電池全生命周期狀態(tài)估算技術(shù)綜述

摘要：電池管理技術(shù)對電池性能的發(fā)揮起到重要作用，其中電池全生命周期狀態(tài)估算（以荷電狀態(tài)和健康度狀態(tài)為主）是電池管理技術(shù)的一個重要方向。目前，電池荷電狀態(tài)和健康度狀態(tài)估算技術(shù)主要分為基于數(shù)據(jù)驅(qū)動和基于模型驅(qū)動的方法，在對兩類方法歸納總結(jié)和對比后，以實際工況運用為目標，對現(xiàn)有技術(shù)和常用方法的局限性進行分析。最后，展望電池全生命周期狀態(tài)估算方法的研究發(fā)展和挑戰(zhàn)，以期為各相關(guān)領(lǐng)域的電池管理技術(shù)提供設計參考。

關(guān)鍵詞：電池管理技術(shù);荷電狀態(tài);健康度;狀態(tài)估算;數(shù)據(jù)驅(qū)動;模型驅(qū)動

電池儲能系統(tǒng)是一種復雜的非線性動態(tài)系統(tǒng)，具有對環(huán)境敏感、故障突發(fā)、性能衰減等特性[1]。在電池制造技術(shù)現(xiàn)有水平之上，電池管理技術(shù)對電池性能的發(fā)揮起到重要作用，其中電池全生命周期狀態(tài)估算（以荷電狀態(tài)和健康度狀態(tài)為主）是電池管理技術(shù)的一個重要方向。

電池荷電狀態(tài)（SOC）是電池管理系統(tǒng)中的重要指標，其他管理策略都是以SOC為基礎展開。作為電池運行狀態(tài)的核心，高精度和高魯棒性的SOC估算方法可提高電池使用效率，延長其使用壽命，保證電池儲能系統(tǒng)的安全性[2]。

電池健康度狀態(tài)（SOH）機理復雜，受環(huán)境溫度、充放電電流強度、內(nèi)阻劣化等因素影響。通過實際運行測試證明，僅僅依靠電池管理系統(tǒng)采集的充放電數(shù)據(jù)很難準確估算SOH。電池的健康度狀態(tài)是一個受多方面因素影響的時變參數(shù)，該狀態(tài)對電池的使用和維護具有重要的價值。

1?電池荷電狀態(tài)估算技術(shù)分析

電池荷電狀態(tài)SOC定義為在一定的充放電倍率下，電池剩余電量與相同條件下額定容量的比值，該值無法通過電池管理系統(tǒng)直接采集獲得，只能通過構(gòu)建其它參數(shù)與SOC的關(guān)聯(lián)并通過數(shù)學方法得出。目前SOC估算算法主要有：基于定義/特性的方法、基于數(shù)據(jù)驅(qū)動的方法和基于電池模型的方法。

1.1?基于定義/特性的方法

這類方法主要指安時積分法和開路電壓法。安時積分法利用電池充放電過程中，通過對時間和電流積分（有時還會加上某些補償系數(shù)），計算充入或放出的電量，將此電量除以額定容量，再與電池初始的SOC做相應的加減運算，如式（1）所示。這是一種簡單、可靠的SOC估計方法，也是目前電池管理系統(tǒng)較多采用的方法，但是由于不準確的SOC初始值以及噪聲、溫度、電流劇烈波動等因素擾動，將造成誤差不斷累積。

開路電壓法通過實驗驗證了開路電壓與SOC有一定的函數(shù)關(guān)系，通過該函數(shù)關(guān)系來估算SOC，由于開路電壓的獲取需要長時間將電池靜置，在實際應用中局限性較大，該方法常用于輔助其它方法計算SOC的初值。

1.2?基于數(shù)據(jù)驅(qū)動的方法

基于數(shù)據(jù)驅(qū)動的方法主要是指機器學習算法。該類方法以數(shù)據(jù)為基礎，通過對數(shù)據(jù)的學習、訓練、分析建立電池模型去模擬電池的特性。通常用電壓、電流、溫度等可測量作為訓練輸入，SOC?作為輸出，運用各類神經(jīng)網(wǎng)絡模型進行大量訓練，獲得精確的SOC估算結(jié)果。該方法不再依賴電池模型結(jié)構(gòu)及電池參數(shù)，容易實現(xiàn)，但需要大量運行于各種工況下的數(shù)據(jù)進行訓練，所建模型誤差與訓練數(shù)據(jù)密切相關(guān)，網(wǎng)絡參數(shù)較多，計算量較大，在實際應用中存在一定的局限性。

1.3?基于電池模型的方法

該類方法需要建立電池的等效模型，基于模型通過擴展卡爾曼濾波法、觀測器法、粒子濾波法等濾波器算法估算。

常用的電池模型包括等效電路模型和電化學模型，目前等效電路模型已經(jīng)得到廣泛應用。典型的電池等效電路模型有線性模型、戴維南模型、PNGV模型和多階RC模型等[3]。圖1[4]為二階RC模型示例，其中Uocv為電壓源，即開路電壓，R0表示電池的歐姆內(nèi)阻，兩個RC環(huán)節(jié)疊加模擬電池極化過程。

采用高精度的等效電路模型雖然可以獲得更高精度SOC估計值，但隨著精度的增加，模型的復雜度也隨之增加，繼而增加了狀態(tài)空間方程的推導難度及方程自身的復雜度，使得在實際應用中對SOC估計值的計算難度大幅增加[5]。文獻[6]通過測試對比了11種等效電路模型，得出一階和二階RC電路模型是相對最好的等效電路模型。

電池等效模型建立后，首先需要進行OCV-SOC（開路電壓-荷電狀態(tài)）標定實驗，通過在特定環(huán)境下利用混合脈沖實驗，將電池充/放電到相同間隔的不同SOC點上，靜置后記錄電池的端電壓（此時即開路電壓）。在處理離散的開路電壓和SOC數(shù)據(jù)時，采用插值或擬合的方法，可以得到準確的函數(shù)表達式。OCV與SOC的曲線是估計SOC值的依據(jù)之一，其準確性直接影響SOC值的準確性[7]。

得到OCV-SOC的函數(shù)關(guān)系后，利用該關(guān)系和一些數(shù)學方法（如帶遺忘因子的遞推最小二乘法）對電池模型參數(shù)進行實時辨識，最后利用各類濾波器算法設計SOC預測和更新器。

擴展卡爾曼濾波方法是一種常用估計SOC的方法，該方法是通過調(diào)節(jié)模型參數(shù)獲得最優(yōu)估計，對SOC初始值誤差的敏感度低。然而，估算過程中需要計算雅可比矩陣，增加了計算量，同時該方法的精度對模型精度要求較高[8]。在擴展卡爾曼濾波基礎上衍生出了無跡卡爾曼濾波算法，在處理誤差協(xié)方差上具有更好的精度。觀測器方法雖然能提高SOC估計精度及魯棒性，但是該方法的性能容易被系統(tǒng)噪聲破壞。粒子濾波算法通過貝葉斯濾波準則對隨機粒子進行加權(quán)遞歸從而實現(xiàn)以樣本均值代替積分運算，獲得狀態(tài)的最小方差估計，具有較高精度，但該方法存在粒子退化、貧化問題[9]。

2?電池健康度估算技術(shù)分析

電池的SOH描述的是電池相對于全新狀態(tài)的老化程度，為電池使用一段時間后的最大可用容量與其所對應的標稱容量的比值。分別從容量和內(nèi)阻的角度定義?SOH?為

其中Cnow?為電池當前可用容量，Cnew?為標稱容量;Rr?為電池當前實時內(nèi)阻，RBOL?為電池壽命終止時內(nèi)阻，Rnew?為新電池內(nèi)阻。

SOH無法通過直接測量獲得，目前的研究多是根據(jù)電壓、電流、溫度等可測量進行估算，通過對國內(nèi)外研究現(xiàn)狀進行分析，常見的電池?SOH?估算可分為兩類：基于模型驅(qū)動和數(shù)據(jù)驅(qū)動的算法。

模型驅(qū)動的算法以電池特性原理為切入點，對電池建立等效電路模型，仿真電池的充放電過程或衰減趨勢，并通過數(shù)學方法對包括電池容量、內(nèi)阻特性指標的模型參數(shù)進行辨識，建立特征參數(shù)與SOH之間的數(shù)學關(guān)系，通過統(tǒng)計濾波算法（卡爾曼濾波及其擴展方法、粒子濾波及其擴展方法等）實現(xiàn)SOH的最優(yōu)估計。該類方法精度高度依賴于模型，計算量大，且需要根據(jù)不同型號和不同狀態(tài)的電池實時修正模型。

基于數(shù)據(jù)驅(qū)動的估算方法根據(jù)電池各種老化測試中所獲取的數(shù)據(jù)，通過機器學習方法或深度學習建立估算輸入和SOH之間的非線性映射關(guān)系，從而實現(xiàn)SOH估算，主要包括支持向量機、模糊邏輯、高斯過程回歸、神經(jīng)網(wǎng)絡等方法，是實用性較強的SOH估算方法。該類方法精度較高，泛化能力強，并已得到廣泛應用。但運算量較大，精度依賴于模型訓練數(shù)據(jù)的有效性，且訓練數(shù)據(jù)需要包含各種運行工況，測試工作量巨大。

3?部分改進方法分析

通過前兩節(jié)的分析發(fā)現(xiàn)，無論是電池荷電狀態(tài)估算還是健康度估算，常用的都是兩類方法：基于數(shù)據(jù)驅(qū)動的方法和基于模型的方法。

基于數(shù)據(jù)驅(qū)動的方法，文獻[11]提出一種基于深度學習的鋰離子電池SOC和SOH聯(lián)合估算方法，基于門控循環(huán)神經(jīng)網(wǎng)絡和卷積神經(jīng)網(wǎng)絡，利用電池電壓、電流、溫度，實現(xiàn)電池全生命周期內(nèi)的SOC和SOH聯(lián)合估算。楊學平等人[12]建立了基于BP神經(jīng)網(wǎng)絡的鋰離子動力電池荷電狀態(tài)預測估計模型，以某動力電池充放電實驗為依據(jù)，將采集的數(shù)據(jù)引入神經(jīng)網(wǎng)絡模型中進行學習訓練，為鋰離子動力電池的荷電估算提供了科學預測估計算法依據(jù)。吳鐵洲等人[13]采用螢火蟲算法（FA）優(yōu)化BP神經(jīng)網(wǎng)絡對鋰離子電池進行健康狀態(tài)（SOH）估算，利用FA算法全局尋優(yōu)的能力和收斂速度快的特點，優(yōu)化BP神經(jīng)網(wǎng)絡的權(quán)值和閾值，解決BP神經(jīng)網(wǎng)絡容易陷入局部最小值和收斂速度慢的問題。而這類方法的研究，基本都是基于各類神經(jīng)網(wǎng)絡及一些輔助優(yōu)化方法，并通過Matlab仿真或?qū)腴_源實驗數(shù)據(jù)集，如牛津大學電池老化開源數(shù)據(jù)，少數(shù)會通過特定型號電池在特定環(huán)境下的運行數(shù)據(jù)制作測試和驗證數(shù)據(jù)集，距離能夠?qū)嶋H運用尚有一段距離，電池實際工況中外部、內(nèi)部環(huán)境多變、電池老化等因素制約著訓練模型的通用性。

基于電池模型的方法，文獻[15]針對單一的等效電路模型難以準確描述全時段電池狀態(tài)，?估計電池荷電狀態(tài)（SOC）準確度低的問題，提出采用多模模型的電池荷電狀態(tài)聯(lián)合估計算法，?利用貝葉斯定階準則綜合模型的準確度和實用性來確定RC具體階數(shù)。來鑫等人[16]針對傳統(tǒng)混合脈沖測試法在非測試點不能描述電池非線性特性和小電流恒流放電法得到的OCV曲線精度不足等問題，提出一種基于粒子群優(yōu)化算法的OCV曲線優(yōu)化方法。談發(fā)明等人[17]考慮到電池滯回效應的影響，提出簡化的滯回開路電壓模型，修正開路電壓與荷電狀態(tài)之間的關(guān)系，以提升電池等效電路模型的精度，針對測量噪聲異常擾動、模型發(fā)生變化及荷電狀態(tài)初值存在偏差的情況，利用分階段變換測量協(xié)方差及構(gòu)建自適應因子方法對無跡卡爾曼濾波算法改進，以平衡荷電狀態(tài)的估計精度和收斂速度。這類方法依然存在著局限性：1.該類方法多數(shù)以OCV-SOC的擬合關(guān)系作為后續(xù)估算的基礎，而目前擬合實驗基本都是在特定實驗環(huán)境下進行，很少考慮環(huán)境、溫度、電池不同老化程度的影響，而不同型號、不同批次甚至即使相同批次的電池，其OCV-SOC的擬合關(guān)系都會有差異。2.各類濾波算法精度高度依賴模型精度，電池模型能否適用于電池的全生命周期仍待驗證。

結(jié)語

電池全生命周期狀態(tài)估算對于電池管理具有重要意義，本文對現(xiàn)有電池荷電狀態(tài)和健康度估算技術(shù)進行了總結(jié)分析，針對實際工況的運用提出以下建議以進一步研究。

（1）采用數(shù)據(jù)驅(qū)動方法進行預測目前多停留在實驗環(huán)境和開源測試數(shù)據(jù)集，即使將該方法運用于實際工況，根據(jù)電池管理系統(tǒng)（BMS）采集和計算的歷史數(shù)據(jù)構(gòu)成訓練集訓練模型，將最新實時采集數(shù)據(jù)代入模型得到輸出，其結(jié)果也只是和BMS計算的結(jié)果相近，而目前BMS由于多種因素制約導致計算的SOC并不精確。將神經(jīng)網(wǎng)絡方法真正應用于實際工況，電池廠商和BMS廠商仍需要針對不同電池不同環(huán)境下做大量測試工作，且該方法計算量大，對BMS的計算能力是一項挑戰(zhàn)。

（2）采用模型驅(qū)動方法進行預測仍需要對算法在不同環(huán)境、不同實際工況的有效性、精確性進行測試、驗證和修正。

（3）目前針對電池狀態(tài)估算研究多集中于單體電池，電池成組、成簇、成堆后，由于電池單體不一致性，整體特性和單體存在差異，應針對該方面進行驗證。

（4）能量管理系統(tǒng)EMS廠商可憑借其存儲大量歷史數(shù)據(jù)的優(yōu)勢，開發(fā)輔助算法，結(jié)合BMS進一步提高預測精度。

參考文獻

魏婧雯.儲能鋰電池系統(tǒng)狀態(tài)估計與熱故障診斷研究[D].合肥：中國科學技術(shù)大學，2019.

周娟，孫嘯，劉凱，等.聯(lián)合擴展卡爾曼濾波的滑膜觀測器SOC估算算法研究[J].中國電機工程學報，2021，41（2）：692-702.

郭向偉.電動汽車電池荷電狀態(tài)估計及均衡技術(shù)研究[D].廣州：華南理工大學，2016.

鄒琳，劉佳俊，馬國慶，等.基于雙無跡卡爾曼濾波的鋰電池SOC估算[J].電源技術(shù)，2021，45（4）：450-454.

王曉蘭，靳皓晴，劉祥遠.基于融合模型的鋰離子電池荷電狀態(tài)在線估計[J].工程科學學報，2020，42（9）：1200-1208.

LAI?X，ZHENG?YJ，SUN?T.A?comparative?study?of?different?equivalent?circuit?models?for?estimating?state-of-charge?of?lithium-ion?batteries[J].?Electrochimica?Acta，2018，259：566-577.

李偉，劉偉嵬，鄧業(yè)林.基于擴展卡爾曼濾波的鋰離子電池荷電狀態(tài)估計[J].中國機械工程，2020，31（3）：321-327.

ZHANG?Yongzhi，XIONG?Rui，HE?Hongwen，et?al.Lithium-Ion?battery?pack?state?of?charge?and?state?of?nergy?estimation?algorithms?using?a?hardware-in-the-loop?validation[J].IEEE?Transactions?on?Power?Electronics，2017，32（6）：4421-4431.

李天成，范紅旗，孫樹棟.粒子濾波理論、方法及其在多目標跟蹤中的應用[J].自動化學報，2015，41（12）：1981-2002.

李超然，肖飛，樊亞翔，等.基于卷積神經(jīng)網(wǎng)絡的鋰離子電池SOH估算[J].電工技術(shù)學報，2020，35（19）：4106-4119.

李超然，肖飛，樊亞翔，等.基于深度學習的鋰離子電池SOC和SOH聯(lián)合估算[J].中國電機工程學報，2021，41（2）：681-691.

楊學平，王正江，蔣超宇，等.基于BP神經(jīng)網(wǎng)絡法研究鋰電池核電狀態(tài)[J].材料導報，2019，33：53-55.

吳鐵洲，劉思哲，張曉星，等.基于FA-BP神經(jīng)網(wǎng)絡的鋰離子電池SOH估算[J].電池，2021，51（1）：21-25.

楊學平，王正江，蔣超宇，等.基于BP神經(jīng)網(wǎng)絡法研究鋰電池核電狀態(tài)[J].材料導報，2019，33：53-55.

李凌峰，宮明輝，烏江.采用多模模型的鋰離子電池荷電狀態(tài)聯(lián)合估計算法[J].西安交通大學學報，2021，55（1）：78-85.

來鑫，李云飛，鄭岳久.基于SOC-OCV優(yōu)化曲線與EKF的鋰離子電池荷電狀態(tài)全局估計[J].汽車工程，2021，43（1）：19-26.

談發(fā)明，趙俊杰，李秋燁.基于簡化滯回OCV模型的鋰電池SOC自適應估計策略[J].中國電機工程學報，2021，41（2）：703-714.

作者簡介：蘇磊（1987—??），男，漢族，安徽人，碩士，工程師，研究方向：電力數(shù)據(jù)分析。