離子電池正極和負(fù)極固體電解質(zhì)界面層形成及溶解動(dòng)力學(xué)的數(shù)學(xué)模型，用于預(yù)測(cè)電池壽命。Prasad[8]等人以電池電阻和鋰離子在正極中的固相擴(kuò)散時(shí)間為關(guān)鍵老化參數(shù)建立電化學(xué)模型來(lái)預(yù)估電池健康狀態(tài)。Zhang[9]在熱耦合P2D 模型上擴(kuò)展電池溫度分布等描述，構(gòu)建電池模型。電化學(xué)模型對(duì)于電池健康狀態(tài)評(píng)估較為準(zhǔn)確，但由于此類(lèi)參數(shù)眾多，計(jì)算緩慢，不適用于電池的快速分選。

1.2 等效電路模型

等效電路模型通過(guò)對(duì)大量狀態(tài)數(shù)據(jù)的分析，將鋰離子電池等效成電路模型進(jìn)而對(duì)電池健康狀態(tài)進(jìn)行評(píng)估，也是在電化學(xué)機(jī)理基礎(chǔ)上進(jìn)行的，等效電路模型分為頻域模型與時(shí)域模型兩種。頻域模型是指利用電化學(xué)阻抗譜（EIS）法得到頻域交流等效電路模型，然后用交流復(fù)阻抗以匹配該阻抗譜，在較寬的頻域范圍內(nèi)分析電池內(nèi)部不同因素形成的電化學(xué)阻抗。時(shí)域模型是指通過(guò)電池的I-V響應(yīng)數(shù)據(jù)等來(lái)進(jìn)行等效電路中的參數(shù)識(shí)別，包括Rint模型、Thevenin 模型和二階 RC 模型，Rint模型較為簡(jiǎn)單，由于沒(méi)有考慮電池的極化特性，模型精度較低。Thevenin模型在Rint模型上考慮到了電池極化因素，通過(guò)等效的極化內(nèi)阻和極化電容構(gòu)成的回路來(lái)模擬電池的動(dòng)態(tài)過(guò)程，結(jié)果較為精確。PNGV 模型和GNL模型是基于Thevenin模型進(jìn)行改進(jìn)的模型。二階RC模型是在Thevenin模型基礎(chǔ)上又增加了一組Rc回路，模型的階數(shù)越高，精確度越好，但精準(zhǔn)越高意味著所涉及的參數(shù)也越多，運(yùn)行復(fù)雜不易建模。文獻(xiàn)[10]采用RC等效電路模型估計(jì)電池的健康狀態(tài)，對(duì)比研究了不同階次的RC 等效電路模型狀態(tài)估計(jì)效果，結(jié)果得出雙RC 網(wǎng)絡(luò)的等效電路模型DP模型具有最佳的性能。孫冬[11]等人提出基于多模型數(shù)據(jù)融合技術(shù)的鋰電池健康狀態(tài)(SOH)預(yù)測(cè)方法，該方法基于Thevenin 等效電路模型，并結(jié)合基于增量式自回歸模型(IARX)的健康特征數(shù)據(jù)提取方法，以此構(gòu)建均值內(nèi)阻、最小內(nèi)阻和內(nèi)阻-荷電狀態(tài)（SOC）健康狀態(tài)模型。He Hongwen[10]等人在Thevenin 模型的基礎(chǔ)上增加一個(gè)RC 分支，改進(jìn)了Thevenin 電池模型，利用擴(kuò)展卡爾曼濾波（EKF）算法對(duì)模型參數(shù)進(jìn)行辨識(shí)，并采用自適應(yīng)EKF（AEKF）算法對(duì)鋰離子電池的SOC 進(jìn)行估計(jì)，誤差明顯降低。等效電路模型相較于電化學(xué)模型有較大的可實(shí)現(xiàn)性，但由于等效電路模型是將電池做了近似等效處理，因此在一些情況下預(yù)測(cè)可能會(huì)出現(xiàn)較大誤差（見(jiàn)圖2和表1）。

圖2 等效電路模型分類(lèi)

1.3 直接提取健康因子

直接提取健康因子是直接提取電池外部特征參數(shù)，并通過(guò)算法來(lái)建立與電池容量的關(guān)系以此評(píng)估電池的健康狀態(tài)，圖3為該方法的邏輯模型，該方法與以上兩種方法相比相對(duì)快速準(zhǔn)確，最常用的是基于充放電曲線的容量增量分析法（ICA）和差分電壓分析法（DVA），通過(guò)分析DV曲線的峰間距或IC曲線的峰面積可以得到參加材料相變過(guò)程的電量[12,13]，從而得到電池容量衰減情況。此外，也可運(yùn)用概率密度函數(shù)（PDF）方法處理電池恒流充放電數(shù)據(jù)來(lái)進(jìn)行容量評(píng)估，PDF法與增量容量分析法和差分電壓分析法的數(shù)學(xué)基礎(chǔ)是一致的。Feng[13]等人在1/3C的電流倍率下，統(tǒng)計(jì)落在不同電壓值的數(shù)據(jù)點(diǎn)的個(gè)數(shù)，計(jì)算概率，構(gòu)建PDF，通過(guò)分析PDF中峰的位置和面積，評(píng)估出記錄部分電壓范圍內(nèi)（充電3.38～3.42 V；放電3.27～3.3 V）電池當(dāng)前容量。Honkura[15]等通過(guò)分析由正、負(fù)極放電曲線疊加而獲得的放電曲線，從電池電壓窗口和電池放電曲線推導(dǎo)出電池容量，該方法一大亮點(diǎn)是能夠在惡劣條件下比常規(guī)方法更準(zhǔn)確地預(yù)估電池容量。Merla等[16]利用差熱伏安法（DTV）對(duì)恒電流充/放電過(guò)程中獲取電池電壓、表面溫度進(jìn)行計(jì)算，發(fā)現(xiàn)DTV 曲線中的峰參數(shù)可以用來(lái)量化電池SOH 值。尹鴿平[17]等采用2 分鐘的1/25 C 充放電脈沖電壓來(lái)近似于開(kāi)路電壓的快速測(cè)定，并提出了一個(gè)基于放電末端電壓的SOH值計(jì)算的新方法，但要滿足新舊電池的放電末端電壓要在相同荷電狀態(tài)范圍下的相同放電深度放電終止時(shí)測(cè)定這一條件，此外，廖強(qiáng)強(qiáng)[18]課題組通過(guò)研究電池模組的開(kāi)路電壓與該模組的SOH 之間的關(guān)系，提出開(kāi)路電壓極差可以作為電池模組SOH值的快速評(píng)估指標(biāo)。直接提取健康因子相較于電化學(xué)模型所用時(shí)間短，預(yù)測(cè)結(jié)果比等效電路模型精確，且相關(guān)測(cè)試方法簡(jiǎn)單，成本低，適合于實(shí)際工程應(yīng)用。

表1 常見(jiàn)等效電路模型優(yōu)缺點(diǎn)對(duì)比

1.4 機(jī)器學(xué)習(xí)

圖3 直接提取健康因子邏輯模型

基于大數(shù)據(jù)的機(jī)器學(xué)習(xí)技術(shù)愈來(lái)愈成為電池健康狀態(tài)與壽命預(yù)測(cè)的一個(gè)重要手段。機(jī)器學(xué)習(xí)是指通過(guò)設(shè)計(jì)電池健康狀態(tài)預(yù)測(cè)算法，結(jié)合電池健康狀態(tài)相關(guān)參數(shù)，對(duì)大量樣本進(jìn)行訓(xùn)練，建立電池一致性快速篩選模型。歐陽(yáng)明高等人[19]以少量的鋰離子電芯容量和電壓參數(shù)為基礎(chǔ)數(shù)據(jù)，采用神經(jīng)網(wǎng)絡(luò)算法建立了一套適用于大量退役電芯的快速篩選模型，該模型容量估計(jì)誤差小于4%，篩選效率比傳統(tǒng)方法提高5 倍以上。Wang[20]等人提出了基于球形容積粒子濾波器（SCPF）的狀態(tài)空間模型，用于檢查26個(gè)鋰離子電池的RUL，自適應(yīng)濾波技術(shù)可以提高健康預(yù)測(cè)的準(zhǔn)確性，然而模型的精度很容易受到可變電流和溫度的影響。陳琳課題組[21]采用深度機(jī)器學(xué)習(xí)方法挖掘包含內(nèi)阻在內(nèi)的多參數(shù)健康指標(biāo)與電池健康度SOH 的內(nèi)在關(guān)系，實(shí)現(xiàn)SOH 值的在線評(píng)估，誤差率小于2.5%。Widodo[22]等人提出了一種基于放電電壓樣本熵（SampEn）特征的電池健康智能預(yù)測(cè)方法，利用支持向量機(jī)（SVM）和相關(guān)向量機(jī)（RVM）兩種機(jī)器學(xué)習(xí)方法，分別采用SampEn和估計(jì)電荷狀態(tài)（SOH）作為學(xué)習(xí)算法的數(shù)據(jù)輸入和目標(biāo)向量，結(jié)果表明，支持向量機(jī)和RVM在SOH預(yù)測(cè)中有良好性能，并且RVM優(yōu)于基于支持向量機(jī)的電池健康預(yù)測(cè)。機(jī)器學(xué)習(xí)模型是目前電池健康狀態(tài)評(píng)估方法的研究熱點(diǎn)，未來(lái)應(yīng)開(kāi)發(fā)精度更高，泛化能力更好的算法，匹配以適合的電池參數(shù)，建立更快速的退役電池規(guī)?；Y選模型。

單一的健康評(píng)估方法存在測(cè)試時(shí)間長(zhǎng)、精度低、參數(shù)復(fù)雜等不足，目前傾向于將各類(lèi)方法融合充分發(fā)揮各自的優(yōu)勢(shì)，以實(shí)現(xiàn)更精確可靠的鋰離子電池SOH協(xié)同估計(jì)。N.T.Tran等[23]針對(duì)電池參數(shù)在電池的整個(gè)生命周期內(nèi)發(fā)生顯著變化影響狀態(tài)估計(jì)的準(zhǔn)確性問(wèn)題，提出了DEKF 算法和自回歸外生（ARX）模型結(jié)合進(jìn)行參數(shù)在線估計(jì)的方法，不僅解決了狀態(tài)估計(jì)準(zhǔn)確度問(wèn)題，還節(jié)省了參數(shù)預(yù)測(cè)試的時(shí)間和精力。徐元中[24]等人提出一種基于SA 算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的鋰離子電池SOH在線預(yù)測(cè)方法，以微分電壓、歐姆內(nèi)阻、循環(huán)次數(shù)作為電池的健康狀態(tài)因子輸入至BP神經(jīng)網(wǎng)絡(luò)，結(jié)合SA算法優(yōu)化BP 神經(jīng)網(wǎng)絡(luò)的權(quán)值,使預(yù)測(cè)模型得到最優(yōu)解，實(shí)驗(yàn)結(jié)果表明，利用優(yōu)化算法對(duì)電池SOH 進(jìn)行預(yù)測(cè),其最大誤差僅為1.98%,平均誤差為1.09%。Zheng[25]等采用RVR模型作為非線性時(shí)間序列預(yù)測(cè)模型，對(duì)預(yù)測(cè)期內(nèi)保持為零的UKF未來(lái)殘差進(jìn)行預(yù)測(cè)，并將未來(lái)殘差于無(wú)跡卡爾曼濾波遞歸結(jié)合估計(jì)電池的剩余壽命及短期內(nèi)的可用容量，該方法具有較高的可靠性和預(yù)測(cè)精度。

3 相關(guān)算法

電池健康狀態(tài)評(píng)估的各種方法幾乎都會(huì)用到算法，電池模型的建構(gòu)以及各個(gè)模型中數(shù)據(jù)的預(yù)處理、健康因子的提取等都需要結(jié)合算法，表2 列舉了在參數(shù)識(shí)別、機(jī)器學(xué)習(xí)以及數(shù)據(jù)預(yù)處理方面常用到的一些算法：數(shù)據(jù)預(yù)處理通常采用曲線擬合與濾波等方式，包括支持向量回歸、卡爾曼濾波等算法；神經(jīng)網(wǎng)絡(luò)算法以及粒子濾波等算法通常用于構(gòu)建電池模型以及大數(shù)據(jù)學(xué)習(xí)；參數(shù)識(shí)別算法通常采用最小二乘參數(shù)識(shí)別、相關(guān)向量機(jī)等算法。不同算法的應(yīng)用方向不同，應(yīng)根據(jù)電池健康狀態(tài)評(píng)估角度以及各類(lèi)算法的特征及作用，結(jié)合多類(lèi)算法構(gòu)建電池快速分選模型，以實(shí)現(xiàn)電池的快速精確分選（見(jiàn)表2）。

4 篩選流程

退役電池篩選基本流程如圖4 所示,分為以下幾步：外觀檢查，檢查外觀是否有擠壓變形、破損、漏液等現(xiàn)象；健康狀態(tài)評(píng)估，對(duì)退役電池進(jìn)行基本性能測(cè)驗(yàn)；篩選重組。

表2 健康狀態(tài)評(píng)估相關(guān)算法

圖4 退役電池基本篩選流程

退役電池由于數(shù)量較多，為了方便管理和分選，蔡銘[26]等人提出將容量Q、平衡電動(dòng)勢(shì)U以及放電直流等效內(nèi)阻譜r(z)作為電池梯次利用的統(tǒng)一分選指標(biāo)，其亮點(diǎn)在于給出了分選指標(biāo)與不同用戶需求指標(biāo)之間的對(duì)應(yīng)關(guān)系，同時(shí)還提出了建立數(shù)據(jù)庫(kù)、電池初選、電池測(cè)試以及梯次利用分選四個(gè)步驟組成的分選方法。Tan[27]等人提出了用于電動(dòng)汽車(chē)退役磷酸鐵鋰電池的分級(jí)利用的電池分選方法，可以有效消除電池間的差異，最大限度地提高二次電池的使用壽命，所提出的方法不需要考慮放電速率和溫度，并且在給定的溫度和工作電流下僅需要進(jìn)行一次測(cè)試，在實(shí)際工作條件下也可以產(chǎn)生準(zhǔn)確的容量，還考慮了實(shí)際的容量退化和內(nèi)部電阻的退化。趙光金[28]等研究出一種退役單體電池可用性評(píng)價(jià)方法，建立了基于核心關(guān)鍵參量的電池健康狀態(tài)評(píng)估方法體系，通過(guò)容量、內(nèi)阻、循環(huán)性能及隔膜降解特性篩選可梯次利用的單體電池。

5 結(jié)論

退役電池的快速分選對(duì)于梯次利用在經(jīng)濟(jì)性和安全性上都具有重要意義。行業(yè)內(nèi)有關(guān)電池健康狀態(tài)的評(píng)估方法在不斷進(jìn)步，但目前不同方法仍分別存在測(cè)試時(shí)間長(zhǎng)、成本高、測(cè)試結(jié)果不準(zhǔn)確、或模型泛化能力不強(qiáng)等問(wèn)題。電池的健康狀態(tài)是快速分選的關(guān)鍵，基于電池衰減原理的參數(shù)模型方法以及基于各類(lèi)算法的機(jī)器學(xué)習(xí)是電池健康狀態(tài)評(píng)估的主流。未來(lái)的主要研究方向應(yīng)集中在：從機(jī)理出發(fā)，構(gòu)建更加簡(jiǎn)易且實(shí)用的電池模型；開(kāi)發(fā)出更加精確、魯棒性更強(qiáng)的算法，多類(lèi)評(píng)估方法相融合，構(gòu)建快速智能的電池評(píng)估選模型，做到精確度、測(cè)試效率、簡(jiǎn)易度以及測(cè)試成本兼顧，形成電池快速篩選方法，促進(jìn)梯次利用產(chǎn)品真正實(shí)現(xiàn)產(chǎn)業(yè)化。