张 然, 刘天宇, 金 光

(国防科技大学系统工程学院, 湖南 长沙 410073)

0 引 言

近年来,锂离子电池在电动汽车和绿色储能等领域得到了广泛应用。在实际运行中,由于锂离子电池内部会发生不可逆副反应,导致其健康状态逐渐下降。行业内多用电池可用容量作为电池的健康状态(state of health, SOH)指标,用当前时刻电池的可用容量Ct与电池的初始可用容量C0的比值来指示电池当下健康程度,即SOH=Ct/C0。当电池容量退化到初始容量的80%,即SOH小于0.8时,电池达到截止寿命(end of life, EOL)[1],若继续使用则容易出现性能大幅“跳水”,进而引发安全事故。因此,准确预测锂离子电池的剩余使用寿命(remaining useful life, RUL)对电池系统安全稳定运行具有重要意义,也是锂离子电池健康管理和智慧运维的关键所在。

目前,电池RUL预测方法主要可分为基于模型的方法和数据驱动的方法[2]。

基于模型的方法包括电化学机理模型[3]和经验模型[4-5]。文献[6-7]从电池内部老化机理出发总结电池退化规律,从而建立退化模型,然后根据电池实际在线退化数据估计退化模型参数,进而实现电池RUL预测。相比之下,经验模型则是从专家经验出发,利用相对直观的线性[8-9]、指数[9-10]等模型综合描述电池退化规律,再结合卡尔曼滤波[8]、粒子滤波[5]等技术跟踪容量衰减趋势并预测未来的容量值。

基于模型的方法思路简明、计算复杂度低,但其预测结果过分依赖退化模型精度,在实际应用中电池使用工况复杂,电池容量退化规律难以被同一模型准确描述。因此,近年来不依赖模型的数据驱动方法得到了业界学者的广泛关注,其主要包括基于性能退化的统计方法和基于机器学习的方法。……