- 頭條天津大學科研團隊提出鋰電池在線健康狀態預測的新方法2022-05-17 作者：王萍、弓清瑞 等 | 來源：《電工技術學報》 | 點擊率：導語鋰離子電池健康狀態（SOH）的準確估計是電池管理系統（BMS）的關鍵技術。天津大學電氣自動化與信息工程學院的研究人員王萍、弓清瑞、張吉昂、程澤，在2021年第24期《電工技術學報》上撰文，提出一種基于數據驅動與經驗模型組合的在線SOH預測方法。研究結果表明，該方法可以在減輕電池監測設備負擔的前提下將預測精度保持在較高水平。
鋰電池作為一種清潔能源，以其體積小、能量密度高、壽命長等優點，被廣泛應用于生活用電子產品、電動汽車、通信基站，甚至航天、軍事等多個領域。電池管理系統（Battery Management System, BMS）可以對電池狀態進行評估，給出風險預警，保證電池長期安全穩定運行。其中，準確的電池狀態估計是BMS運維的關鍵。
電池健康狀態（State of Health, SOH）是表征電池老化程度與健康狀況的關鍵指標，其通常定義為當前可用最大容量與出廠額定容量之間的比值。隨著電池老化程度的加深，SOH逐漸降低，在SOH下降到80%時，電池衰減至壽命終止。
國內外對電池SOH預測進行了廣泛的研究，主要包括直接測量法、基于模型的方法與基于數據驅動的方法。直接測量法是一種離線方法，通過對電池容量、內阻、電化學阻抗譜等與電池老化直接相關的參數進行測量，采用簡單的函數映射得到SOH。
如有學者采用了庫倫計數法求得電池最大可釋放容量來評估SOH；有學者指出商用18650電池在316Hz下的阻抗響應可以反映出其SOH；有學者采用電化學阻抗譜技術對鋰聚合物鋰電池的老化特性進行研究。該類方法原理簡單，對不同電池都有著很強的適應性，但是對傳感器等測量設備要求較高，脫離實驗室環境后難以應用到實際當中。
目前，關于SOH研究的主流方向還是基于模型的方法與基于數據驅動的方法。常用的模型種類有等效電路模型、電化學模型以及經驗衰退模型。等效電路模型是由常見的電路元件對電池內部的工作狀態進行模擬所得。該方法通過對元件參數進行辨識，利用辨識結果進行SOH預測。
如有學者建立二階RC等效電路模型，通過使用自適應無跡卡爾曼濾波算法對電池歐姆內阻進行實時估算，并根據歐姆內阻與電池SOH的映射關系來預測SOH。這類模型具有結構簡單、計算量小等優點，但是其適應性較差，存在模型參數準確辨識困難的問題。
電化學模型從電池內部工作機理出發，利用偏微分方程組來刻畫電池的容量衰退機理，如基于多孔電極理論搭建的準二維多孔電極模型（Pseudo Two- Dimensional model, P2D model）。該類模型過于復雜，難以應用于在線估計。經驗模型可以對電池完整的循環周期進行建模，擬合電池健康狀態的衰退趨勢。
如有學者從阿倫尼烏斯定律出發，推導出含有溫度參數的關于循環次數的冪律電池老化模型。雖然該經驗模型考慮了溫度對電池衰退速率的影響，但是仍存在由電池個體差異造成的預測初期模型參數難以準確確定的問題。這類方法雖然計算簡單，但是適應性差、準確度受限。
目前，常常將經驗模型與其他方法組合建模。有學者通過粒子濾波算法將雙指數模型與人工神經網絡相結合，較好地擬合了電池衰退曲線。但是，由于神經網絡的引入反而增加了模型的復雜度，并沒有體現出經驗模型簡單易用的優勢。基于數據驅動的方法不需要研究電池內部老化的機理，而是通過機器學習算法，如向量機、高斯過程回歸、神經網絡等建立外部健康特征（Health Feature, HF）與電池SOH之間的非線性映射關系。
有學者從電池充電曲線中提取了8個有效健康特征后通過主成分分析得到間接健康特征，并利用相關向量機建立SOH的預測模型；有學者從電池恒流充電階段溫度差分曲線提取健康特征，使用支持向量機進行容量衰退預測；有學者使用深度學習的方法，以電壓、電流、溫度的采樣序列為輸入，訓練卷積神經網絡來預測SOH。這類方法簡單易實現，且在訓練集可靠的前提下可以獲得較高的預測精度，但是存在健康特征選取困難與對設備算力要求苛刻的問題。特別是在多電池同時監測的情景中，監測設備面臨的計算壓力會進一步體現。
為了減輕電池監測設備的負擔，同時保證SOH在線預測具有較高的精度，天津大學電氣自動化與信息工程學院的研究人員提出一種利用觀測器將高斯過程回歸與指數經驗模型組合的在線SOH預測方法。
圖1 SOH預測方法流程
該方法分為離線與在線兩個階段。在離線階段，通過電池容量增量分析，提取與SOH相關性較高的兩個電壓升片段下所耗的時間dV-dt1與dV-dt2作為外部健康特征，并使用高斯過程回歸的方法對電池SOH的衰退進行建模。將在線階段分為兩部分，在“磨合期”通過GPR模型對電池前部分周期的SOH進行預測，利用預測所得數據擬合指數模型，得到指數模型參數的初值；在“工作期”使用指數模型進行SOH預測，并利用觀測器每隔固定循環次數對指數模型的參數進行修正。
研究人員通過對牛津大學電池老化數據集（Oxford Battery Degradation Dataset, OBDD）的多個電池進行實驗，結果表明所提方法較好地結合了經驗模型與數據驅動模型的優點，可以在減輕監測設備負擔的前提下，將預測結果保持在較高的精度，比較適合電池組中多電池健康狀態同時監測的應用場景。
本文編自2021年第24期《電工技術學報》，論文標題為“一種基于數據驅動與經驗模型組合的鋰電池在線健康狀態預測方法”，作者為王萍、弓清瑞 等。
