鋰離子電池健康狀態(tài)預(yù)測研究現(xiàn)狀*

吳戰(zhàn)宇，姜慶海，朱明海，成 辰，王大林，施曉渝

鋰離子電池健康狀態(tài)預(yù)測研究現(xiàn)狀*

吳戰(zhàn)宇1,2?，姜慶海1,2，朱明海1，成 辰1，王大林1，施曉渝1

（1. 華富（江蘇）鋰電新技術(shù)有限公司，江蘇 揚州，225600；2. 江蘇華富儲能新技術(shù)股份有限公司，江蘇 揚州，225600）

對目前主要的鋰離子電池健康狀態(tài)（SOH）預(yù)測方法進(jìn)行分類和評價，包括基于模型法、數(shù)據(jù)驅(qū)動法、混合法和其他方法四個大類。分析了每種方法的特點及其在應(yīng)用中的優(yōu)勢和不足，并結(jié)合實際應(yīng)用，對不同方法的適應(yīng)性進(jìn)行評價并探討其未來發(fā)展方向。

鋰離子電池；健康狀態(tài)；預(yù)測方法

0 引 言

隨著鋰離子電池的快速發(fā)展，對其健康狀態(tài)（state-of-health, SOH）的預(yù)測研究也在不斷深入。不論是新電池[1]還是梯次利用電池[2]，準(zhǔn)確判斷其SOH有助于預(yù)知鋰離子電池的整體壽命，完善充放電策略，以避免電池濫用[3]。

目前，大多數(shù)研究常使用電池老化的表征參數(shù)來定義SOH，如容量、內(nèi)阻和功率等[4]。但這些參數(shù)并不是電池健康狀態(tài)的全部決定因素，其對電池健康狀態(tài)的反映往往比較片面。WEI等[5]指出，SOH與剩余使用壽命（remaining useful life, RUL）之間的關(guān)系非常密切，可以通過評估RUL與SOH的關(guān)系來進(jìn)行電池健康狀態(tài)的預(yù)測。SHEN等[6]提出用功能狀態(tài)（state-of-function, SOF）來評估電池健康更準(zhǔn)確。但這些方法的有效性和可靠性都有待驗證。為清楚了解現(xiàn)今SOH預(yù)測的實際情況，有必要對目前的預(yù)測方法進(jìn)行深入的分析和比較。

本文介紹了目前主要的鋰離子電池SOH預(yù)測方法，并對這些方法進(jìn)行分類，同時分析每種方法的特點。結(jié)合實際應(yīng)用，指出不同方法的適應(yīng)性和發(fā)展方向。期望有助于專業(yè)人士更好地了解目前的SOH預(yù)測方法和趨勢。

1 SOH預(yù)測方法分類

目前有許多研究對電池SOH預(yù)測方法進(jìn)行了分類，如BARRé等[7]將電池SOH預(yù)測方法分為電化學(xué)模型法、等效電路模型（equivalent circuit model, ECM）法、基于性能模型法、經(jīng)驗?zāi)Ｐ头敖y(tǒng)計法；UNGUREAN等[8]提出了庫倫計數(shù)法、開路電壓（open circuit voltage, OCV）法、阻抗譜法及卡爾曼濾波（Kalman filter, KF）法的分類方法；BERECIBAR等[9]提出了直接測量法、基于測量模型法及自適應(yīng)模型法的分類方法；DAI等[10]將SOH預(yù)測方法分為直接測量法、基于模型法及數(shù)據(jù)驅(qū)動法等。

可以看出，雖然分類結(jié)果不同，但這些分類的方式有一些共同點。首先，大多數(shù)方法都有基于模型的預(yù)測方法，這是一種較為主流的方法。其次，一些文獻(xiàn)采用的數(shù)據(jù)驅(qū)動法、統(tǒng)計法和自適應(yīng)法等都以數(shù)據(jù)為基礎(chǔ)，都屬于數(shù)據(jù)驅(qū)動類的方法。第三，有些方法既不是基于模型，也不屬于數(shù)據(jù)驅(qū)動類，如容量增量（incremental capacity, IC）法、電壓微分（differential voltage, DV）法和直接評價方法等，可以將其歸類為“其他方法”。第四，還有一些方法將多種相同或不同類型的方法混合使用，可以歸類為混合法。綜上，可以將SOH預(yù)測分為基于模型法、數(shù)據(jù)驅(qū)動法、混合法和其他方法四類。

2 不同預(yù)測方法的分析

2.1 基于模型法

基于模型法包括電化學(xué)模型法、ECM法及數(shù)學(xué)模型法等。

2.1.1 電化學(xué)模型法

從不同的研究角度出發(fā)，電化學(xué)模型法又可分為基于老化機理的方法和基于電化學(xué)阻抗譜（electrochemical impedance spectroscopy, EIS）的方法。

基于老化機理的方法對電池老化過程中鋰離子濃度、固體電解質(zhì)相界面（solid electrolyte interphase, SEI）膜厚度和電極電導(dǎo)率的變化進(jìn)行模擬，建立SOH預(yù)測模型。比如，SAFARI等[11]建立了模擬SEI膜生長的電化學(xué)模型，揭示了SEI膜對電池容量衰減的影響。LI等[12]通過研究SEI膜的形成，以及由于活性材料中顆粒的體積膨脹所產(chǎn)生的應(yīng)力而導(dǎo)致的裂紋擴(kuò)展，建立了基于單粒子的降解模型。

EIS法反映的是電池內(nèi)部反應(yīng)原理和電池老化的情況。最簡單的基于EIS的方法是測量電池的交流（alternating current, AC）阻抗來評估SOH。ZHANG等[13]在不同溫度下對不同循環(huán)次數(shù)的鋰離子電池進(jìn)行EIS測試，發(fā)現(xiàn)阻抗增加和功率衰減的主導(dǎo)因素是正極SEI膜。

2.1.2 EMC法

ECM法根據(jù)電池的電氣特性，通過電阻、電容等模擬電池的極化反應(yīng)和自放電反應(yīng)，使模型接近電池的實際情況。目前常用的ECM主要包括：Rint模型、Thevenin模型、汽車合作伙伴計劃（partnership for a new generation of vehicles, PNGV）模型、一階電阻?電容（resistor-capacitance, RC）模型、二階RC模型和基于上述電路改進(jìn)的復(fù)合模型[14]?？紤]的因素越多，模型越復(fù)雜，但效果越符合實際情況。

ECM法的基本步驟包括：①選擇合適的ECM；②ECM參數(shù)識別，常用方法包括混合脈沖功率特性（hybrid pulse power characteristic, HPPC）測試[15]、曲線擬合比較法[16]等；③以內(nèi)阻和最大充電狀態(tài)（state of charge, SOC）等作為狀態(tài)變量，通過擴(kuò)展卡爾曼濾波（extended Kalman filter, EKF）等得出SOH。

2.1.3 數(shù)學(xué)模型法

在SOH預(yù)測方面，數(shù)學(xué)模型主要指經(jīng)驗?zāi)Ｐ秃透怕誓Ｐ汀?/p>

經(jīng)驗?zāi)Ｐ蛯㈦姵貕勖p與溫度、充放電比、電池過充和過放等衰減因子之間的關(guān)系進(jìn)行建模。對不同衰減因子進(jìn)行測試，并將大量數(shù)據(jù)擬合為以衰減因子為變量的SOH表達(dá)式。因此，使用的衰減因子越多，SOH預(yù)測越準(zhǔn)確[17]。

概率模型法由概率論導(dǎo)出，有時也被稱為概率密度函數(shù)（probability density function, PDF）法。該方法主要在電池不同老化狀態(tài)的充放電曲線中，通過計算電壓，檢測數(shù)據(jù)中不同電壓值點的發(fā)生概率，最終繪制概率密度曲線。隨著電池不斷老化，相應(yīng)的峰值電壓會發(fā)生變化，由此建立概率密度曲線的峰值電壓與SOH之間的對應(yīng)關(guān)系。比如FENG等[18]提出了一種基于PDF的SOH估計方法，該方法來源于概率理論，并通過分析電動汽車電池的充放電電壓曲線來估計SOH。

2.2 數(shù)據(jù)驅(qū)動法

數(shù)據(jù)驅(qū)動法建立的是一種粗糙模型，然后用大量數(shù)據(jù)對模型進(jìn)行細(xì)化，使模型與數(shù)據(jù)一致。相對于模型法，數(shù)據(jù)驅(qū)動法不需考慮鋰離子電池內(nèi)部的電化學(xué)反應(yīng)和失效機理，因此成為目前的研究熱點之一。數(shù)據(jù)驅(qū)動法主要分為基于人工智能的方法、基于濾波的方法、基于統(tǒng)計數(shù)據(jù)的方法以及基于時間序列的方法等。

2.2.1 基于人工智能的方法

基于人工智能的方法包括人工神經(jīng)網(wǎng)絡(luò)（artificial neural network, ANN）、支持向量機（support vector machine, SVM）、相關(guān)向量機（relevance vector machine, RVM）、模糊算法和集成學(xué)習(xí)算法等。

常見的ANN有反向傳播（back propagation, BP）神經(jīng)網(wǎng)絡(luò)、Elman神經(jīng)網(wǎng)絡(luò)、徑向基函數(shù)（radial basis function, RBF）神經(jīng)網(wǎng)絡(luò)等[19]。此外，還有ANN改進(jìn)方法，如史建平等[20]建立的基于自適應(yīng)神經(jīng)網(wǎng)絡(luò)（adaptive neural networks, AdNN）。SVM是一種有監(jiān)督機器學(xué)習(xí)方法，除了基本SVM方法[21]外，還有改進(jìn)SVM算法[22]和SVM融合算法[23]。在RVM方面，LI等[24]提出了一種基于平均熵和RVM的多步超前預(yù)測模型；陳乾輝等[25]提出了一種基于離散灰色模型（discrete grey model, DGM）和RVM的電池壽命預(yù)測方法。模糊邏輯主要用于解決具有模糊現(xiàn)象的復(fù)雜推理問題。SCHWEIGER等[26]采用模糊邏輯與最小二乘法相結(jié)合的方法，確定了電芯的容量和SOC。黃煒昭等[27]選取與電池容量衰減密切相關(guān)的6種特征參量，并建立了相應(yīng)的SOH綜合評估方法。集成學(xué)習(xí)法利用一系列學(xué)習(xí)機來學(xué)習(xí)，再整合學(xué)習(xí)結(jié)果，達(dá)到比單一學(xué)習(xí)機更好的學(xué)習(xí)效果。目前集成學(xué)習(xí)法有兩種，一種是AdaBoost算法[28]，另一種方法是將弱學(xué)習(xí)機與集成學(xué)習(xí)理論相結(jié)合[29]。

2.2.2 基于濾波的方法

基于濾波的方法包括KF、粒子濾波（particle filter, PF）和改進(jìn)算法等。

KF是一種線性算法，并不能完全適應(yīng)鋰電池這樣一個復(fù)雜的非線性系統(tǒng)。因此，基于KF的改進(jìn)算法更為常用，如EKF[30]、雙EKF（dual extended Kalman filter, DEKF）[31]和無跡卡爾曼濾波（unscented Kalman filtering, UKF）[32]。

PF是一種基于蒙特卡羅方法和貝葉斯估計的統(tǒng)計濾波方法，能有效地處理復(fù)雜的非線性系統(tǒng)，已成為現(xiàn)代濾波理論的一個發(fā)展方向。DONG等[33]研究了基于布朗運動（Brownian motion, BM）的退化模型和PF的在線短期SOH估計及長期RUL預(yù)測。ZHANG等[34]采用PF算法估計電池SOH，并選擇放電結(jié)束（end-of-discharge, EOD）作為預(yù)測參數(shù)。

2.2.3 基于統(tǒng)計數(shù)據(jù)的方法

基于統(tǒng)計數(shù)據(jù)的方法通常包括高斯過程回歸（Gaussian process regression, GPR）和維納過程（wiener process, WP）。

GPR適用于處理高維、小樣本、非線性等復(fù)雜的回歸問題。PENG等[35]提出了一種小波去噪（wavelet de-noising, WD）方法和混合高斯過程函數(shù)回歸（hybrid Gaussian process function regression, HGPFR）模型相融合的預(yù)測RUL及SOH的方法。WP是一個典型的隨機過程，屬于所謂的獨立增量過程。WP不僅可以描述器件性能的單調(diào)退化，而且還可以描述器件的非單調(diào)退化。對于隨機過程，可以遵循一定的統(tǒng)計規(guī)律，通過概率和統(tǒng)計來研究WP[36]。XU等[37]主要研究了弛豫效應(yīng)對降解規(guī)律的影響，并提出了一種基于WP的SOH估計方法。

2.2.4 基于時間序列的方法

基于時間序列的方法是基于過去的趨勢來預(yù)測未來的發(fā)展。最基本的方法有簡單序列均值法、加權(quán)序列均值法、移動平均法、加權(quán)移動平均法等。除此之外還有自回歸移動平均模型（autoregressive moving average model, ARMA）、遞歸神經(jīng)網(wǎng)絡(luò)（recurrent neural network, RNN）和長短期記憶（long-short term memory, LSTM）等方法。其中，RNN和LSTM雖然源于神經(jīng)網(wǎng)絡(luò)方法，但從基于時間序列的角度來說其具有良好的預(yù)測效果，因此將其歸屬于基于時間序列的方法。

ARMA由自回歸（autoregressive, AR）模型和移動平均（moving average, MA）模型組成。LONG等[38]使用AR模型跟蹤可用容量的衰減過程，并使用粒子群優(yōu)化（particle swarm optimization, PSO）算法確定模型順序，最終完成在線RUL及SOH估算。此外，還有改進(jìn)的ARMA算法，如自回歸積分移動平均（autoregressive integrated moving average, ARIMA）[39]。

在RNN方法方面，EDDAHECH等[40]利用EIS測量建立了電池模型，并對電芯模型參數(shù)進(jìn)行監(jiān)測，使用RNN預(yù)測的容量和等效串聯(lián)電阻（equivalent series resistance, ESR）值作為SOH的指標(biāo)。

LSTM是專門為解決一般RNN的長期依賴而設(shè)計的時間周期神經(jīng)網(wǎng)絡(luò)。與RNN相比，LSTM多出了輸入門、遺忘門和輸出門。QU等[41]通過LSTM建立了SOH的預(yù)測模型，并基于滑動窗口預(yù)測SOH。同時，為了充分利用最新數(shù)據(jù)來提高模型的精度，在監(jiān)測SOH時引入了增量學(xué)習(xí)機制，并由容量定義SOH。為了改善SOH和RUL預(yù)測，LI等[42]設(shè)計了一種LSTM神經(jīng)網(wǎng)絡(luò)變體，稱為活躍狀態(tài)跟蹤長短期記憶神經(jīng)網(wǎng)絡(luò)（active states tracking long-short-termmemory neural network, AST-LSTMNN）。

2.3 混合法

目前，混合方法一般分為不同類型方法的組合和相同類型方法的組合。此外，還有優(yōu)化算法和其他方法的組合。

在不同類型方法組合方面，WEI等[5]將粒子濾波和支持向量回歸相結(jié)合，估計鋰離子電池容量和阻抗，獲得了高精度的SOH診斷結(jié)果。ZENATI等[43]開發(fā)了一種基于EIS方法和模糊邏輯方法的混合方法。利用新老電芯之間的阻抗差異，首先以EIS測量數(shù)據(jù)，再將數(shù)據(jù)輸入到模糊邏輯系統(tǒng)（fuzzy logic system, FLS）中進(jìn)行SOH預(yù)測。ZHAO等[44]提出了一種基于經(jīng)驗退化模型和數(shù)據(jù)驅(qū)動方法的混合方法，以此減少預(yù)測誤差的積累，從而提高預(yù)測精度。

最常見的相同類型方法組合是數(shù)據(jù)驅(qū)動方法之間的混合。例如，CHEN等[45]提出了一種基于ARMA和Elman的融合模型來實現(xiàn)SOH預(yù)測。ZHENG等[46]采用RVM和UKF的混合方法預(yù)測短期容量，提高預(yù)測精度。WU等[47]提出了一種結(jié)合ANN和PF預(yù)測規(guī)則的混合方法用于預(yù)測SOH。

優(yōu)化算法和其他方法組合是通過優(yōu)化模型參數(shù)和閾值來獲得更好的性能。張任等[48]使用基于PSO的RBF神經(jīng)網(wǎng)絡(luò)算法預(yù)測SOH。李震等[49]為了準(zhǔn)確預(yù)測礦山可移動救援艙中電池的SOH，建立了用Elman神經(jīng)網(wǎng)絡(luò)預(yù)測磷酸鐵鋰電池SOH的模型，用遺傳算法（genetic algorithm, GA）優(yōu)化其原始權(quán)值和閾值，并利用淺放電測試數(shù)據(jù)計算SOH。

2.4 其他方法

其他方法主要包括基于SOC法、IC法和其他新方法。

2.4.1 基于SOC法

基于SOC的預(yù)測方法是指用安時積分法或OCV法計算一定時間內(nèi)的電池容量（或最大可用容量），然后通過一系列控制策略實現(xiàn)SOH的實時預(yù)測。劉軼鑫等[50]利用三元錳酸鋰復(fù)合材料為正極的鋰離子電池循環(huán)壽命實驗數(shù)據(jù)構(gòu)建SOH與SOC-OCV曲線特征參數(shù)之間的關(guān)系，并驗證所提出的SOH估計方法的精度。鄧濤等[51]提出基于安時積分法使用拓展卡爾曼濾波法估計SOC，以及基于容量法使用卡爾曼濾波估計SOH的方法。

2.4.2 IC法

IC法使用的是d/d~的曲線形式，而不是傳統(tǒng)的~曲線。通過對恒流充放電曲線進(jìn)行電流積分可以得到~曲線，求導(dǎo)可得d/d~曲線，即IC曲線。IC曲線通過電壓和電容的微分巧妙地放大了電壓的中期響應(yīng)，其特征與鋰離子電池老化的內(nèi)部反應(yīng)和機理密切相關(guān)，因此可用于SOH預(yù)測。比如，LI等[52]使用IC法提取曲線，然后對曲線進(jìn)行濾波，再使用GPR方法來預(yù)測SOH。

2.4.3 其他新方法

除了上述SOH預(yù)測方法外，還有一些比較新穎和巧妙的方法。比如，KIM[53]使用雙滑模觀測器來估計SOC。其中，慢時變觀測器根據(jù)電池容量的衰減和內(nèi)阻的變化來估計SOH，而快時變觀測器估計電池內(nèi)部的SOC、端電壓和極化效應(yīng)。SUN等[54]將Delphi方法與灰色關(guān)聯(lián)分析（grey relational analysis, GRA）相結(jié)合來預(yù)測SOH，考慮了影響SOH的6個主要因素，通過專家評分來確定這6個因素的權(quán)重，然后利用GRA對影響這些因素的參數(shù)進(jìn)行優(yōu)化。

3 預(yù)測方法的適應(yīng)性評價

如上所述，每種SOH預(yù)測方法的適用范圍、復(fù)雜性和實施方式都不相同。因此，有必要對SOH預(yù)測方法進(jìn)行評價，為實際應(yīng)用和研究提供參考。

3.1 基于模型法評價

電化學(xué)模型法的優(yōu)點是精確性高，同時可以了解電池內(nèi)部的微觀反應(yīng)及老化狀態(tài)。其缺點是相關(guān)參數(shù)的識別較困難，無法精準(zhǔn)描述電池內(nèi)部的衰減機理。電化學(xué)模型在應(yīng)用中要使用較為昂貴的測試設(shè)備進(jìn)行研究，因此不太適用于大規(guī)模的工業(yè)及商業(yè)應(yīng)用。

EMC模型法的優(yōu)點是模型結(jié)構(gòu)相對簡單，具有良好的動態(tài)響應(yīng)特性以及實時系統(tǒng)易于實現(xiàn)。其缺點是模型參數(shù)識別的誤差會不斷增加，另外預(yù)測精度受ECM結(jié)構(gòu)的影響很大。在適應(yīng)性方面，EMC模型法可以用于實際的SOH及SOC預(yù)測，但目前在商業(yè)領(lǐng)域應(yīng)用并不廣泛[55]。

數(shù)學(xué)模型法的優(yōu)點是建模難度低并且應(yīng)用范圍廣泛，缺點是數(shù)學(xué)模型法的物理意義不明確，且受環(huán)境影響較大。在應(yīng)用方面，如果不同條件下的數(shù)據(jù)收集完備，該模型可以用于工業(yè)及商業(yè)應(yīng)用。

3.2 數(shù)據(jù)驅(qū)動法評價

數(shù)據(jù)驅(qū)動法可以分兩個大類進(jìn)行評價。

第一類是基于特征輸入進(jìn)行預(yù)測，比如ANN、SVM、RVM以及集成學(xué)習(xí)等基于人工智能的方法。在預(yù)測的環(huán)節(jié)中，特征抽取是最關(guān)鍵也是最有挑戰(zhàn)的步驟[56]。由于現(xiàn)有BMS的計算能力有限，在運行過程中難以獲得豐富的外部特征。因此，這類數(shù)據(jù)驅(qū)動法在實際應(yīng)用時，應(yīng)采用SOH監(jiān)測的方式，盡量避免電池建模和數(shù)據(jù)預(yù)處理步驟，以減少計算工作量。

第二類是基于時間序列進(jìn)行預(yù)測，比如GPR、WR、AR、RNN以及LSTM等。其中，AR、RNN和LSTM是非概率方法，隨著預(yù)測時間的延長，電池老化越快，其預(yù)測精度越低。為了使預(yù)測更加準(zhǔn)確，可以添加一個自適應(yīng)校正趨勢因子。GPR及WR是概率方法，其發(fā)展還處于起步階段，在實際應(yīng)用中的魯棒性有待驗證?？梢酝ㄟ^在復(fù)雜的老化條件下訓(xùn)練模型來改進(jìn)概率水平。還可探索合適的結(jié)構(gòu)確認(rèn)和參數(shù)優(yōu)化策略，以提高其性能[57]。

總之，數(shù)據(jù)驅(qū)動法的優(yōu)點是不需要分析電池的老化機理以及使用簡單，精確度高。其缺點是需要大量的綜合數(shù)據(jù)來建立模型，以及模型的更新效率比較低。受限于當(dāng)前的硬件和數(shù)據(jù)存儲技術(shù)水平，目前數(shù)據(jù)驅(qū)動法的應(yīng)用并不廣泛。

3.3 其他新方法評價

基于SOC法的優(yōu)點是簡單易行并適用于在線SOH預(yù)測。缺點是隨著時間延長，測量誤差累計會導(dǎo)致預(yù)測準(zhǔn)確度降低，還有這種方法本身的波動較大。目前SOC法已經(jīng)在工業(yè)中得到了應(yīng)用。

IC法是一種強大的在線SOH預(yù)測方法，在BMS中僅通過監(jiān)測電壓和充放電容量兩個參數(shù)就可以實現(xiàn)。IC法的優(yōu)點是易于分析電池的內(nèi)部反應(yīng)機理，缺點是需要與其他方法相結(jié)合，同時對初始SOC的準(zhǔn)確性要求高。預(yù)計IC在未來SOH預(yù)測中將得到較好的應(yīng)用。

3.4 混合法評價

通過前面的分析可以看出，每種方法各有優(yōu)缺點。操作簡單的方法往往精度不高，而預(yù)測精度高的方法往往操作復(fù)雜。因此，混合方法是很好的折中方法。例如，環(huán)境因素會影響IC法的預(yù)測精度，而數(shù)據(jù)驅(qū)動方法可以將環(huán)境因素作為模型訓(xùn)練的輸入特性，并將這些因素與模型機制聯(lián)系起來。因此，IC法和數(shù)據(jù)驅(qū)動的方法相混合可以互補短長。再比如，將基于SOC的方法和數(shù)據(jù)驅(qū)動方法相混合，可以提高SOC預(yù)測精度。此外，基于模型的方法和基于數(shù)據(jù)的方法相混合，可以更好地確定模型參數(shù)。

混合法的優(yōu)點是預(yù)測精度較高，缺點是計算復(fù)雜且需要依賴試驗數(shù)據(jù)?；旌戏壳耙呀?jīng)實現(xiàn)了工業(yè)和商業(yè)應(yīng)用。

4 結(jié) 論

鋰離子電池內(nèi)部的各種反應(yīng)和老化機理較為復(fù)雜，每一種預(yù)測方法都有其可取之處，同時也存在一些不足。基于模型法準(zhǔn)確度較高，但模型參數(shù)收集存在一定困難且受環(huán)境影響較大；數(shù)據(jù)驅(qū)動法使用簡單，精確度高，但需要大量的綜合數(shù)據(jù)來建立模型，而且模型的更新效率低；混合法預(yù)測精度較高，但計算復(fù)雜且需要依賴試驗數(shù)據(jù)；其他方法中，應(yīng)用較為廣泛的方法是基于SOC和OCV的預(yù)測方法，這類方法簡單實用，但預(yù)測的準(zhǔn)確度會隨著時間的延長而降低且波動性較大?？傮w而言，IC法和數(shù)據(jù)驅(qū)動法相結(jié)合的混合法預(yù)測結(jié)果更加準(zhǔn)確，將會得到更廣泛的應(yīng)用。未來，隨著BMS、電氣電子及通信技術(shù)的發(fā)展，SOH預(yù)測技術(shù)將得到進(jìn)一步提升和發(fā)展。

[1] 羅偉林, 張立強, 呂超, 等. 鋰離子電池壽命預(yù)測國外研究現(xiàn)狀綜述[J]. 電源學(xué)報, 2013(1): 140-144. DOI: 10.13234/j.issn.2095-2805.2013.1.140.

[2] 米吉福, 范茂松, 汪浩, 等. 退役磷酸鐵鋰動力電池性能分析研究[J]. 電源技術(shù), 2019, 43(2): 217-220. DOI: 10.3969/j.issn.1002-087X.2019.02.012.

[3] THOMPSON A W. Economic implications of lithium ion battery degradation for Vehicle-to-Grid(V2X) services[J]. Journal of power sources, 2018, 396: 691-709. DOI:10.1016/j.jpowsour.2018.06.053.

[4] 張金龍, 佟微, 孫葉寧, 等. 鋰電池健康狀態(tài)估算方法綜述[J]. 電源學(xué)報, 2017, 15(2): 128-134. DOI: 10.13234/j.issn.2095-2805.2017.2.128.

[5] Wei J W, Dong G Z, Chen Z H. Remaining useful life prediction and state of health diagnosis for lithium-ion batteries using particle filter and support vector regression[J]. IEEE transactions on industrial electronics,2018, 65(7): 5634-5643. DOI: 10.1109/TIE.2017.2782224.

[6] Shen P, Ouyang M, Lu L G, et al. The Co-estimation of state of charge, state of health, and state of function for lithium-ion batteries in electric vehicles[J]. IEEE transactions on vehicular technology, 2018, 67(1): 92-103. DOI: 10.1109/TVT.2017.2751613.

[7] Barré A, Deguilhem B, Grolleau S, et al. A review on lithium-ion battery ageing mechanisms and estimations for automotive applications[J]. Journal of power sources, 2013, 241: 680-689. DOI: 10.1016/j.jpowsour.2013.05.040.

[8] Ungurean L, Carstoiu G, Micea M V, et al. Battery state of health estimation: a structured review of models, methods and commercial devices[J]. International journal of energy research, 2017, 41(2): 151-181. DOI: 10.1002/er.3598.

[9] Berecibar M, Gandiaga I, Villarreal I, et al. Critical review of state of health estimation methods of li-ion batteries for real applications[J]. Renewable and sustainable energy reviews, 2016, 56: 572-587. DOI: 10.1016/j.rser.2015.11.042.

[10] Dai H D, Zhao G C, Lin M Q, et al. A novel estimation method for the state of health of lithium-ion battery using prior knowledge-based neural network and Markov Chain[J]. IEEE transactions on industrial electronics,2019, 66(10): 7706-7716. DOI: 10.1109/TIE.2018.2880703.

[11] SAFARI M, DELACOURT C. Simulation-based analysis of aging phenomena in a commercial graphite/LiFePO4cell[J]. Journal of the electrochemical society, 2011, 158(12): A1436-A1447. DOI: 10.1149/2.103112jes.

[12] Li J, Adewuyi K, Lotfi N, et al. A single particle model with chemical/mechanical degradation physics for lithium ion battery State of Health (SOH) estimation[J]. Applied energy, 2018, 212: 1178-1190. DOI: 10.1016/j.apenergy.2018.01.011.

[13] Zhang Y C, Wang C Y. Cycle-life characterization of automotive lithium-ion batteries with LiNiO2cathode[J]. Journal of the electrochemical society, 2009, 156(7): A527-A535. DOI: 10.1149/1.3126385.

[14] Lai X, Gao W K, Zheng Y J, et al. A comparative study of global optimization methods for parameter identification of different equivalent circuit models for Li-ion batteries[J]. Electrochimica acta, 2019, 295: 1057-1066. DOI: 10.1016/j.electacta.2018.11.134.

[15] 李金東, 古月圓, 王路陽, 等. 退役鋰離子電池健康狀態(tài)評估方法綜述[J]. 儲能科學(xué)與技術(shù), 2019, 8(5): 807-812. DOI: 10.12028/j.issn.2095-4239.2019.0041.

[16] 史艷霞, 祖林祿. 鋰電池健康狀態(tài)估算平臺的搭建[J]. 電源技術(shù), 2015, 39(10): 2106-2107,2143. DOI: 10.3969/j.issn.1002-087X.2015.10.017.

[17] Su L S, Zhang J B, Wang C J, et al. Identifying main factors of capacity fading in lithium ion cells using orthogonal design of experiments[J]. Applied energy, 2016, 163: 201-210. DOI: 10.1016/j.apenergy.2015.11.014.

[18] Feng X N, Li J Q, Ouyang M G, et al. Using probability density function to evaluate the state of health of lithium-ion batteries[J]. Journal of power sources, 2013, 232: 209-218. DOI: 10.1016/j.jpowsour.2013.01.018.

[19] 王一宣, 李澤滔. 鋰離子電池剩余壽命研究綜述[J]. 新型工業(yè)化, 2019, 9(2): 94-97, 106. DOI: 10.19335/j.cnki.2095-6649.2019.02.019.

[20] 史建平, 李蓓, 劉明芳. 基于自適應(yīng)神經(jīng)網(wǎng)絡(luò)的電池壽命退化的預(yù)測[J]. 電源技術(shù), 2018, 42(10): 1488-1490. DOI: 10.3969/j.issn.1002-087X.2018.10.020.

[21] Nuhic A, Terzimehic T, Soczka-Guth T, et al. Health diagnosis and remaining useful life prognostics of lithium-ion batteries using data-driven methods[J]. Journal of power sources, 2013, 239: 680-688. DOI: 10.1016/j.jpowsour.2012.11.146.

[22] Pattipati B, Sankavaram C, Pattipati K. System identification and estimation framework for pivotal automotive battery management system characteristics[J]. IEEE transactions on systems, man, and cybernetics, part C (applications and reviews), 2011, 41(6): 869-884. DOI: 10.1109/TSMCC.2010.2089979.

[23] 井娥林, 孫正鳳, 溫宏愿. 基于貝葉斯最小二乘支持向量機的電池SOC預(yù)測[J]. 電源技術(shù), 2015, 39(12): 2616-2619, 2642. DOI: 10.3969/j.issn.1002-087X.2015.12.018.

[24] Li H, Pan D H, Chen C L P. Intelligent prognostics for battery health monitoring using the mean entropy and relevance vector machine[J]. IEEE transactions on systems, man, and cybernetics: systems, 2014, 44(7): 851-862. DOI: 10.1109/TSMC.2013.2296276.

[25] 陳乾輝, 吳德剛. DGM和RVM融合的電動汽車電池壽命預(yù)測研究[J]. 科技通報, 2018, 34(10): 121-124. DOI: 10.13774/j.cnki.kjtb.2018.10.021.

[26] Schweiger H G, Obeidi O, Komesker O, et al. Comparison of several methods for determining the internal resistance of lithium ion cells[J]. Sensors, 2010, 10(6): 5604-5625. DOI: 10.3390/s100605604.

[27] 黃煒昭, 徐曙, 陳荔, 等. 基于模糊邏輯的多特征參量綜合鋰電池SOH評估[J]. 南方能源建設(shè), 2019, 6(3): 98-104. DOI: 10.16516/j.gedi.issn2095-8676.2019.03.017.

[28] Li Y Y, Zhong S M, Zhong Q S, et al. Lithium-ion battery state of health monitoring based on ensemble learning[J]. IEEE access, 2019, 7: 8754-8762. DOI: 10.1109/ACCESS.2019.2891063.

[29] 陳建新, 候建明, 王鑫, 等. 基于局部信息融合及支持向量回歸集成的鋰電池健康狀態(tài)預(yù)測[J]. 南京理工大學(xué)學(xué)報(自然科學(xué)版), 2018, 42(1): 48-55. DOI: 10.14177/j.cnki.32-1397n.2018.42.01.007.

[30] Wang L M, Zhao X L, Liu L, et al. State of health estimation of battery modules via differential voltage analysiswith local data symmetry method[J]. Electrochimica acta, 2017, 256: 81-89. DOI: 10.1016/j.electacta.2017.10.025.

[31] Kim J, Lee S, Cho B. Complementary cooperation algorithm based on DEKF combined with pattern recognition for SOC/capacity estimation and SOH prediction[J]. IEEE transactions on power electronics, 2012, 27(1): 436-451. DOI: 10.1109/TPEL.2011.2158554.

[32] FangL L, Li J Q, Peng B. Online estimation and error analysis of both SOC and SOH of lithium-ion battery based on DEKF method[J]. Energy procedia, 2019, 158: 3008-3013. DOI: 10.1016/j.egypro.2019.01.974.

[33] Dong G Z, Chen Z H, Wei J W, et al. Battery health prognosis using Brownian motion modeling and particle filtering[J]. IEEE transactions on industrial electronics, 2018, 65(11): 8646-8655. DOI: 10.1109/TIE.2018.2813964.

[34] Zhang Y H, Song W J, Lin S L, et al. Multiparameters model of the initial SOC considering the relaxation effect[J]. ACS sustainable chemistry & engineering, 2014, 2(4): 599-605. DOI: 10.1021/sc400430e.

[35] Peng Y, Hou Y D, Song Y C, et al. Lithium-ion battery prognostics with hybrid Gaussian process function regression[J]. Energies, 2018, 11(6): 1420. DOI: 10.3390/en11061420.

[36] Liu T Y, Sun Q, Feng J, et al. Residual life estimation under time-varying conditions based on a wiener process[J]. Journal of statistical computation and simulation, 2017, 87(2): 211-226. DOI: 10.1080/00949655.2016.1202953.

[37] Xu X D, Yu C Q, Tang S J, et al. State-of-health estimation for lithium-ion batteries based on wiener process with modeling the relaxation effect[J]. IEEE access, 2019, 7: 105186-105201. DOI: 10.1109/ACCESS.2019.2923095.

[38] Long B, Xian W M, Jiang L, et al. An improved autoregressive model by particle swarm optimization for prognostics of lithium-ion batteries[J]. Microelectronics reliability, 2013, 53(6): 821-831. DOI: 10.1016/j.microrel.2013.01.006.

[39] Zhou Y P, Huang M H. Lithium-ion batteries remaining useful life prediction based on a mixture of empirical mode decomposition and ARIMA model[J]. Microelectronics reliability, 2016, 65: 265-273. DOI: 10.1016/j.microrel.2016.07.151.

[40] Eddahech A, Briat O, Bertrand N, et al. Behavior and state-of-health monitoring of li-ion batteries using impedance spectroscopy and recurrent neural networks[J]. International journal of electrical power & energy systems, 2012, 42(1): 487-494. DOI: 10.1016/j.ijepes.2012.04.050.

[41] Qu J T, Liu F, Ma Y X, et al. A neural-network-based method for RUL prediction and SOH monitoring of lithium-ion battery[J]. IEEE access, 2019, 7: 87178-87191. DOI: 10.1109/ACCESS.2019.2925468.

[42] Li P H, Zhang Z J, Xiong Q Y, et al. State-of-health estimation and remaining useful life prediction for the lithium-ion battery based on a variant long short term memory neural network[J]. Journal of power sources, 2020,459: 228069. DOI: 10.1016/j.jpowsour.2020.228069.

[43] ZENATI A, DESPREZ P, RAZIK H. Estimation of the SOC and the SOH of li-ion batteries, by combining impedance measurements with the fuzzy logic inference[C]//IEEE IECON 2010-36th Annual Conference of IEEE Industrial Electronics. Glendale, AZ, USA, 2010: 1773-1778. DOI: 10.1109/iecon.2010.5675408.

[44] Zhao L, Wang Y P, Cheng J H. A hybrid method for remaining useful life Estimation of lithium-ion battery with regeneration phenomena[J]. Applied sciences, 2019, 9(9): 1890. DOI: 10.3390/app9091890.

[45] Chen Z, Xue Q, Xiao R X, et al. State of health estimation for lithium-ion batteries based on fusion of autoregressive moving average model and Elman neural network[J]. IEEE access, 2019, 7: 102662-102678. DOI: 10.1109/ACCESS.2019.2930680.

[46] Zheng X J, Fang H J. An integrated unscented kalman filter and relevance vector regression approach for lithium-ion battery remaining useful life and short-term capacity prediction[J]. Reliability engineering & system safety, 2015, 144: 74-82. DOI: 10.1016/j.ress.2015.07.013.

[47] Wu Y, Li W, WANG Y R, et al. Remaining useful life prediction of lithium-ion batteries using neural network and bat-based particle filter[J]. IEEE access, 2019, 7: 54843-54854. DOI: 10.1109/ACCESS.2019.2913163.

[48] 張任, 胥芳, 陳教料, 等. 基于PSO-RBF神經(jīng)網(wǎng)絡(luò)的鋰離子電池健康狀態(tài)預(yù)測[J]. 中國機械工程, 2016, 27(21): 2975-2981. DOI: 10.3969/j.issn.1004-132X.2016.21.023.

[49] 李震, 史麗萍, 戴廣劍. 礦井移動救生艙中蓄電池健康度預(yù)測模型[J]. 煤礦安全, 2012, 43(8): 113-115. DOI: 10.13347/j.cnki.mkaq.2012.08.004.

[50] 劉軼鑫, 張頔, 李雪, 等. 基于SOC-OCV曲線特征的SOH估計方法研究[J]. 汽車工程, 2019, 41(10): 1153-1168. DOI: 10.19562/j.chinasae.qcgc.2019.010.008.

[51] 鄧濤, 羅衛(wèi)興, 李志飛, 等. 雙卡爾曼濾波法估計電動汽車電池健康狀態(tài)[J]. 電池, 2018, 48(2): 95-99. DOI: 10.19535/j.1001-1579.2018.02.007.

[52] Li X Y, Wang Z P, Yan J Y. Prognostic health condition for lithium battery using the partial incremental capacity and Gaussian process regression[J]. Journal of power sources, 2019, 421: 56-67. DOI: 10.1016/j.jpowsour.2019.03.008.

[53] Kim I S. A technique for estimating the state of health of lithium batteries through a dual-sliding-mode observer[J]. IEEE transactions on power electronics, 2010, 25(4): 1013-1022. DOI: 10.1109/TPEL.2009.2034966.

[54] Sun B X, Jiang J C, Zheng F D, et al. Practical state of health estimation of power batteries based on Delphi method and grey relational grade analysis[J]. Journal of power sources, 2015, 282: 146-157. DOI: 10.1016/j.jpowsour.2015.01.106.

[55] Krewer U, R?der F, Harinath E, et al. Review-dynamic models of li-Ion batteries for diagnosis and operation: a review and perspective[J]. Journal of the electrochemical society, 2018, 165(16): A3656-A3673. DOI: 10.1149/2.1061814jes.

[56] 陳翌, 白云飛, 何瑛. 數(shù)據(jù)驅(qū)動的鋰電池健康狀態(tài)估算方法比較[J]. 儲能科學(xué)與技術(shù), 2019, 8(6): 1204-1210. DOI: 10.12028/j.issn.2095-4239.2019.0103.

[57] Li Y, Liu K L, Foley A M, et al. Data-driven health estimation and lifetime prediction of lithium-ion batteries: a review[J]. Renewable and sustainable energy reviews, 2019, 113: 109254. DOI: 10.1016/j.rser.2019.109254.

State-of-Health Prediction of Lithium-Ion Batteries

WU Zhan-yu1,2, JIANG Qing-hai1,2, ZHU Ming-hai1, CHENG Chen1, WANG Da-lin1, SHI Xiao-yu1

(1. Huafu (Jiangsu) Lithium Battery High Technology Co., Ltd., Yangzhou 225600, Jiangsu, China; 2. Huafu High Technology Energy Storage Co., Ltd., Yangzhou 225600, Jiangsu, China)

The main methods for predicting the state-of-health (SOH) of Li-ion batteries were classified, including model-based method, data-driven method, hybrid method and other methods. The characteristics of each method and its advantages and disadvantages in application were analyzed. At the same time, the adaptability of different methods was evaluated and their future development directions were discussed.

lithium-ion batteries; state of health; prediction methods

2095-560X（2020）06-0486-07

TK0；M912.9

A

10.3969/j.issn.2095-560X.2020.06.006

吳戰(zhàn)宇（1983-），男，博士，高級工程師，主要從事化學(xué)電源及新能源研究。

2020-09-29

2020-10-23

江蘇省科技計劃項目（BE2020774）

吳戰(zhàn)宇，E-mail：27316838@qq.com