0 引言
本文介绍了目前主要的锂离子电池SOH预测方法,并对这些方法进行分类,同时分析每种方法的特点。结合实际应用,指出不同方法的适应性和发展方向。期望有助于专业人士更好地了解目前的SOH预测方法和趋势。
1 SOH预测方法分类
可以看出,虽然分类结果不同,但这些分类的方式有一些共同点。首先,大多数方法都有基于模型的预测方法,这是一种较为主流的方法。其次,一些文献采用的数据驱动法、统计法和自适应法等都以数据为基础,都属于数据驱动类的方法。第三,有些方法既不是基于模型,也不属于数据驱动类,如容量增量（incremental capacity, IC）法、电压微分（differential voltage, DV）法和直接评价方法等,可以将其归类为“其他方法”。第四,还有一些方法将多种相同或不同类型的方法混合使用,可以归类为混合法。综上,可以将SOH预测分为基于模型法、数据驱动法、混合法和其他方法四类。
2 不同预测方法的分析
2.1 基于模型法
基于模型法包括电化学模型法、ECM法及数学模型法等。
2.1.1 电化学模型法
从不同的研究角度出发,电化学模型法又可分为基于老化机理的方法和基于电化学阻抗谱（electrochemical impedance spectroscopy, EIS）的方法。
EIS法反映的是电池内部反应原理和电池老化的情况。最简单的基于EIS的方法是测量电池的交流（alternating current, AC）阻抗来评估SOH。ZHANG等[13]在不同温度下对不同循环次数的锂离子电池进行EIS测试,发现阻抗增加和功率衰减的主导因素是正极SEI膜。
2.1.2 EMC法
ECM法根据电池的电气特性,通过电阻、电容等模拟电池的极化反应和自放电反应,使模型接近电池的实际情况。目前常用的ECM主要包括：Rint模型、Thevenin模型、汽车合作伙伴计划（partnership for a new generation of vehicles, PNGV）模型、一阶电阻-电容（resistor-capacitance, RC）模型、二阶RC模型和基于上述电路改进的复合模型[14]。考虑的因素越多,模型越复杂,但效果越符合实际情况。
2.1.3 数学模型法
在SOH预测方面,数学模型主要指经验模型和概率模型。
经验模型将电池寿命衰减与温度、充放电比、电池过充和过放等衰减因子之间的关系进行建模。对不同衰减因子进行测试,并将大量数据拟合为以衰减因子为变量的SOH表达式。因此,使用的衰减因子越多,SOH预测越准确[17]。
概率模型法由概率论导出,有时也被称为概率密度函数（probability density function, PDF）法。该方法主要在电池不同老化状态的充放电曲线中,通过计算电压,检测数据中不同电压值点的发生概率,最终绘制概率密度曲线。随着电池不断老化,相应的峰值电压会发生变化,由此建立概率密度曲线的峰值电压与SOH之间的对应关系。比如FENG等[18]提出了一种基于PDF的SOH估计方法,该方法来源于概率理论,并通过分析电动汽车电池的充放电电压曲线来估计SOH。
2.2 数据驱动法
数据驱动法建立的是一种粗糙模型,然后用大量数据对模型进行细化,使模型与数据一致。相对于模型法,数据驱动法不需考虑锂离子电池内部的电化学反应和失效机理,因此成为目前的研究热点之一。数据驱动法主要分为基于人工智能的方法、基于滤波的方法、基于统计数据的方法以及基于时间序列的方法等。
2.2.1 基于人工智能的方法
基于人工智能的方法包括人工神经网络（artificial neural network, ANN）、支持向量机（support vector machine, SVM）、相关向量机（relevance vector machine, RVM）、模糊算法和集成学习算法等。
常见的ANN有反向传播（back propagation, BP）神经网络、Elman神经网络、径向基函数（radial basis function, RBF）神经网络等[19]。此外,还有ANN改进方法,如史建平等[20]建立的基于自适应神经网络（adaptive neural networks, AdNN）。SVM是一种有监督机器学习方法,除了基本SVM方法[21]外,还有改进SVM算法[22]和SVM融合算法[23]。在RVM方面,LI等[24]提出了一种基于平均熵和RVM的多步超前预测模型;陈乾辉等[25]提出了一种基于离散灰色模型（discrete grey model, DGM）和RVM的电池寿命预测方法。模糊逻辑主要用于解决具有模糊现象的复杂推理问题。SCHWEIGER等[26]采用模糊逻辑与最小二乘法相结合的方法,确定了电芯的容量和SOC。黄炜昭等[27]选取与电池容量衰减密切相关的6种特征参量,并建立了相应的SOH综合评估方法。集成学习法利用一系列学习机来学习,再整合学习结果,达到比单一学习机更好的学习效果。目前集成学习法有两种,一种是AdaBoost算法[28],另一种方法是将弱学习机与集成学习理论相结合[29]。
2.2.2 基于滤波的方法
基于滤波的方法包括KF、粒子滤波（particle filter, PF）和改进算法等。
2.2.3 基于统计数据的方法
基于统计数据的方法通常包括高斯过程回归（Gaussian process regression, GPR）和维纳过程（wiener process, WP）。
2.2.4 基于时间序列的方法
基于时间序列的方法是基于过去的趋势来预测未来的发展。最基本的方法有简单序列均值法、加权序列均值法、移动平均法、加权移动平均法等。除此之外还有自回归移动平均模型（autoregressive moving average model, ARMA）、递归神经网络（recurrent neural network, RNN）和长短期记忆（long-short term memory, LSTM）等方法。其中,RNN和LSTM虽然源于神经网络方法,但从基于时间序列的角度来说其具有良好的预测效果,因此将其归属于基于时间序列的方法。
在RNN方法方面,EDDAHECH等[40]利用EIS测量建立了电池模型,并对电芯模型参数进行监测,使用RNN预测的容量和等效串联电阻（equivalent series resistance, ESR）值作为SOH的指标。
2.3 混合法
目前,混合方法一般分为不同类型方法的组合和相同类型方法的组合。此外,还有优化算法和其他方法的组合。
2.4 其他方法
其他方法主要包括基于SOC法、IC法和其他新方法。
2.4.1 基于SOC法
2.4.2 IC法
IC法使用的是dQ/dV~V的曲线形式,而不是传统的V~Q曲线。通过对恒流充放电曲线进行电流积分可以得到V~Q曲线,求导可得dQ/dV~V曲线,即IC曲线。IC曲线通过电压和电容的微分巧妙地放大了电压的中期响应,其特征与锂离子电池老化的内部反应和机理密切相关,因此可用于SOH预测。比如,LI等[52]使用IC法提取曲线,然后对曲线进行滤波,再使用GPR方法来预测SOH。
2.4.3 其他新方法
3 预测方法的适应性评价
如上所述,每种SOH预测方法的适用范围、复杂性和实施方式都不相同。因此,有必要对SOH预测方法进行评价,为实际应用和研究提供参考。
3.1 基于模型法评价
电化学模型法的优点是精确性高,同时可以了解电池内部的微观反应及老化状态。其缺点是相关参数的识别较困难,无法精准描述电池内部的衰减机理。电化学模型在应用中要使用较为昂贵的测试设备进行研究,因此不太适用于大规模的工业及商业应用。
EMC模型法的优点是模型结构相对简单,具有良好的动态响应特性以及实时系统易于实现。其缺点是模型参数识别的误差会不断增加,另外预测精度受ECM结构的影响很大。在适应性方面,EMC模型法可以用于实际的SOH及SOC预测,但目前在商业领域应用并不广泛[55]。
数学模型法的优点是建模难度低并且应用范围广泛,缺点是数学模型法的物理意义不明确,且受环境影响较大。在应用方面,如果不同条件下的数据收集完备,该模型可以用于工业及商业应用。
3.2 数据驱动法评价
数据驱动法可以分两个大类进行评价。
第一类是基于特征输入进行预测,比如ANN、SVM、RVM以及集成学习等基于人工智能的方法。在预测的环节中,特征抽取是最关键也是最有挑战的步骤[56]。由于现有BMS的计算能力有限,在运行过程中难以获得丰富的外部特征。因此,这类数据驱动法在实际应用时,应采用SOH监测的方式,尽量避免电池建模和数据预处理步骤,以减少计算工作量。
第二类是基于时间序列进行预测,比如GPR、WR、AR、RNN以及LSTM等。其中,AR、RNN和LSTM是非概率方法,随着预测时间的延长,电池老化越快,其预测精度越低。为了使预测更加准确,可以添加一个自适应校正趋势因子。GPR及WR是概率方法,其发展还处于起步阶段,在实际应用中的鲁棒性有待验证。可以通过在复杂的老化条件下训练模型来改进概率水平。还可探索合适的结构确认和参数优化策略,以提高其性能[57]。
总之,数据驱动法的优点是不需要分析电池的老化机理以及使用简单,精确度高。其缺点是需要大量的综合数据来建立模型,以及模型的更新效率比较低。受限于当前的硬件和数据存储技术水平,目前数据驱动法的应用并不广泛。
3.3 其他新方法评价
基于SOC法的优点是简单易行并适用于在线SOH预测。缺点是随着时间延长,测量误差累计会导致预测准确度降低,还有这种方法本身的波动较大。目前SOC法已经在工业中得到了应用。
IC法是一种强大的在线SOH预测方法,在BMS中仅通过监测电压和充放电容量两个参数就可以实现。IC法的优点是易于分析电池的内部反应机理,缺点是需要与其他方法相结合,同时对初始SOC的准确性要求高。预计IC在未来SOH预测中将得到较好的应用。
3.4 混合法评价
通过前面的分析可以看出,每种方法各有优缺点。操作简单的方法往往精度不高,而预测精度高的方法往往操作复杂。因此,混合方法是很好的折中方法。例如,环境因素会影响IC法的预测精度,而数据驱动方法可以将环境因素作为模型训练的输入特性,并将这些因素与模型机制联系起来。因此,IC法和数据驱动的方法相混合可以互补短长。再比如,将基于SOC的方法和数据驱动方法相混合,可以提高SOC预测精度。此外,基于模型的方法和基于数据的方法相混合,可以更好地确定模型参数。
混合法的优点是预测精度较高,缺点是计算复杂且需要依赖试验数据。混合法目前已经实现了工业和商业应用。
4 结论
锂离子电池内部的各种反应和老化机理较为复杂,每一种预测方法都有其可取之处,同时也存在一些不足。基于模型法准确度较高,但模型参数收集存在一定困难且受环境影响较大;数据驱动法使用简单,精确度高,但需要大量的综合数据来建立模型,而且模型的更新效率低;混合法预测精度较高,但计算复杂且需要依赖试验数据;其他方法中,应用较为广泛的方法是基于SOC和OCV的预测方法,这类方法简单实用,但预测的准确度会随着时间的延长而降低且波动性较大。总体而言,IC法和数据驱动法相结合的混合法预测结果更加准确,将会得到更广泛的应用。未来,随着BMS、电气电子及通信技术的发展,SOH预测技术将得到进一步提升和发展。
