鋰離子電池（LiBs）是電動汽車（EV）常用的電源之一。隨著電池的老化，其容量和功率會出現一定的下降。健康狀況（SOH）作為評估電池老化狀態的重要指標，對EV的安全和駕駛體驗至關重要。最常用的SOH指標是電池容量和內電阻，分別反映了電池的容量和功率。鋰損失、活性物質分解、結構變化是容量下降的重要原因。SEI膜的上升是電阻的新增的重要原因。電阻新增會提高電池故障發生率。在老化期間充電曲線、OCV（開路電壓）曲線等顯著變化的電池特性也可以預測電池故障。為了揭示電池老化的規律，目前的大部分工作集中在基于模型的不同類型的估算方法上。

SOH估算方法作為BMS（電池管理系統）中不可或缺的技術，已經使用各種工具和方法進行了廣泛研究。許多因素影響電池的老化，且實驗室條件和實際路況存在很大的不同，所以SOH估算是一項非常具有挑戰性的任務，迫切要改進的的工業應用方法。作者通過對大量的學術成果進行總結和分析，并結合實踐相關經驗，展示了目前已有的方法，并提出改進目前方法和未來SOH發展的方向。

【全面解析】

一、SOH估算方法有哪幾種分類？

SOH估算方法在不同的文獻有不同的分類，且都有自己的特點。本文將電池SOH估算方法分為兩類：實驗方法和基于模型的估算方法。每個重要類別下面有兩個分支，每個分支包含幾種常用方法，如圖1所示。

二、SOH估算方法中的實驗方法是什么？有什么特點？

實驗方法要在實驗室中進行大量實驗以分析電池老化行為。但是實際駕駛條件與實驗室環境之間存在巨大差異，一些實驗方法難以在實際使用的EV上實現。但這些實驗方法可以用來研究電池衰退機制，為基于模型方法供應理論依據。實驗方法包括直接測量法和間接分析法。

直接測量方法是使用容量、阻抗測量和其他測試來直接評估電池健康狀態。直接測量法重要有容量或能量法、AH計數法、歐姆電阻法、阻抗法、循環次數計數法、破壞性法等方法。測量電池的當前容量，則可以直接確定SOH，是最簡單、精確的方法。但是很難再正在工作的EV上實現。AH計數法可以用來驗證其他方法的容量估算結果的準確性。歐姆電阻或阻抗法可以測量電池的總電阻。歐姆定律和電化學阻抗譜（EIS）可以測量電阻。循環次數統計法針對的重要是小型電子產品。該方法重要通過記錄完全放電次數來確定SOH。破壞性法重要通過拉曼光譜、X射線衍射、掃描電子顯微鏡等技術，從微觀角度研究電池的SOH和衰退機制。

間接分析方法通過分析電池的整個劣化數據，對數據進行分析和處理以獲得SOH信息。在獲得與電池容量或內阻降低相關的健康指標和容量或電阻的關系后，就可以獲得電池的SOH信息。充電曲線法根據充電曲線隨著電池劣化過程而改變，來表征電池SOH，該方法就可以精確計算SOH。增量容量分析（ICA）法和差分電壓（dV/dQ）分析（DVA）法是通過處理電壓數據來電池老化信息的方法。超聲波檢查法是一種通過超聲波檢測材料內部各種微小缺陷的便捷方法。超聲波技術可以用來檢測電池老化過程中的內部變化。另外還有如電壓變化、堆棧應力、內部壓力等其他間接方法。

三、SOH估算方法中的基于模型的估算方法是什么？有什么特點？

雖然可以從實驗方法獲得豐富的衰減信息和準確的SOH估算結果，但是關于BMS來說，更要在線、實時和可靠地獲取電池健康狀態。容量、電阻和其他參數可以基于具有自適應濾波或數據驅動算法的模型來估算，然后用于量化LIBs衰減。這兩個類別之間的差別在于計算過程。自適應濾波算法通常使用電化學模型（EM）和ECM，其中閉環控制和反饋是必要步驟。數據驅動方法則是通過黑盒模型和高級分類、機器學習、智能優化算法來實現。基于模型的估算方法是間接方法的擴展，在實時測量數據的基礎上通過濾波或智能算法估算或識別特點參數。

自適應濾波法在電池SOH估算中很流行，也是BMS中使用的一種比較先進的方法，重要有基于等效電路模型法、EM、組合方法。基于等效電路模型的方法是基于電氣模型（ECM）通過查找表方法獲得電池SOH。卡爾曼濾波法（KF）在電池參數和狀態估算方面備受關注。基于KF算法許多衍生的改進的算法，用來處理強非線性和高計算模型。最小二乘（LS）法及其改進算法實現簡單、計算量少，非常適用于參數識別。EM最初由Doyle、Fuller、和Newman設計，包括一系列非線性和耦合偏微分方程。這種模型源于電池的工作原理，能夠描述電池的內部電化學動力學。在組合法中實驗方法與基于模型的方法組合，實驗方法發現的老化機制為基于模型的方法供應了新的思路，通過實驗方法處理從基于模型的方法識別的參數以獲得電池健康狀態。

由于復雜的內部原理和不確定的工作條件，很難建立能夠準確顯示電池動態特性的電池模型。但是數據驅動方法不要了解電池工作原理和明確的電池模型，并且它們僅依賴于收集的老化數據，就可以預測電池的SOH。相關經驗和擬合法使用衰減數據來預測LIBs的行為，而無需詳細了解電化學電池設計和材料特性。優化算法使用智能優化算法來識別模型參數，然后使用一個或多個已識別的參數來推斷SOH。遺傳算法（GA）是最常用的優化方法之一，可以有效地估計非線性系統中的參數。機器學習法是通過使用示例數據或過去的相關經驗來編程計算機以解決給定問題。隨著人工智能的廣泛應用，機器學習方法也逐漸作為SOH估算的方法。近似熵（ApEn）和樣本熵（SampEn）是量化時間序列復雜性和研究時間序列特點的重要工具。SampEn不僅具有ApEn的所有優點，而且還消除了自我匹配并加速了計算。因此，當SampEn應用于在電池老化期間具有變化的電池數據時，它可以作為SOH估計的指標。

四、實驗方法和基于模型的估算方法有什么不同？

采用實驗方法可得到電池衰減數據，并用以分析電池退化過程中重要參數的變化規律。它包含直接和間接分析。直接測量方法是最簡單和最直接的方法，適合在此基礎上離線維護和診斷。雖然它們難以直接用于真正的BMS，但它們是實驗室研究各種電池老化不可或缺的方法。間接分析方法要分析和處理測量的外部參數。分析結果受電池類型的影響很大，不適用于所有電池。關于電動汽車的實際應用，不應忽視該方法的一般性，因此要用不同的電池驗證這些方法。

自適應濾波方法通過識別對電池健康狀態敏感的參數來評估SOH。它們可以通過先進的濾波和狀態估算方法降低性能對電池數據的依賴性，并且可以輕松應用于具有不同化學成分的電池。這些方法準確但對微控制器提出了更高的要求。可以采取一些措施來提高計算效率并釋放計算負擔。數據驅動法要較少的預測試工作。這些方法的缺點是對算法的效率和可移植性的高要求以及對傳輸數據的高度依賴性。這些方法對未來的健康管理系統具有很大的潛力。大數據、云計算、云存儲和其他新興技術將解決數據采集的難度，并提高實時應用中板載算法的準確性。

上述大多數方法都集中在單電池的SOH估計上，而電動汽車中的電池通常串聯和并聯連接以構成電池組。由于EV的操作條件不確定，難以確保單個電池的均勻性。因此，具有強時變和非均勻特性的電池組的健康狀態監測仍然要系統的理論和方法。

表1四種原理方法的比較。

五、未來電池健康管理系統發展方向是什么？

由于其通用性和在線適用性，在實驗室和工業規模上基于模型的方法的在未來應用中前景光明。隨著對準確跟蹤電池行為的更高要求，傳統的單一模型無法滿足未來BMS的需求，將不同模型組合在一起將實現互補并獲得更好的結果。多模型將新增模型適應不確定環境和不同老化水平，因此在復雜的操作條件下可以實現更準確可靠的SOC/SOH/SOP/SOF和RUL（剩余使用壽命）估算。我們相信多模型將成為確保電動汽車安全的發展趨勢。

圖6未來新型模型系統。

未來電池SOH估算的發展可能重要集中在以下三個方面：一是引入新型傳感器，以新增電池外部和內部特點的捕獲。其次是更新和開發適合于老化過程的參數表征的電池模型。最后，隨著大數據技術的發展，模型和數據的融合，以及離線和在線方法的互補協調，也將豐富和提高SOH估計的性能。