姚芳;田家益;黄凯
【摘 要】The accurate estimation of battery state of health (SOH) is the important part of the battery management system.Because the lithium battery SOH calculation is influenced by comprehensive factors,thus SOH computing research becomes the focus of research.Through the review of SOH calculation method,the principles of various methods were analyzed and compared,and the corresponding advantages and disadvantages were put forward.%电池健康状态(SOH)的准确估计是电池管理系统中重要部分.由于锂电池SOH计算受综合因素影响,因此对SOH计算研究成为研究的焦点.通过对SOH计算方法的综述,分析比较了多种方法的原理,并提出其相应的优缺点.
【期刊名称】《电源技术》
【年(卷),期】2018(042)001
【总页数】4页(P135-138)
【关键词】锂电池;健康状态;健康管理
【作 者】姚芳;田家益;黄凯
【作者单位】河北工业大学省部共建电工装备可靠性与智能化国家重点实验室,天津300130;河北工业大学省部共建电工装备可靠性与智能化国家重点实验室,天津300130;河北工业大学省部共建电工装备可靠性与智能化国家重点实验室,天津300130
【正文语种】中 文
【中图分类】TM912.9
电池健康状态（SOH）表征了电池的寿命，直接对电动汽车安全和经济产生影响。准确估计锂离子电池组的健康状况具有重要意义：电池SOH的准确估算可以使电池荷电状态计算精度提升，对电动车行驶里程预测和控制提升有重要意义；电池的SOH可以为动力电池组均衡技术研发提供基础数据。锂电池SOH能够反映其电压、内阻、容量等，因此SOH精确估算可为电池间的均衡控制策略的制定提供依据；根据电池的SOH预测电池剩余使用状况，用户或者电池厂家能够及时得到更换电池的通知。 由于锂电池自身老化过程是复杂的化学变化，电池SOH的预测还会受到外界环境的影响，因此国内外的许多学者对锂电池SOH进行了广泛研究，但是仍没有文献对其进行综合分析。目前，锂电池SOH计算主要有基于工况、尔曼滤波、支持向量机、高斯回归等方法。这些方法各有优缺点及使用范围。本文对近年来国内外锂电池SOH计算方法进行综述，并讨论各种方法的优缺点。 1 SOH定义
一般情况下健康状况指测量容量和额定容量之比。测量容量定义指在标准放电条件下全充满电池的放电容量，反应了一种电池寿命状况。由于纯电动汽车基本是全充全放状态，因此可以用此定义表述。而混合电动车使用的是中间荷电，因此电池应用过程中无法测量容量。在电源系统输入输出功率变化过程中，功率能力不能正常检测，所以通过直流内阻反映系统功率能力特点。按照IEEE1188-1996标准，电池使用一段时期后，全部容量不足原容量的80%后，电池必须进行替换。
根据以上理论总结，目前电池组SOH定义主要有以下三种数学表达方式。
（1）由电池剩余电量定义：
式中：Qnow是当前条件下，电池能够发出的最大容量；Qnew是电池未使用时的额定容量。
（2）由于内阻的增大使电池健康状态降低，因此从电池内阻表述定义：
式中：REOL是电池结束寿命时的电池内阻；RNEW是新电池的内阻；R是现在状态下的电池内阻。此定义关键在于内阻准确值，但却忽略了电池健康状态和额定容量关系。
（3）从电池启动功率角度定义：
式中：CCAocmp是电池实时启动功率；CCAnew是100%健康状态预测出的电池启动功率；CCAmin是电动车最小启动功率。
2 SOH计算方法研究现状
2.1 基于工况特性研究方法
文献[1]基于电动汽车日常行驶工况统计特性提出一种改进的Ah积分法计算蓄电池组SOH。图1是基于工况特性的SOH计算方法。
蓄电池组一个放电周期内，若采样间隔时间足够短，其约等于工况电流平均值。当前状态蓄电池组已消耗的工况容量可以表示为：
式中：Qc是蓄电池组的工况容量，Ah；Ic是工况等效折算电流；Tc为蓄电池组放电周期；i为蓄电池组放电电流。
图1 基于工况特性的SOH计算方法
蓄电池组电流的平均值可以反映整个放电周期内的放电强度，而标准差σ可以反映整个放电周期放电率的波动情况。电动汽车蓄电池组SOH计算过程中，采用PE方程对工况等效折算电流进行容量修正计算：
式中：Qd是锂离子电池组当前工况最大放电容量；β是PE方程的常量，β=p－1，p是Peukert系数；λ为蓄电池组放电率动态容量修正系数。
根据文献[2-3]，SOH定义是相同放电条件下，锂电池当前最大容量和起始健康状态最大容量的比值kSOH。因此，将式（1）～式（2）带入下式可以计算电池组健康状态。
式中：Qτ（τ，ia，kSOH）是锂电池组当前健康状态和温度 τ状态下，以负载电流ia从满电放电到终止电压所能释放最大容量。
基于工况方法无需蓄电池内部机理模型，可适用于任何类型的蓄电池系统。但对于城市工况，工况电流平均值无法全面体现工况特性，蓄电池组的瞬时大电流输出时间及输出值会直接影响其实际输出工况容量。因此，需要对锂电池实际容量的修正。通过定义标准差比例系数，将当前工况和前一周期波动差异作为输入，蓄电池动态容量修正系数作为输出，对容量进行动态修正，波动越大，则修正量越大。
2.2 基于无迹卡尔曼滤波的SOH计算方法
文献[4]在建立内阻模型基础上，构建状态空间方程，采用无迹卡尔曼滤波估算锂电池荷电状态的同时调整内阻，使精度提高，最后使用估算内阻预测锂电池的SOH。
内阻模型由电池开路电压和串联内阻构成，内阻是温度、SOC和循环寿命的函数。内阻模型端电压表示为：
式中：VOCV是开路电压，是SOC的函数，它与SOC关系可通过实验获得。
等效电路模型如图2所示。
图2 等效电路模型
根据文献[5]，SOH可以定义电池寿命终止（EOL）为在相同条件下电池最大容量减少其初始最大容量的60%，充放电时，最大电流Imax定义如下：
式中：Vmin和Vmax分别是允许的极限电压；R是电池内阻。可以得出，电阻R是影响最大电流的直接因素。因此EOL定义成内阻上升到初始内阻的160%。
由SOH定义式（2）得出，可在基于无迹卡尔曼滤波估算SOC的同时更新内阻R，得出最后电池的SOH。
该方法能够使电路模型在无迹卡尔曼滤波方法下弥补不精确误差，并能模拟电池的外特性，有较高的实用价值。不足在于当初值误差较大时算法收敛速度很慢。因此可以采用修正误差的算法改进增益系数。通过增益和内阻之间的关系，调整内阻改变增益系数。初始阶段选取内阻值快速靠近真值，之后改变内阻使结果稳定收敛在真值附近。
2.3 基于GA-Elman神经网络SOH计算方法
文献[6]提出GA-Elman神经网络进行建模并使用遗传算法对其进行优化，建立一个能够准确在线预测电池健康状态的模型。通过大量数据采集测试和仿真实验，证明优化后的模型确实可以提高预测的整体精度，减小预测的总误差。
GA-Elman使用遗传算法对神经网络结构、初始权值、阈值等进行优化，在解空间中确定出一个良好的搜索空间。然后将优化过后的网络初始权值和阈值反馈回Elm络，求出最优解。GA-Elman算法流程如图3所示，具体步骤如下：
图3 GA-Elman算法流程
（1）随机产生一组二进制种，每一位二进制数表示网络的初始权值和阈值、网络结构等；
（2）对步骤（1）中生成的二进制数的连接状态编码进行解码，生成网络结构；
（3）正向运行网络，确定适应度函数，对网络结构的性能进行评估；
（4）通过选择、交叉、变异等遗传操作产生下一代种，形成下一代网络结构；
（5）重复步骤（2）～（4），判断是否满足训练终止条件，若满足，则终止训练，将得到的初始权值和阈值反馈回Elm络，若不满足，则返回步骤（2）继续进行训练，直至满足终止条件。
由于电池的SOH与放电深度、电压和内阻有着密切联系，所以锂电池健康状态可以简化成放电深度、电压和内阻的函数，因而可以得到Elman神经网络模型，放电深度、电压和内阻为输入值，以获取SOH为目标值。
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议