下载掌阅APP，畅读海量书库
立即打开
随着电动汽车和动力电池技术的快速发展，其背后存在的安全问题也越发凸显，据新能源汽车国家监管平台大数据安全监管成果报告显示，在2019年5—7月间发生的多起电动汽车起火事故中，有60%是由动力电池管理不当造成的。电池管理系统（BMS）是对电池进行监测与管理的系统，负责监控电池的状态，防止电池出现过充电和过放电，保障系统安全可靠高效运行，延长电池的使用寿命。除了需要实时监测单节电池的基础数据，如电压、电流、温度之外，电池管理系统还需要实时估计电池状态，如荷电状态（SOC）、功率状态（SOP）、健康状态（SOH）以及预测电池剩余使用寿命（RUL），并实现电池均衡、热管理和故障诊断等功能。
电池荷电状态（SOC）表征了动力电池的剩余可用电量，在一定的温度环境中，剩余电量与电池额定容量的比值即为电池荷电状态。理论上，当电池的SOC=0%时，表示电池处于完全放电状态，电池可用电量等于零；当SOC=100%时，表示电池处于完全充电状态，电池充满电。SOC是BMS中最重要的参数，涉及BMS其他所有运行工作，是电动汽车续驶里程的决定性参数。BMS能够实时准确估计电池SOC，是保障电动汽车安全可靠行驶、避免电池过充电过放电的重要前提。目前已经有了多种SOC的估算方法，概括起来可以分为如下四类：安时积分法、开路电压法、机器学习法和自适应滤波法。
（1）安时积分法 安时积分法是通过传感器中采集的电池充放电电流数据，然后使用SOC初值减去（或加上）电池充放电电流与时间的积分，进而直接计算得到电池的实时SOC。此方法简单易行，适用范围广，但是在应用过程中也存在一些不可避免的缺点，如过于依赖电池SOC的初值，随着电池的使用，测量误差会不断累积，不能应对自放电等，所以一般会结合其他方法使用。例如为了改进安时积分法，可以通过开路电压法获取电池的初始SOC，同时充分考虑温度和充放电效率对SOC的影响，从而实现SOC的准确估计；为了减小卡尔曼滤波算法在放电后期的估计误差，可以在电池低容量区采用安时积分法代替卡尔曼滤波算法进行估计，从而提高SOC估计精度；也有学者提出将最小二乘法与安时积分法相结合，通过最小二乘法阶段性地对电池充放电效率进行标定，最后采用效率矩阵对电流传感器的漂移误差进行补偿，得到较好的估计效果。
（2）开路电压法 开路电压法是将电池静置一定时间，电池内部达到了完全平衡，此时电池的开路电压就等于其静态电动势，然后根据电池的开路电压与电池内部锂离子浓度之间的变化关系，间接地拟合出它与电池SOC之间的对应关系。当电池处于工作状态时便能根据电池两端的电压值，通过查找开路电压-SOC关系表得到当前的电池SOC。该方法的估计精度比较高，但是需要将电池静置数小时，因此该方法并不适合在动态工况下估计SOC，通常用于长时间的驻车下进行SOC校准或SOC初始值计算。
（3）机器学习法 机器学习法是以实验获得的电池的基础数据（如电压、电流、温度和阻抗等）和电池SOC作为黑箱模型的输入和输出，通过机器学习算法建立两者的映射关系，然后根据新采样数据映射得到对应的电池SOC，或者根据不同温度下的电池数据，采用模糊逻辑将电池交流阻抗和恢复电压作为输入训练SOC估计模型。也有学者采用支持向量回归算法，将电池充放电过程中的电流、电压和温度数据作为输入，从而准确估计电池SOC。机器学习法不需要有关电池内部化学、复杂反应和模型参数估计的信息，只需利用历史监测数据寻找并发现规律便可实时估计电池SOC。但为了保证模型的准确性和适应性，需要长期测试同类型电池在不同工况和不同老化程度下的数据，前期工作量较大。
（4）自适应滤波法 自适应滤波法是以SOC、极化电压为状态量，以电流为输入、端电压为输出，基于电池模型建立状态空间表达式，采用自适应滤波器估计电池SOC的方法。目前主要利用卡尔曼滤波及其改进算法，例如提出了采用扩展卡尔曼滤波算法的电池SOC估计，解决了卡尔曼滤波算法无法处理非线性电池模型的问题，减少了测量和过程噪声。为了进一步提高SOC估计精度及适用性，有学者提出了一种零状态迟滞模型以减少计算量，并基于自适应扩展卡尔曼滤波算法的SOC估计方法以改善扩展卡尔曼滤波在不同工况下适应性差的问题，从而实现准确的电池SOC估计。自适应滤波器法是一种闭环控制方法，可以根据电池实际输出及时校正电池状态。采用该方法估计电池SOC具有较好的稳定性和鲁棒性，适合应用于车载电池管理系统中。
锂离子电池在老化过程中主要表现为容量衰减和内阻增加，所以通常以容量和内阻作为电池健康状态的评价指标。电池健康状态定义为电池最大可用容量与初始容量的比值，或电池内阻增量与初始内阻的比值。对于纯电动汽车，电池的容量直接决定了车辆的续驶里程，因此常把用户更为关心的电池容量作为其健康状态的评价标准，将容量衰退到初始值的80%作为电池的终止使用条件；对于混合动力汽车而言，动力电池的功率需求是考虑的侧重点，因此常以内阻作为健康状态的评价标准，以电阻达到初始内阻值的2倍作为电池的终止使用条件。目前常见的动力电池健康状态估计方法可总结为四类：基于经验的方法、基于模型的方法、基于机器学习的方法以及基于特征信号分析的方法。
（1）基于经验的方法 该方法基于大量的实验室测量数据，分析了电池内阻、温度、放电深度（DOD）对电池容量衰退的影响。通常根据电池老化途径的不同，划分为日历老化模型和循环老化模型。其中日历老化模型符合阿伦尼乌斯方程，以搁置时间、环境温度和搁置SOC为主要参数，考虑不同温度和搁置时间的影响。相关研究者考虑了温度、DOD和循环倍率等因素的影响，对电池的循环寿命进行测试，建立了基于大量的衰退数据的电池容量衰减的经验模型，实现了电池最大可用容量的估计。由于电池的老化路径无法被经验完全覆盖，所以当电池老化路径改变时将会大大影响经验模型的精度，因此基于经验的健康状态估计方法对实车中温度、电流、DOD等因素剧烈变化的恶劣工况适应性较差。
（2）基于模型的方法 该方法把伪二维模型（P2D）、单粒子模型（SP）等电化学模型，以及等效电路模型（ECM）的模型参数作为特征值，通过算法辨识出这些特征值在锂离子电池不同老化程度下的变化，来评估电池的健康状态。利用电池运行的离线数据，等效电路模型的电池健康状态诊断方法，采用遗传算法（GA）辨识了电池内阻和极化电容参数随电池衰退过程的变化，实现电池健康状态的估计。一些学者基于等效电路模型和卡尔曼滤波或自适应滑模观测器等先进算法，实现了电池荷电状态和健康状态的联合估计。对于半电池模型，利用粒子群优化算法（PSO）对半电池模型进行参数辨识，描述了正负极在不同老化阶段下的老化行为，定量分析了动力电池老化过程中的容量衰减机制，其中基于经验的物理模型具有很多优点，但是容易受到噪声的影响，所以估计结果主要取决于选用算法以及模型的鲁棒性和可靠性。
（3）基于机器学习的方法 锂离子电池内部老化模式和健康状态难以直接测量，但是有一些内外部特征参数会随着衰退过程发生显著变化，因此可以对获取的外部特征参数数据进行提取，将与容量或内阻有强相关性的参数作为健康因子，通过支持向量机（SVM）、高斯过程回归（GPR）和神经网络（NN）等机器学习方法来建立健康因子与电池健康状态的映射关系模型，在电池衰退过程中通过追踪健康因子的变化，实现电池健康状态的实时估计。考虑到电池充电过程较为稳定，有研究者基于电池局部充电电压和电流数据提取健康因子，使用支持向量回归方法对电池衰退进行建模，实现电池健康状态估计。随着云计算和大数据技术的不断发展，基于机器学习的电池健康状态估计方法表现出很大潜力，逐渐受到研究者们的关注，但是如何从电池外部数据中提取出高质量的健康因子仍然是该类方法需要解决的难点和重点。
（4）基于特征信号分析方法 增量容量法（ICA）与差分电压法（DVA）是通过恒流充电过程中单体电池的电压电流数据进行提取，拟合出IC曲线与DV曲线。研究表明，电池IC曲线和DV曲线的峰谷特征变化不仅能够反映电池的衰退机理，而且和电池容量也有较强相关性，因此基于IC或DV曲线的电池健康状态实时估计方法受到了广泛的关注。从电池不同老化阶段下的IC或DV曲线上提取出包括峰高度、峰位置和峰面积等强鲁棒性的健康状态特征参数，并通过相关性分析筛选出其中相关性较强的特征值，使用支持向量回归、高斯过程回归和神经网络等多种建模方法建立特征值与容量之间的映射关系模型，从而实现电池健康状态的在线估计。帝国理工学院BillyWu团队考虑到电池使用时温度变化与其老化程度的相关性，提出了一种基于温度差分法（Differ-ential Thermal Voltammetry，DTV）的电池健康状态估计方法。通过大量的电池测试数据分析表明，老化电池的DTV曲线波峰位置和幅值上表现出与IC/DV特征相似的变化规律，表明DTV曲线也能够反映电池内部的衰退机理，且能反映电池内部熵值变化的信息，DTV曲线中的每个峰值可归因于负极或正极的特定相变过程或者两者的组合。相比于IC/DV方法，DTV曲线对于高倍率充放电条件下的电池衰退程度评估的效果更好，该团队将DTV方法用于磷酸铁锂电池的健康状态估计，将一组电池保持在100% SOC状态，在强制空气对流的45℃高温环境下搁置，另一组电池在1C充电、6C放电循环下进行老化试验，测量电池容量衰减、电阻增加（功率衰减）和DTV曲线。结果表明，在搁置和循环两种老化路径下的电池，DTV曲线均与其容量、内阻有很高相关性，可用来估计电池的健康状态，并通过实验研究，进一步证明了DTV方法在监测单体电池并联单元的健康状态估计中同样适用。
当动力电池的容量衰退至80%或内阻增加到200%时，可认为锂离子电池在电动汽车应用中的寿命终止（EOL）。动力电池的剩余使用寿命（RUL）是指在一定充放电制度下动力电池衰退到其EOL所需经历的循环周期数量。RUL预测是基于电池历史数据对其剩余寿命进行预测的过程。在实现健康状态估计的基础上，通过预测电池剩余使用寿命（RUL）可以实现动力电池的耐久性管理、定期维护和更换，对延长电池使用寿命和避免因老化发生故障甚至严重安全事故具有重要的意义。近年来，国内外学者围绕电池RUL预测开展了广泛研究，可总结为以下三大类：
（1）基于模型的RUL预测 通过建立数学模型来描述电池老化行为，比如建立复杂的耦合电池副反应（如SEI膜增长）的机理模型或经验回归模型，并通过外推模型参数的方式来实现电池RUL预测。根据建立模型的原理不同，基于模型的RUL预测方法可分为三类：第一类是基于电池内部电化学反应机理所建立的机理模型，例如基于多孔介质理论和固液相连续性假设建立的伪二维（P2D）模型，以及考虑相界面间各向异性，利用动力学蒙特卡洛法（KMC）建立的分子尺度模型；第二类是基于电路元件描述电池特性的等效电路模型（ECM）；第三类是通过分析大量电池历史衰退数据建立的纯经验模型，采用不同的回归模型形式（如线性、指数）来描述电池衰退行为。基于不同模型的RUL预测方法优缺点对比见表1-6。
表1-6 基于不同模型的RUL预测方法优缺点对比
对于长期预测（预测步数大于50），耦合副反应的机理模型精度较高且结果稳定，但较高的复杂程度限制了其适用性。由于电池的老化行为具有很强的非线性，导致基于历史数据且参数固定的经验模型预测误差较大，因此通常将经验模型与滤波算法结合，从状态估计的思想出发，利用扩展卡尔曼滤波（EKF）、无迹卡尔曼滤波（UKF）、无迹粒子滤波（UPF）等先进的滤波算法不断更新模型参数，追踪电池老化趋势以提高长期RUL预测精度。部分研究者提出一种基于贝叶斯框架建立的电池RUL预测模型，利用蒙特卡洛算法模拟电池动力学，并采用粒子滤波器估计后验概率密度并预测电池退化趋势。也有学者提出了一种基于球形容积粒子滤波（SCPF）的状态空间模型，其RUL预测准确性优于普通粒子滤波（PF）。基于模型的RUL预测方法改善了寿命经验模型的外推收敛性能，提高了RUL预测精度，但过于依赖寿命经验模型的准确度，且目前没有准确通用的电池老化模型，这限制了其在实际应用中的可行性。
（2）基于数据驱动的RUL预测 基于数据驱动的方法无须研究电池复杂的衰减机理，直接利用历史数据（电压、电流、容量等测量参数）预测电池未来老化趋势。该方法并不建立特定的物理模型，而是基于数据建立统计学模型或机器学习模型。由于数据驱动的方法避免了复杂的数学建模过程和专家知识，因此该方法更加灵活易用，在该领域获得了广泛关注。数据驱动的电池RUL预测方法可进一步分为机器学习、统计学和信号处理三类方法。
可用于电池RUL预测的机器学习方法有很多，包括朴素贝叶斯（NB）、支持向量机（SVM）、相关向量机（RVM）、高斯过程回归（GPR）及人工神经网络（ANN）等。为了提高预测准确性，香港城市大学王冬等提出一种结合RVM和容量衰退模型的电池RUL预测算法，使用RVM选择相关性高的训练向量，构建了三个条件下的容量退化模型拟合RVM的预测值。以上方法通过大量的历史数据进行建模，在窗口较窄的情况下很难获得理想的电池RUL预测结果，而且无法分析结果的不确定性。因此一些学者提出了基于随机过程的RUL预测方法，其中，有作者曾提出一种基于混合高斯过程（GPM）的电池RUL预测方法，结果表明，与SVM和GPR相比，这种方法的准确性和可靠性更好。
基于统计学的RUL预测方法包括自回归算法（AR）、灰色模型（GM）、维纳过程（WP）及香农熵等。该类方法基于历史数据在概率框架下构造随机系数模型或随机过程模型来描述的电池容量退化过程，不依赖于专家知识，可以有效描述电池退化的不确定性，而且建模过程简单易实现。有学者通过建立GM（1，1）模型来描述电池退化趋势和预测误差，实现RUL预测。考虑到样本熵是对非稳定时间序列信号的复杂度的度量，在现有研究中样本熵分析被广泛用于从电压、电流、温度等数据中提取出电池健康特征因子的方法。基于此，信号处理方法被广泛应用于RUL预测，例如基于离散小波变换（DWT）方法可以把信号分解成多个不同频率的分量，可以用来分析非平稳信号，相关研究者提出了基于离散小波变换（DWT）的电池RUL预测方法。
（3）基于融合算法的RUL预测 数据驱动的RUL预测方法具有强非线性映射能力，实现起来也比较容易，但需要大量的电池历史数据对模型进行训练，但是训练数据存在偏差将会影响预测精度；基于模型的方法，对数据的准确性需求较低，且鲁棒性和稳定性较强，但适用性较差。因此，为了克服单一基于模型预测和单一基于数据驱动预测的局限性，近年来结合模型和数据驱动的融合模型方法成为研究热点之一。
基于融合算法的RUL预测方法可以总结为三类：
第一类是将滤波算法与数据驱动方法结合以提高预测精度；例如根据D-S证据理论对滤波算法进行初始化，解决传统滤波算法中由于参数初值选择的不确定性带来的算法收敛速度慢甚至不收敛的问题。为了避免粒子滤波（PF）算法中由于粒子退化和样本贫化缺陷导致的精度下降，可以基于支持向量回归、马尔可夫链蒙特卡洛（MCMC）等数据驱动方法计算重采样粒子权重以提高电池RUL预测精度。
第二类融合算法利用数据驱动为滤波算法构建观测方程，为滤波算法提供未来时刻“虚拟观测值”，从而基于滤波算法不断更新模型参数提高RUL预测精度。
第三类是利用数据驱动方法对原始电池数据进行预处理，避免由于原始电池衰减数据中存在的容量恢复效应和测量误差而降低预测精度；可基于经验模态分解（EMD）分离异常数据，或利用小波去噪（WD）降低数据噪声，提高数据质量从而更高效地训练模型，提高RUL预测精度。基于融合算法的RUL预测方法可以发挥数据驱动方法非线性映射能力强且易于实施，以及基于模型的方法对数据需求少、鲁棒性和稳定性好的优势，拥有更高的精度和更好的适用性。