锂离子电池健康状态估算方法研究进展*

金建新, 虞儒新, 刘刚, 许林波, 马延强, 王浩彬, 胡晨

Research Progress on State-of-health Estimating Method for Lithium-ion Batteries

JIN Jianxin, YU Ruxin, LIU Gang, XU Linbo, MA Yanqiang, WANG Haobin, HU Chen

表2 电池不同SOH估计方法优缺点比较

电池SOH估计方法 优点 缺点 实验法 安时积分法 估算非常准确 测试时间长，会导致容量衰减，仅适用于特定实验室条件 欧姆内阻法 简单易行、快速 不太准确 电化学阻抗谱法 估算准确，反映信息全 实施过程复杂、需要专业仪器、成本较高 容量增量法 对电池类型不敏感，并能有效识别容量损失机制，精确获取电池内丰富的电化学反应信息 受电流大小、采样频率和噪声的影响 模型法 经验模型法 建模难度低，应用范围广 缺乏清晰的物理含义，精度低，不能考虑运行工况、受环境影响 等效电路模型法 利用电路元件建模简单，可实现在线预测 工况复杂时不适用；精度低 电化学模型法 预测精度高，可以给出电池退化的详细解释 模型参数多，建模困难、计算量大，鲁棒性差 卡尔曼滤波及变体 粒子滤波 适用于实时处理，预测精度高 概率预测，表达不确定性能力强 方法复杂，计算量大，初始化过程复杂；退化模型的建立应准确 数据驱动法 人工神经网络 具有非线性特征和自学能力 需要大量数据训练，精度受训练数据和训练方法影响大，不适合小样本 支持向量机 计算量小，预测精度高 长期预测效果不佳、适用于小样本 模糊逻辑 可对复杂的非线性系统进行建模 自学习能力和适应能力较弱 高斯过程回归 适用于小样本、高维的回归问题；适应性强 计算复杂度高、抗干扰性差 融合法 模型法与数据驱动法融合 精度更高、增加了模型可解释性 计算复杂度高 多种数据驱动法融合 精度更高、泛化能力更强 输入数据量大，计算复杂度高