动力电池的容量估算及健康状态判断

动力电池的容量估算及健康状态判断试讲人：1目录CONTENT1SOC估算2SOH估算3基本概念231基本概念SOC：StateofCharge动力电池的荷电状态，当前剩余容量与最大可用容量的比。SOH：State

ofHealth动力电池的健康状态，最大可用容量与标称容量的比。动力电池SOC和SOH估算是动力电池管理系统的核心功能之一，精确的SOC和SOH估算可以保障动力电池系统安全可靠地够工作，优化动力电池系统，并为电动汽车的能量管理和安全管理等提供依据。42SOC估算动力电池的SOC相当于普通燃油汽车的油表，SOC作为能量管理的重要决策因素之一，对于优化整车能量管理、提高动力电池容量和能量利用率、防止动力电池过充和过放电、保障动力电池在使用过程中的安全性和长寿命等起着重要作用。SOC估算方法分类1.1基于表征参数的方法5该方法分两步：①建立动力电池表征参数与SOC的离线关系。②实时计算动力电池表征参数值，并以之标定动力电池SOC。需满足两个前提:所建立表征参数与SOC的离线关系应该相对稳定，所选表征参数应该是易获取的。可选表征参数包括当前剩余容量、阻抗谱、开路电压（OCV）等。

当前剩余容量可通过放电实验法得到，该方法被认为是确定动力电池SOC最为直接的方法。但是新能源汽车在运行中难以进行长时间的恒流放电来确定剩余容量，使得该方法仅适用于实验室等特定环境。

基于阻抗谱的方法则需要借助电化学工作站来测试动力电池不同SOC值的阻抗，并制定SOC和参数的映射关系，进而采用查表的方式完成SOC的标定。OCV-SOC关系常被工业界用来标定动力电池SOC，大量的BMS产品也使用这一关系来标定动力电池初始SOC，但OCV的准确直接测量要求动力电池静置足够长的时间，因而在实际中往往需要与OCV在线辨识方法结合使用。1.2安时积分法6安时积分法该方法又称为库仑计数法，即利用SOC定义估计动力电池SOC：z(t)表示t时刻下的动力电池SOC估计值；z(t0)表示动力电池SOC初始值；ηi表示动力电池充放电库仑效率，其值通过实验确定，对于锂离子动力电池而言，放电效率通常视为1，充电效率为0.98～1(充电电流3C以内)；iL(τ)为τ时刻下动力电池充放电电流；Cmax表示当前条件下动力电池的最大可用容量。作为目前动力电池SOC计算的核心方法，安时积分法经典易用，应用最为广泛。但它主要存在三个缺陷：①动力电池初始SOC的精确值难以获得。②该方法对于电流传感器的精度要求很高。③动力电池性能衰退造成其静态容量的退化，从而影响SOC的计算精度。为避免以上因素的制约并提高计算精度，该方法经常与其他方法综合使用。例如，使用OCV确定动力电池初始SOC，使用安时积分法计算后续的SOC轨迹。1.3基于模型的估计方法7该方法利用模型和状态估计算法完成动力电池的SOC估计，因此该方法首先需要建立可靠的性能模型。基于建立的动力电池等效电路模型及其状态方程，应用滤波算法和观测器，搭建基于模型的SOC估计算法框架，具体实施流程包括：①基于上一时刻的SOC值或初始SOC与电流测量值，利用安时积分来计算当前时刻的SOC预估值。②基于模型参数SOC关系式计算此时模型参数值，如OCV-SOC关系。③基于模型端电压-参数关系式计算此时模型端电压。④基于电压测量值，获取模型端电压误差，即新的信息（新息）。⑤以新息的一定增益(倍率)来修正上述SOC预估值，从而获取最终的SOC修正值，并将其用于下一时刻的输入。

步骤⑤中增益的表现形式取决于所采用的状态估计算法。显然，基于模型的方法是一种闭环的方法，它通过不断地修正SOC估计值，使得算法具有一定的鲁棒性。基于模型的方法估计精度由预估过程与修正过程两部分共同决定，当信任安时积分的估计结果(SOC预估值较准)时，可适当地减小增益修正；否则应增大增益修正。但是过大的修正会使得SOC值波动剧烈，具体应该根据实际情况调整。基于模型的估计方法的性能同时取决于模型与状态估计算法两者的性能。1.3基于模型的估计方法8

卡尔曼滤波(KalmanFilter,KF)类算法是动力电池SOC估计中使用最多的算法。KF是由美国学者Kalman在20世纪60年代初提出的一种最小方差意义上的最优估计方法。它提供了直接处理随机噪声干扰的解决方案，将参数误差看作噪声以及把预估计量作为空间状态变量，充分利用测量数据，用递推法将系统及随机测量噪声滤掉，得到准确的空间状态值。

最初的KF仅适用于线性系统，扩展卡尔曼滤波算法(ExtendedKalmanFilter,EKF)的提出使其推广到了非线性系统。EKF应用泰勒展开将动力电池模型线性化，但在线性化的过程中会带来截断误差，进而增大SOC估计误差，在某些初值设置不当的情况下甚至造成发散。为此，需要对动力电池模型进行改进和优化，或者使用改进后的卡尔曼滤波算法提高状态估计系统的精度和鲁棒性。

尽管EKF尽量考虑了实际过程中的噪声，但其仍存在两点问题:①它假设噪声不变，这显然与实际不符，而噪声信息协方差匹配算法的提出致力于解决这一问题，使得滤波算法中的噪声统计特性能随着估计结果的变化而自适应更新，如自适应扩展卡尔曼滤波(AdaptiveEKF，AEKF)。②它假设噪声为白噪声，为了突破这一假设，人们使用基于最小化最大估计误差原则的H∞滤波(H∞Filter,HIF)来完成动力电池的SOC估计，它承认实际过程中噪声统计特性未知，并基于此求得噪声统计特性使得估计结果最差时的状态估计最优解，保证最优状态估计。1.4基于数据驱动的方法9该方法指基于大量的离线数据，建立并训练动力电池电流、电压、温度等数据与动力电池SOC的直接映射关系模型。具体实现主要分为3步：①离线数据的预处理，即将数据整理为符合所建模型的输入输出要求的数据格式，包括数据清洗、归一化、数据分块等。其中数据分块指将归一化后的数据按照一定比例分为训练集、验证集与测试集。②模型的建立与训练。根据数据量的大小，初步确定模型的结构，进而采用训练集训练所建模型，并以验证集验证结果为训练截止条件。③模型的测试。采用测试集来测试模型，判断精度是否符合要求，若符合则判断训练完成；否则返回第①步重新进行设计与规划。

基于数据驱动的方法对解决强非线性问题有特别的优势，估计精度高，但是往往需要大量的实验数据作为先验知识，且所用实验数据应能充分反映动力电池特性；否则极易造成模型的过拟合。同时，所建模型的复杂度、所选训练函数与训练截止条件等也会直接影响模型的估计精度与泛化能力。1.4基于数据驱动的方法10这类方法的典型代表是神经网络模型，该方法几乎不需要考虑动力电池的内部化学反应细节，同时它的拟合能力极强，理论上适用于任何种类动力电池的SOC估计。但是近年来，人们发现单一地增加神经网络的隐含层层数或单层神经元个数，会使得模型参数飞速增加，进而导致模型出现过拟合现象，因此神经网络的研究也逐渐转移到了泛化能力更强的深度学习网络上。同时，训练完成的神经网络模型结构较为复杂，计算量较大，在实车应用时往往需要高性能芯片，因此大量的神经网络/深度学习专用芯片也逐渐被投入市场。1.5四类方法对比11122SOH估算动力电池的存储能力与快速充放电能力均会随着老化而不断下降，而SOH正是用于评价动力电池老化程度的量化指标。动力电池SOC的准确估计依赖于精确的SOH值，预知SOH开展的SOC估计不具有实用性，仅能为SOC估计方法提供初步借鉴。动力电池的SOH与动力电池的老化过程密切相关，而老化最直观的表现为动力电池可释放能量降低和功率等级下降，内部反映为动力电池容量衰减和内阻增加，因此，常将动力电池容量和内阻作为SOH的评价指标。

一般来说，新动力电池的SOH被设定为100%，对于以动力电池容量需求为主的纯电动汽车而言，可认为动力电池容量达到初始容量的80%时动力电池不能满足正常需求；而对于以动力电池功率需求为主的混合动力汽车而言，则常采用2倍的初始内阻值作为动力电池终止使用条件。13SOH估计方法可分为两大类，即实验分析法与基于模型的方法。前者指通过对采集到的动力电池电流、电压、温度等实验数据进行分析，相对直接地获取某些能反映动力电池衰退的特征参数，从而实现动力电池SOH的标定，根据所选动力电池参数的不同，它又可分为直接测量法与间接分析法；而后者则需采用动力电池模型对所选动力电池参数进行估计，以实现动力电池SOH的标定，根据所选估计算法的不同，它又可分为自适应状态估计算法与基于数据驱动的方法。2.1SOH估算方法分类14（1）容量/能量测量法指通过动力电池容量或能量的准确、直接测量，来确定动力电池SOH。显然，容量和能量的准确测量至少需要两个前提条件：①保证充放电过程的完整性。②保证采集精度足够高，这就意味着此方法只能在实验室或其他相对稳定的条件下使用。对于实车环境而言，则往往需要用到容量在线辨识的方法。（2）欧姆内阻测量法指通过实时测量动力电池欧姆内阻来评价动力电池SOH，动力电池电压变化量与电流变化量之比。相对动力电池容量而言，欧姆内阻更容易测量，在实车过程中突然制动或者加速均会引起较大的动力电池电流与电压的变化。但是，除了动力电池SOH与温度的影响外，欧姆内阻也会随着SOC的变化而变化，且它受电流、电压采样间隔的影响较为显著，即采样间隔越小，越接近于欧姆内阻真实值。（3）阻抗测量法借助电化学工作站或其他相似功能的交流电激励设备来测量动力电池EIS。图2-32给出了不同老化状态下的动力电池EIS，可以发现动力电池EIS与动力电池老化状态之间存在着明显的关系。而且在不同频率的激励下，动力电池的反馈也有所不同。对于高频阶段，动力电池布线与多孔结构的诱导效应占主导地位，即阻抗更多表现为欧姆特性；而在低频阶段，电容效应则会变得更为显著。因此，在获取动力电池EIS后，即可通过对动力电池EIS中某些特征参数的提取来标定动力电池SOH。2.2直接测量法15

间接分析法是一种典型的多步推导方法，它不会直接计算出动力电池容量或内阻值，而是通过设计或测量某些能反映动力电池容量或内阻衰退的过程参数，来标定动力电池SOH。通常将这些过程参数称为健康因子，主要包括SEI膜阻抗、动力电池容量-OCV-SOC响应面、电压响应轨迹或恒压阶段充电时间、增容(IncrementalCapacity,IC)曲线或差分电压(differentialVoltage,DV)曲线、超声波响应特征等。当然，也可以选取两个及两个以上的健康因子共同评价动力电池SOH。①动力电池端电压响应直接反映了动力电池内部反应特性，因而可基于控制变量法，分析特定SOC、温度以及电流输入下的电压响应轨迹，从而完成SOH的标定。这一方法即为电压响应轨迹法。同时考虑到动力电池放电工况较为复杂、多变，因而这一方法常用相对稳定的充电过程作为分析对象。②容量增量法(ICAnalysis,ICA)与差分电压法(DVAnalysis,DVA)指分别利用IC曲线与DV曲线分析动力电池的衰退过程与老化机理，进而实现SOH的标定。2.3间接分析法16

自适应算法一般需要借助电化学模型或等效电路模型，它通过对模型参数进行辨识，完成SOH的标定。这类方法的特点在于闭环控制与反馈，以实现估计结果随动力电池电压的自适应调整，其包括联合估计法、协同估计法以及融合估计法等。（1）联合估计法需要同时在线估计动力电池的模型参数和SOC，因而所用的自适应算法一般包括两个及其以上的滤波器或观测器，其中模型参数主要包括内阻、阻抗、OCV等。鉴于动力电池SOC与容量密切相关，在获取相对准确的SOC值后，可根据SOC估计值来确定动力电池容量，进而完成动力电池SOH的标定。（2）协同估计法同样需要实现动力电池模型参数与SOC的同时在线估计，但是这里模型参数相比联合估计法增加了动力电池容量一项，即直接完成了动力电池容量与SOC的同时估计。从通用的算法基本框架来看，协同估计法与联合估计法的区别主要体现在两个方面：①对于两类估计算法，新息(输出预测电压误差)序列的使用模式是不同的。协同估计法中的两个估计器共用同一个新息序列。但在联合估计法中，两个估计器的电压误差则是不相关的。②