电池全生命周期状态估算技术综述

摘要：电池管理技术对电池性能的发挥起到重要作用，其中电池全生命周期状态估算（以荷电状态和健康度状态为主）是电池管理技术的一个重要方向。目前，电池荷电状态和健康度状态估算技术主要分为基于数据驱动和基于模型驱动的方法，在对两类方法归纳总结和对比后，以实际工况运用为目标，对现有技术和常用方法的局限性进行分析。最后，展望电池全生命周期状态估算方法的研究发展和挑战，以期为各相关领域的电池管理技术提供设计参考。

关键词：电池管理技术;荷电状态;健康度;状态估算;数据驱动;模型驱动

电池储能系统是一种复杂的非线性动态系统，具有对环境敏感、故障突发、性能衰减等特性[1]。在电池制造技术现有水平之上，电池管理技术对电池性能的发挥起到重要作用，其中电池全生命周期状态估算（以荷电状态和健康度状态为主）是电池管理技术的一个重要方向。

电池荷电状态（SOC）是电池管理系统中的重要指标，其他管理策略都是以SOC为基础展开。作为电池运行状态的核心，高精度和高鲁棒性的SOC估算方法可提高电池使用效率，延长其使用寿命，保证电池储能系统的安全性[2]。

电池健康度状态（SOH）机理复杂，受环境温度、充放电电流强度、内阻劣化等因素影响。通过实际运行测试证明，仅仅依靠电池管理系统采集的充放电数据很难准确估算SOH。电池的健康度状态是一个受多方面因素影响的时变参数，该状态对电池的使用和维护具有重要的价值。

1 电池荷电状态估算技术分析

电池荷电状态SOC定义为在一定的充放电倍率下，电池剩余电量与相同条件下额定容量的比值，该值无法通过电池管理系统直接采集获得，只能通过构建其它参数与SOC的关联并通过数学方法得出。目前SOC估算算法主要有：基于定义/特性的方法、基于数据驱动的方法和基于电池模型的方法。

1.1 基于定义/特性的方法

这类方法主要指安时积分法和开路电压法。安时积分法利用电池充放电过程中，通过对时间和电流积分（有时还会加上某些补偿系数），计算充入或放出的电量，将此电量除以额定容量，再与电池初始的SOC做相应的加减运算，如式（1）所示。这是一种简单、可靠的SOC估计方法，也是目前电池管理系统较多采用的方法，但是由于不准确的SOC初始值以及噪声、温度、电流剧烈波动等因素扰动，将造成误差不断累积。

开路电压法通过实验验证了开路電压与SOC有一定的函数关系，通过该函数关系来估算SOC，由于开路电压的获取需要长时间将电池静置，在实际应用中局限性较大，该方法常用于辅助其它方法计算SOC的初值。

1.2 基于数据驱动的方法

基于数据驱动的方法主要是指机器学习算法。该类方法以数据为基础，通过对数据的学习、训练、分析建立电池模型去模拟电池的特性。通常用电压、电流、温度等可测量作为训练输入，SOC 作为输出，运用各类神经网络模型进行大量训练，获得精确的SOC估算结果。该方法不再依赖电池模型结构及电池参数，容易实现，但需要大量运行于各种工况下的数据进行训练，所建模型误差与训练数据密切相关，网络参数较多，计算量较大，在实际应用中存在一定的局限性。

1.3 基于电池模型的方法

该类方法需要建立电池的等效模型，基于模型通过扩展卡尔曼滤波法、观测器法、粒子滤波法等滤波器算法估算。

常用的电池模型包括等效电路模型和电化学模型，目前等效电路模型已经得到广泛应用。典型的电池等效电路模型有线性模型、戴维南模型、PNGV模型和多阶RC模型等[3]。图1[4]为二阶RC模型示例，其中Uocv为电压源，即开路电压，R0表示电池的欧姆内阻，两个RC环节叠加模拟电池极化过程。

采用高精度的等效电路模型虽然可以获得更高精度SOC估计值，但随着精度的增加，模型的复杂度也随之增加，继而增加了状态空间方程的推导难度及方程自身的复杂度，使得在实际应用中对SOC估计值的计算难度大幅增加[5]。文献[6]通过测试对比了11种等效电路模型，得出一阶和二阶RC电路模型是相对最好的等效电路模型。

电池等效模型建立后，首先需要进行OCV-SOC（开路电压-荷电状态）标定实验，通过在特定环境下利用混合脉冲实验，将电池充/放电到相同间隔的不同SOC点上，静置后记录电池的端电压（此时即开路电压）。在处理离散的开路电压和SOC数据时，采用插值或拟合的方法，可以得到准确的函数表达式。OCV与SOC的曲线是估计SOC值的依据之一，其准确性直接影响SOC值的准确性[7]。

得到OCV-SOC的函数关系后，利用该关系和一些数学方法（如带遗忘因子的递推最小二乘法）对电池模型参数进行实时辨识，最后利用各类滤波器算法设计SOC预测和更新器。

扩展卡尔曼滤波方法是一种常用估计SOC的方法，该方法是通过调节模型参数获得最优估计，对SOC初始值误差的敏感度低。然而，估算过程中需要计算雅可比矩阵，增加了计算量，同时该方法的精度对模型精度要求较高[8]。在扩展卡尔曼滤波基础上衍生出了无迹卡尔曼滤波算法，在处理误差协方差上具有更好的精度。观测器方法虽然能提高SOC估计精度及鲁棒性，但是该方法的性能容易被系统噪声破坏。粒子滤波算法通过贝叶斯滤波准则对随机粒子进行加权递归从而实现以样本均值代替积分运算，获得状态的最小方差估计，具有较高精度，但该方法存在粒子退化、贫化问题[9]。

2 电池健康度估算技术分析

电池的SOH描述的是电池相对于全新状态的老化程度，为电池使用一段时间后的最大可用容量与其所对应的标称容量的比值。分别从容量和内阻的角度定义 SOH 为

其中Cnow 为电池当前可用容量，Cnew 为标称容量;Rr 为电池当前实时内阻，RBOL 为电池寿命终止时内阻，Rnew 为新电池内阻。

SOH无法通过直接测量获得，目前的研究多是根据电压、电流、温度等可测量进行估算，通过对国内外研究现状进行分析，常见的电池 SOH 估算可分为两类：基于模型驱动和数据驱动的算法。

模型驱动的算法以电池特性原理为切入点，对电池建立等效电路模型，仿真电池的充放电过程或衰减趋势，并通过数学方法对包括电池容量、内阻特性指标的模型参数进行辨识，建立特征参数与SOH之间的数学关系，通过统计滤波算法（卡尔曼滤波及其扩展方法、粒子滤波及其扩展方法等）实现SOH的最优估计。该类方法精度高度依赖于模型，计算量大，且需要根据不同型号和不同状态的电池实时修正模型。

基于数据驱动的估算方法根据电池各种老化测试中所获取的数据，通过机器学习方法或深度学习建立估算输入和SOH之间的非线性映射关系，从而实现SOH估算，主要包括支持向量机、模糊逻辑、高斯过程回归、神经网络等方法，是实用性较强的SOH估算方法。该类方法精度较高，泛化能力强，并已得到广泛应用。但运算量较大，精度依赖于模型训练数据的有效性，且训练数据需要包含各种运行工况，测试工作量巨大。

3 部分改进方法分析

通过前两节的分析发现，无论是电池荷电状态估算还是健康度估算，常用的都是两类方法：基于数据驱动的方法和基于模型的方法。

基于数据驱动的方法，文献[11]提出一种基于深度学习的锂离子电池SOC和SOH联合估算方法，基于门控循环神经网络和卷积神经网络，利用电池电压、电流、温度，实现电池全生命周期内的SOC和SOH联合估算。杨学平等人[12]建立了基于BP神经网络的锂离子动力电池荷电状态预测估计模型，以某动力电池充放电实验为依据，将采集的数据引入神经网络模型中进行学习训练，为锂离子动力电池的荷电估算提供了科学预测估计算法依据。吴铁洲等人[13]采用萤火虫算法（FA）优化BP神经网络对锂离子电池进行健康状态（SOH）估算，利用FA算法全局寻优的能力和收敛速度快的特点，优化BP神经网络的权值和阈值，解决BP神经网络容易陷入局部最小值和收敛速度慢的问题。而这类方法的研究，基本都是基于各类神经网络及一些辅助优化方法，并通过Matlab仿真或导入开源实验数据集，如牛津大学电池老化开源数据，少数会通过特定型号电池在特定环境下的运行数据制作测试和验证数据集，距离能够实际运用尚有一段距离，电池实际工况中外部、内部环境多变、电池老化等因素制约着训练模型的通用性。

基于电池模型的方法，文献[15]针对单一的等效电路模型难以准确描述全时段电池状态， 估计電池荷电状态（SOC）准确度低的问题，提出采用多模模型的电池荷电状态联合估计算法， 利用贝叶斯定阶准则综合模型的准确度和实用性来确定RC具体阶数。来鑫等人[16]针对传统混合脉冲测试法在非测试点不能描述电池非线性特性和小电流恒流放电法得到的OCV曲线精度不足等问题，提出一种基于粒子群优化算法的OCV曲线优化方法。谈发明等人[17]考虑到电池滞回效应的影响，提出简化的滞回开路电压模型，修正开路电压与荷电状态之间的关系，以提升电池等效电路模型的精度，针对测量噪声异常扰动、模型发生变化及荷电状态初值存在偏差的情况，利用分阶段变换测量协方差及构建自适应因子方法对无迹卡尔曼滤波算法改进，以平衡荷电状态的估计精度和收敛速度。这类方法依然存在着局限性：1.该类方法多数以OCV-SOC的拟合关系作为后续估算的基础，而目前拟合实验基本都是在特定实验环境下进行，很少考虑环境、温度、电池不同老化程度的影响，而不同型号、不同批次甚至即使相同批次的电池，其OCV-SOC的拟合关系都会有差异。2.各类滤波算法精度高度依赖模型精度，电池模型能否适用于电池的全生命周期仍待验证。

结语

电池全生命周期状态估算对于电池管理具有重要意义，本文对现有电池荷电状态和健康度估算技术进行了总结分析，针对实际工况的运用提出以下建议以进一步研究。

（1）采用数据驱动方法进行预测目前多停留在实验环境和开源测试数据集，即使将该方法运用于实际工况，根据电池管理系统（BMS）采集和计算的历史数据构成训练集训练模型，将最新实时采集数据代入模型得到输出，其结果也只是和BMS计算的结果相近，而目前BMS由于多种因素制约导致计算的SOC并不精确。将神经网络方法真正应用于实际工况，电池厂商和BMS厂商仍需要针对不同电池不同环境下做大量测试工作，且该方法计算量大，对BMS的计算能力是一项挑战。

（2）采用模型驱动方法进行预测仍需要对算法在不同环境、不同实际工况的有效性、精确性进行测试、验证和修正。

（3）目前针对电池状态估算研究多集中于单体电池，电池成组、成簇、成堆后，由于电池单体不一致性，整体特性和单体存在差异，应针对该方面进行验证。

（4）能量管理系统EMS厂商可凭借其存储大量历史数据的优势，开发辅助算法，结合BMS进一步提高预测精度。

参考文献

魏婧雯.储能锂电池系统状态估计与热故障诊断研究[D].合肥：中国科学技术大学，2019.

周娟，孙啸，刘凯，等.联合扩展卡尔曼滤波的滑膜观测器SOC估算算法研究[J].中国电机工程学报，2021，41（2）：692-702.

郭向伟.电动汽车电池荷电状态估计及均衡技术研究[D].广州：华南理工大学，2016.

邹琳，刘佳俊，马国庆，等.基于双无迹卡尔曼滤波的锂电池SOC估算[J].电源技术，2021，45（4）：450-454.

王晓兰，靳皓晴，刘祥远.基于融合模型的锂离子电池荷电状态在线估计[J].工程科学学报，2020，42（9）：1200-1208.

LAI X，ZHENG YJ，SUN T.A comparative study of different equivalent circuit models for estimating state-of-charge of lithium-ion batteries[J]. Electrochimica Acta，2018，259：566-577.

李伟，刘伟嵬，邓业林.基于扩展卡尔曼滤波的锂离子电池荷电状态估计[J].中国机械工程，2020，31（3）：321-327.

ZHANG Yongzhi，XIONG Rui，HE Hongwen，et al.Lithium-Ion battery pack state of charge and state of nergy estimation algorithms using a hardware-in-the-loop validation[J].IEEE Transactions on Power Electronics，2017，32（6）：4421-4431.

李天成，范红旗，孙树栋.粒子滤波理论、方法及其在多目标跟踪中的应用[J].自动化学报，2015，41（12）：1981-2002.

李超然，肖飞，樊亚翔，等.基于卷积神经网络的锂离子电池SOH估算[J].电工技术学报，2020，35（19）：4106-4119.

李超然，肖飞，樊亚翔，等.基于深度学习的锂离子电池SOC和SOH联合估算[J].中国电机工程学报，2021，41（2）：681-691.

杨学平，王正江，蒋超宇，等.基于BP神经网络法研究锂电池核电状态[J].材料导报，2019，33：53-55.

吴铁洲，刘思哲，张晓星，等.基于FA-BP神经网络的锂离子电池SOH估算[J].电池，2021，51（1）：21-25.

杨学平，王正江，蒋超宇，等.基于BP神经网络法研究锂电池核电状态[J].材料导报，2019，33：53-55.

李凌峰，宫明辉，乌江.采用多模模型的锂离子电池荷電状态联合估计算法[J].西安交通大学学报，2021，55（1）：78-85.

来鑫，李云飞，郑岳久.基于SOC-OCV优化曲线与EKF的锂离子电池荷电状态全局估计[J].汽车工程，2021，43（1）：19-26.

谈发明，赵俊杰，李秋烨.基于简化滞回OCV模型的锂电池SOC自适应估计策略[J].中国电机工程学报，2021，41（2）：703-714.

作者简介：苏磊（1987—  ），男，汉族，安徽人，硕士，工程师，研究方向：电力数据分析。