吴起行

（浙江机电职业技术学院自动化学院，浙江杭州，310053）

近年来，动力电池技术已是制约新能源汽车技术发展的关键因素之一。在锂电池实际应用中，存在老化效应，其容量会逐渐衰减。电池在t 时刻的健康度SOHt，是指此时电池实际容量Qcap_t与额定容量Qcap_rated的比值[1]，由式（1）表示，是表述动力电池老化程度的重要指标：

锂离子电池的SOH 值变化，受所处的环境温度，放电深度，充放电方式等诸多因素影响，而准确估计SOH 有助于避免电池突然故障带来的不便或致命事故。目前，国内外许多学者提出了各种锂电池的SOH 估计方法。上海交通大学的华寅等人以锂电池的Thevenin 等效电路模型为基础，采用双非线性估计滤波法来精确地跟踪和估计锂电池内阻和SOH[2]。Mario Cacciato 等人提出一种基于PI 控制器的实时SOC 和SOH 估计模型，大大压缩了计算量[3]。Ho-Ta Lin 等人提出一种概率神经网络来估计锂钴电池的SOH值，可通过扩大训练数据集来降低SOH 平均估计误差[4]。然而，前2 种方法进行SOH 估计的基础都是电池模型，当电池的电化学特性发生变化时，估计误差随之扩大。概率神经网络法的样本数据的种类多、测试过程繁琐，因此实用性有限。针对以上方法的缺陷，本文提出一种基于改进型LSTM-RNN 的锂电池SOH 估计算法，通过采集某放电深度下电池的端电压、放电电流及电池温度直接对磷酸铁锂电池的SOH 值进行估计，估计结果不依赖电池模型，训练简单，并保证较高的准确度。

1 锂电池SOH 估计方法

■1.1 改进型LSTM-RNN 网络模型

LSTM-RNN 网络是循环神经网络（RNN）的一种改进模型。……