傅达旺

（三亚理工职业学院，海南 三亚 572000）

在绿色发展理念的影响下，新能源电动汽车得到越来越多的关注，动力电池作为其中的关键部件，健康状态及使用寿命将直接影响到电动汽车的发展水平。动力锂离子电池具有能量密度高、输出功率高、循环时间长等优势，但在应用过程中也一定程度上存在使用寿命较短的问题。因此相关人员有必要针对锂离子电池寿命的影响因素加以分析，为电池健康状态估计与寿命预测提供依据，促进其效用的提升。

1 电动汽车动力锂离子电池寿命的影响因素

动力锂离子电池在使用过程中其寿命会受到多种因素的影响，主要可以分为外部因素与内部因素。

1.1 外部因素

影响电池寿命的外部因素主要包括以下几点：第一，荷电状态。电池荷电状态（SOC）指的是动力锂离子电池使用一段时间或搁置不用一段时间以后，电池剩余容量同完全充电状态之间的比值。结合实际研究情况来看，电池在处于不同荷电状态下其容量衰减情况也会存在一定差异，处于正常状态的电池在电池容量衰减上要明显优于过充或过放状态的电池，过充或过放会对电池寿命造成不良影响，因此大多数电动汽车电池不能满充满放[1]。第二，温度。动力锂离子电池在使用时对温度范围提出了一定要求，一旦超出范围，就会导致电池性能受影响，其容量衰减也会处于非正常状态。将锂离子电池放在不同环境温度下进行实验可以看出，在一定温度范围内，充放电效率与温度成正比，温度越高电池寿命衰减也就越慢。第三，充放电倍率。充放电倍率指的是在一段时间内电池充入或放出额定容量需要的电流值。结合研究结果来看，锂离子电池充放电倍率越大，其容量衰减速度也就越快，然而在超过某一个临界点的时候其容量衰减速率就会变慢。第四，不一致性。结合锂离子电池实际的应用情况来看，电池寿命在很大程度上会受到单体电池及电池成组之间的不一致性影响，实验表明，两单体电池并联放电的容量衰减率要明显小于两单体电池独立放电，进而在应用上也体现出更加突出的优势。第五，内阻电池功率。电池使用寿命与内阻之间也有着十分密切的联系，随着内阻的增加，电池内部电流会受到更强的阻碍作用，同时在消耗功率的影响下导致电池寿命的缩短[2]。对于两只初始容量相同的电池来说，如果内阻存在差异，那么最终的电池容量衰减率也会不同。

1.2 内部因素

除了外部因素以外，锂离子电池在使用过程中还会受到内部因素的影响。通常情况下，内部因素指的是电池内部所产生的一系列物理和化学变化，进而导致整体电池容量呈衰减状态。根据研究，正负两极都会直接影响到锂离子电池的老化状态，从而造成容量衰减速度的加快。

2 针对电动汽车动力锂离子电池寿命的预测方法

2.1 电池健康情况估算

作为电力汽车的主要动力源，需要对锂离子电池的健康情况进行准确估算，进而确保电动汽车的稳定行驶。现阶段比较常见的估算方法主要包括以下几点：第一，定义法。定义法是根据电池SOH的定义实施估算，电池SOH是指电池在一定工况下最大放出容量与额定容量的比值，在此基础上对锂离子电池处于满电状态的时候进行放电，再对其放出电量进行记录。这种方法虽然是公认的应用于健康估算的方法，但操作上仍存在时间消耗大、实用性不强的弊端。第二，电化学阻抗法。此种方法的实施需要在锂离子电池两端设置若干个频率不同的正弦信号，并完成响应测试与参数采集，进而在模糊理论的基础上对电池的SOH值加以预测。第三，内阻法。这种方法是利用电池SOH与内阻之间的关系，在实验中可以看出，电池的SOH值会随着电池内阻值的增加而逐渐减小。在此过程中，还可以进一步应用到脉冲法通过电流脉冲对电池进行激励，并围绕电压变化来借助欧姆定律对内阻进行估算。对于内阻法来说，常用的算法包括粒子滤波法、最小二乘法RLS（recursive least square）及卡尔曼滤波法等。第四，模型法。模型法通过对电池的内在特性或外在特性加以分析，并根据相关研究数据进行电池SOH建模，并最终完成相关参数的推算。

2.2 健康状态估算模型的建立

在锂离子电池应用的过程中，SOH会逐步随着电池的老化而减小，在对锂离子电池进行健康状态评估的时候还应更多考虑到实际应用环境对电池寿命的影响。锂离子电池需要应用在电动汽车驾驶环境下，因此车辆的加减速、气候环境等都会直接影响到电池工作温度以及充放电倍率等参数。电池SOH已经成为锂离子电池使用寿命的重要评价标准，同时与上述参数之间也存在着十分复杂的关系，为提升电池SOH估算的准确性，需要实现对健康状态估算模型的建立，其中主要涉及到4种情况。

第一种SOH估算模型是电化学模型。电化学模型主要针对电池内部产生的物理化学反应加以分析，以Gang Ning模型为例，就是通过研究电化学反应特性与电池容量衰退之间的关系来分析电池的使用寿命。研究显示，锂离子电池容量的衰退主要是受到SEI膜消耗作用的影响。总的来说，电化学模型在对电池SOH值进行估算的时候主要需围绕电池的内部结构、参数变化等，但是考虑到其内部结构的复杂性，导致识别参数变化需要面临更大难度，从而难以及时、准确掌握电化学系统变化机理，因此电化学模型存在一定限制，难以完全实现对电池SOH的有效估算[3]。

第二种SOH估算模型是经验模型。经验模型在依靠大量电池充入与放出数据来总结相关经验，并在相关技术的支持下分析参数变化对电池容量衰减规律的影响，进而得出二者之间的关系式，因此经验模型也是数学模型的一种。在实际开展相关实验的时候，需要将电池所处工况进行控制，并依靠大量实验数据来分析各参数与电池SOH之间的变化规律，从而进一步通过数据拟合的方式来得出最终结论。

第三种SOH估算模型是等效电路模型。等效电路模型在运行的过程中主要依靠的是电池内部的化学反应，通过模拟相关化学反应来得出一系列参数。现阶段比较常用的等效电路模型包括PNGV模型、Rint模型等。这种模型的优势在于可以借助专业软件来实现对反应情况的模拟，进而更接近与真实情况。与此同时，相较于其他模型，等效电路模型在仿真环境的实现难度也更低，从而更多应用在系统层面上的仿真当中。等效电路模型的具体设计如图1所示。

图1 等效电路模型示意图

第四种SOH估算模型是人工神经网络模型。人工神经网络模型在运行过程中主要是以人体神经元连接为基础实施相关运算，数学模型的构建也参照了人体大脑神经的连接结构、信息处理方式与信息传递模式[4]。在这样的形式下，人工神经网络模型形成大规模的节点网络，而节点与节点之间也发挥出相应的记忆作用。在此基础上构建SOH估算模型可以分析出锂离子电池实际的运行状态，并实施对SOH的准确估算。相较于其他的运算模型，人工神经网络模型具有环节省略、使用简单、运算速度快、精度高等优势，因此在锂离子电池健康状态估算中得到广泛使用。

2.3 锂离子电池的SOH估算2.3.1 SOH估算分析

SOH是评价锂离子电池当下健康状态的重要手段，依靠SOH估算结果可以对锂离子电池的未来使用进行明确规划，从而为电池的稳定运行提供保障。SOH指的是最大放出容量占额定容量的百分比，相关数学关系式与内阻变化数学表达式为

式中：Qa指的是锂离子电池的最大可用容量；QR指的是电池的额定容量；Re指的是电池在使用过后的电池内阻；Rnew指的是没有使用过的电池的电池内阻。在实际应用的过程中，SOH估算方法具有较多的分类标准，其中主要可以分成特征法、自适应滤波法及数据驱动法，具体的分类情况如图2所示。

图2 SOH估算方法分类标准

2.3.2 特征法

特征法的应用原理是在对锂离子电池容量衰退进行测试的过程中，通过抓住某些主要特征来作为依据，在此基础上确定与之相适应的算法，分析相关特征量与电池SOH之间的关系。当前，特征法主要包括内阻分析法、电化学阻抗谱法（EIS）法及微分分析法。其中，内阻分析法是依靠电池内阻完成瑞容量衰退的分析，对SOH的对应关系进行总结。这种方法在实际应用的过程中成本投入较少，但其精度也存在一定限制性。例如，通过内阻分析法在构建等效电路模型的基础上进行SOH估算，同时需要考虑车辆行驶温度对电池的影响。EIS法是将锂离子电池容量衰退过程绘制阻抗谱曲线，并将曲线的不同阶段与电路模型联系起来，实现与电池SOH相对应。EIS法在应用过程中往往需要涉及大量的阻抗谱曲线信息，整体的复杂性较强，加上还需要专业仪器相配合，因此整体应用成本较高。例如，可以通过EIS法构建等效电路模型，并通过多元数学分析实现对电池SOH的预测。微分分析法是针对锂离子电池不同老化状态的微分容量进行分析，进而在完成老化特征提取的基础上实现SOH预测。例如，可以借助高斯滤波方法实现微分容量获取与老化特征提取的同步进行，从而可以实现在小倍率电流环境下开展SOH预测。上述方法在SOH预测中发挥出了十分关键的作用，结合当前的发展趋势来看，更多的专家学者开始对电池退化的新特征量展开研究，包括充电温度、充电时间常数等，更好地实现对特征法原理的应用，进而有效实现对预测过程与模式的创新。

2.3.3 自适应滤波法

通过自适应滤波法来进行锂离子电池寿命预测主要是通过对电池模型参数的准确辨识，并在滤波增益的影响下实现对这部分参数的更新，以促进电池SOH预测精度的不断提升。现阶段，常用的自适应滤波法主要包括卡尔曼滤波法（KF）、粒子滤波法（PF）及最小二乘法等。其中，最小二乘法就是根据线性回归分析来得出预测数据与实际数据之间的误差，并对其实施有效控制[5]。最小二乘法具有计算过程简单、计算量小的优势，因此可以应用在参数辨识当中，但在参数获取的实时性上还有提升空间。例如，可以通过最小二乘法结合卡尔曼滤波法提出一种多遗忘因子，并确定出最优遗忘因子。将电池所处工况的温度变化情况加以确认，进而可以将SOC估算误差控制在0.29%。总的来说，通过自适应滤波法来实施电池SOH预测可以在线实现相关操作，参数获取精度上得到保障，因此在工业生产中得到了十分广泛的使用。

2.3.4 数据驱动法

数据驱动法也是其中较为常见的一种方法，该方法的应用原理是在电池实验数据基础上对电池容量衰退规律进行发现与总结，进而有效开展相应的SOH估算。现阶段数据驱动法主要涉及到高斯过程回归模型（GPR）、灰色理论（GF）及自回归模型（AR）等。其中，高斯过程回归模型可以基于贝叶斯框架完成非参数模型的构建，也就是可以在不建立实际模型的基础上运算，因此大多被应用在低维回归问题的运算当中。例如，借助GPR模型实施电池SOH预测，分析多个电池数据来促进整体预测性能的提升。灰色理论指的是在信息量不足且信息内容不完全的基础上建立数学模型并进行预测，多数情况应用在小样本问题的解决中。相较于其他模型，灰色神经网络模型可以实现精度的进一步提升，因此得到十分广泛的应用。而自回归模型则是基于时间序列展开分析，根据模型参数的各个历史状态建立模型并展开SOH预测。自回归模型在应用过程中具备操作简单且计算量较小的特点。总的来说，通过数据驱动法来对锂离子电池的健康状态与使用寿命进行预测可以在不了解工作原理且不构建电池模型的基础上进行，通过收集大量的老化数据来分析电池容量衰退所呈现出来的规律。数据驱动法的优势在于具有较高的精度及较强的适应性。表1是对常见锂离子电池SOH估算方法的优势与劣势展开对比分析。

表1 锂离子电池SOH估算方法优劣势对比

3 结束语

综上所述，作为电动汽车的主要动力源与关键组成部分，锂离子电池使用寿命很大程度上决定了电动汽车性能的优劣，因此有必要不断加大对锂离子电池健康评估及寿命预测的研究力度，提出有效的预测方法。结合当前的研究成果来看，应充分通过锂离子电池的SOH估算来提高预测精度，同时还要充分考虑到电池动态工作条件的复杂影响因素，因此宜采用多元化寿命预测方法来提升整体预测水平的准确性。