学术简报︱动力电池健康状态检测的新方法及梯次利用方案
华北电力大学分布式储能与微网河北省重点实验室、中国汽车技术研究中心有限公司、国网湖北省电力公司检修公司的研究人员颜湘武、邓浩然、郭琪、曲伟，在2019年第18期《电工技术学报》上撰文指出（论文标题为“基于自适应无迹卡尔曼滤波的动力电池健康状态检测及梯次利用研究”），准确估计动力锂离子电池组内各单体电池的荷电状态（SOC）和健康状态（SOH）对延长动力锂离子电池组使用寿命及梯次利用至关重要。
该文以电池Thevenin二阶等效电路模型为基础，运用自适应无迹卡尔曼滤波（AUKF）算法对电池SOC和欧姆内阻进行实时估算，并根据欧姆内阻与电池SOH的函数对应关系，实时估算电池SOH。在两种不同工况下对电池做充放电实验，验证了该方法的可行性和准确性。
并通过对锂离子电池组中各单体电池及电池组整体健康状态的估算，定位不合格单体电池，量化电池组的完好度，制定明确的电动汽车动力锂离子电池组的梯次利用方案，实现废旧动力电池的资源利用最大化。
随着世界能源消耗的日益增加，大气污染日渐严重，发展新能源汽车成为现代工业发展的重要任务。其中，电动汽车以其效率高、污染小等特点倍受关注。锂离子动力电池组是电动汽车中唯一的储能环节，当电动汽车动力电池组性能下降到原性能的80%时，将不再适合在电动汽车中使用。
动力电池组的制造工艺先进，即使退役后仍然保持很高的安全性和电性能，若将这些锂电池进行回收处理将造成极大浪费，故可考虑将退役动力电池进行梯次回收利用。由于动力电池组不同单体电池在使用过程中自放电程度、环境温度等因素的不同，导致退役的动力电池的容量、内阻、电压存在不一致性，各单体电池老化程度存在差异。因此，若要实现合理的梯次利用，需要对锂离子动力电池组内各单体电池状态进行重新评估。
电动汽车用锂离子电池的状态主要通过电池的荷电状态（State of Charge, SOC）和健康状态（State of Health, SOH）来表征。SOC是电池当前的剩余容量与标称容量之比，能直接反映电池的剩余容量，也能直接反映电动汽车当前的最多行驶里程，是锂电池能量管理的重要决策参数之一；SOH是电池当前所能充入的最大电量与额定容量的比值，表征电池的老化程度，体现在电池内部活性物质减少，实际容量减小，内阻增大等。准确估计锂离子电池组电池状态，是动力锂离子电池梯次利用的关键技术之一。
现有的电池SOC估计方法可分为以下四类：
①安时积分法：该方法属于开环工作模式，从SOC的定义出发，通过计算采样电流对时间的积分得到实时的电池SOC。在SOC初始值准确的情况下，该方法短时间内能保持较高精度，但随着工作时间增加，由于不确定的库仑效率和测试电流的误差累计，使得此方法精度越来越低，无法长时间独立使用。
②特征参量法：电池的特征参量通常为电池的开路电压（Open-Circuit Voltage, OCV）和内阻。开路电压法通过建立电池OCV与SOC的对应关系，通过测量OCV来得到对应的SOC值，但电池的开路电压值较难获得，需要静置较长时间，导致该方法误差较大。测量内阻法由于测试设备昂贵，测试方法较为复杂，无法满足在线估计的要求。
③数据驱动法：该方法通过数据驱动的方式对电池进行建模，再运用到电池状态估计中，该方法主要有模糊逻辑、人工神经网络、模糊神经网络和支持向量机等。这类方法很大程度上依靠训练数据的全面性和有效性，在电池的老化过程中，随着电池特性的变化，训练数据会逐渐失效，从而影响估计效果。
④基于多种方法融合的估计方法：此类估计方法基于电池模型，属于闭环工作模式，最具代表性的有自适应扩展卡尔曼滤波技术、双扩展卡尔曼滤波技术、鲁棒扩展卡尔曼滤波技术、粒子滤波技术等。这类方法将多种SOC估计方法有机地融合，扬长避短，使其能有效地对SOC进行实时追踪，是当前SOC估计研究最热门的方向。
现有的电池SOH估计方法主要有以下几种：
①直接放电法：是利用负载对电池SOH的影响进行评价的方法，该方法操作复杂，需要离线测试电池的SOH，无法实现实时在线监测；
②测量内部阻抗法：电池的SOH可以用欧姆内阻的关系式来表征，通过测量分析得到电池的欧姆内阻，从而计算得到电池的SOH；
③电化学阻抗分析法（Electrochemical Impedance Spectroscopy, EIS）：该方法的主要思想是对待测电池施加多个正弦信号，利用模糊理论对得到的数据信息进行分析，预测电池的老化程度，此方法需要大量的实验数据，实用性较低；
④化学分析法：该方法通过测量电解液密度的变化来对SOH进行估计，但该方法必须破坏电池结构，使得电池不能再继续使用；
⑤现代估计方法：主要有卡尔曼滤波算法、神经网络算法、模糊逻辑算法等，这些方法能对电池的状态进行定性定量的分析，实际应用效果较好。
针对目前电池状态估计精度较低、时效性差等问题，本文采用锂离子电池二阶Thevenin等效电路模型，并运用自适应无迹卡尔曼滤波（Adaptive Unscented Kalman Filter, AUKF）算法对电池状态进行实时估计。
自适应无迹卡尔曼滤波算法结合无迹卡尔曼滤波算法和扩展卡尔曼算法，建立循环迭代关系，已知电池参数估计电池状态，再将电池状态作为已知量估计模型参数，以此类推进行递推运算，实时估计电池SOC及欧姆内阻。
利用欧姆内阻与电池SOH的函数对应关系，可实时估计电池SOH。并通过对电池组中各单体电池及电池组整体健康状态的估算，对电池组的剩余利用价值进行量化，制定明确的电动汽车动力锂离子电池组的梯次利用方案。
图1 锂离子电池二阶Thevenin等效电路模型
1）本文以电池的二阶Thevenin等效电路模型为基础，设计了自适应无迹卡尔曼滤波算法。实验验证了自适应无迹卡尔曼滤波算法在两种不同的电流工况下估算电池端电压及电池SOC的准确性，且该算法不受电流工况的限制，同时验证了该算法可以实时辩识出电池的欧姆内阻。
2）本文应用自适应无迹卡尔曼滤波算法辨识时变电池系统的欧姆内阻，再利用内阻与电池SOH的函数关系实时估算电池的SOH，并通过实验验证了其估算精度。该算法的运算速度快，精度高，具有很好的实用性。
3）本文通过对锂离子电池组中各单体电池的SOH及平均单体电池SOH的估算，定位不合格单体电池，量化电池组的完好度，明确制定电动汽车动力电池组老化单体电池替换维护方案，实现废旧动力电池的资源利用最大化，并验证了该方案的可行性。
4）采用自适应无迹卡尔曼滤波算法不但可以估计电池的SOC和欧姆内阻，在该电池模型的基础上，针对不同的参数建立状态空间模型，也可以实现对电池模型的极化特性进行实时的在线估计。