测温辨健康，如何用电池温度判断SOH？

  新能源Leader   2021-01-16 次浏览

锂离子电池的健康状态是锂离子电池在使用过程中的重要参数，在锂离子电池使用过程中我们需要对这一参数进行监控，通常而言我们可以对锂离子电池使用过程中的电压、内阻等反馈信号进行监控，利用特定的算法推断电池的健康状态。

近日，北京理工大学的Jinpeng Tian（第一作者）等人通过对电池充电过程中表面温度分析的方法，建立了一种新的电池SOH预测的方法，与常用的容量增量法（ICA）具有相近的预测精度，其预测均方根误差可以控制在3.62%和2.49%以下，该方法与ICA方法结合则可以进一步提升预测的准确度。

锂离子电池在循环过程中的衰降主要来自于活性物质损失和活性锂的损失，以及阻抗的增加，因此电池阻抗值（主要是交流阻抗）是经常用来判断锂离子电池SOH的工具，但是测量的电池的交流阻抗需要复杂且昂贵的设备，大大限制了其在实际中的应用。此外一些采用特殊的放电制度判断电池的SOH状态的方法也得到了大量的研究，但是锂离子电池的使用工况是随机，使得这些方法也难以得到很好的应用。相比之，锂离子电池的充电制度通常是固定的，因此我们可以采用电池在充电过程中的一些参数的变化对电池的SOH状态进行预测。

温度是锂离子电池在使用过程中的重要参数，几乎在所有采用锂离子电池的系统中都会采集电池的温度信息。在该研究中，作者采用电池表面温度数据，制作了温度差分曲线，该曲线与电池的衰降呈现明显的相关性。

作者为了验证模型的可靠性，采用了来自牛津大学和NASA的两个电池衰降数据库，其中牛津大学的数据来自8只740mAh的软包电池（如下图b所示），其正极材料为LCO和LNCO，负极为石墨，循环制度为2C充电，放电则模拟动力电池使用场景，每100次循环后，采用1C倍率充放电，测试电池的容量。在整个循环过程中电池的电压、电流和表面温度按照1s的间隔进行采集。电池在1C倍率下充放电容量可以采用电流对时间积分的方式获得，而电池的SOH则可以根据循环后测试得到的容量与初始容量的比值获得。

NASA的数据则来自3只18650电池（如下图c所示），其正极为NCA，负极为石墨，额定容量为2Ah，循环制度为1.5A充电至4.2V，然后以2A电流分别放电至2.7V、2.5V和2.2V，

由于牛津大学的数据信息更多，因此作者采用了牛津大学的数据进行模型的开发，首先作者需要利用温度数据制作温度差分曲线，具体方法如下所示。

直接采用温度数据计算温度差分曲线往往存在大量的噪音，为了克服这一缺点，作者采用了有限步长的方式（如下式所示），其中L为时间间隔，L越长则代表采样间隔越大，温度变化越明显，噪音相应的也就越小，但是L过大又会造成分辨率的降低，因此作者在该研究中采用了L=20s，并采用Kalman过滤器对曲线进行了进一步的平滑。

下图为作者通过上述方法获得的1号电池的温度差分曲线，作者将该曲线划分为了三个区域，其中区域1（电压小于3.6V）的曲线在循环过程中轻微的向右发生了移动，曲线的高度有所增加，此外图中在3.8V附近还存在一个明显的特征峰，在该峰的右侧，也就是区域3中，温度差分曲线的变化更加规律，但是幅度较小，在该峰值的左侧的区域2（3.6-3.8V）电池的温度差分曲线则与电池的SOH状态存在明显的相关性，因此电池温度曲线中区域2位置的曲线非常适合用来对电池的SOH状态进行估算。

在锂离子电池产热的来源主要有两个方面：焦耳热和反应热，因此电池的温度差分曲线可以采用下式进行描述，其中右侧第一项主要描述的为电池的欧姆热，第二项主要描述的为正负极材料在充放电过程中的熵变热，第三项则描述电池对外传热，从该模型中可以看到电池在充电过程中的温度变化主要受到电池内阻和正负极材料熵变的影响。

相关研究表明，材料的熵变对温度差分曲线的影响要明显大于电池内阻的影响，因此上图区域2中的曲线变化主要受到电池熵变的影响，而熵变的变化则直接反应了活性物质的损失，而牛津大学的研究也显示区域二内正极活性物质的损失要明显多于负极，因此区域2反应的主要是正极活性物质的损失。

确定了温度差分曲线反应电池SOH状态的机理，下一步就是从温度差分曲线中分离能够反应电池SOH状态的指标参数，为了减少数据噪声的影响，作者直接采用了区域2曲线DT值作为指标参数HI，也就是以一定的步长取一系列的DT值，形成一个参数矩阵，作为SOH状态的指标参数。确定了电池的SOH状态指标参数后，作者采用机械学习的方法确定SOH与指标参数之间的关系。

作者首先采用牛津大学的数据对上述得到的模型进行了验证，下图为牛津大学数据包中的8只电池的SOH状态实测值与模型预测值之间的误差曲线，从下表中的统计数据可以看到2、3和5号电池的预测误差最大，最大误差分别达到了10%、15和20%，这可能是由于电池差异造成的。为了消除这种个体误差的影响，作者对HI参数进行了归一化处理，具体方法为把第n次的HI参数除以第一次的HI参数，采用归一化处理后的数据进行机械学习后，我们能够看到3号电池的误差显著降低，但是电池在较低的SoC范围内仍然存在较大的误差。

下图为经过归一化处理后的8只电池的DT曲线，可以看到2号电池在寿命末期，SoH=0.725时DT曲线的最高值大幅增加到6.6673，而其他的几只电池则未见到如此大的变化，此外电池5在寿命末期也出现了预测误差大幅增加的现象，这表明电池SOH值接近0.6时，电池的热特性会出现较为明显的变化，这一点可以用来对电池在寿命末期的跳水现象进行预测。

下图为作者采用不同电压范围内的DT数据和不同采样步长数据对模型进行训练最终得到的模型误差，从图中能够看到采用区域2（3.6-3.8V）内得到的模型的准确度最好，这主要是由于区域2内的DT曲线随着点SOH状态变化的波动更大，减少了模型预测的误差。

增量容量法是预测电池SOH状态常用的方法，从下图a可以看到IC曲线在3.8V左右的特征峰与SOH状态之间存在显著的关系，因此我们可以采用该特征峰对电池的SOH状态进行预测。

下图为采用增量容量法和温度差分曲线法获得SOH预测误差曲线，可以看到在多数情况下基于增量容量法的SOH预测都要稍优于基于DT法的预测值，两者的最大RMSEs分别为3.51%和3.62%。

下表中作者对比了DT法和ICA法两种预测模型对于计算资源的消耗程度，可以看到虽然DT方法输入的为向量矩阵参数，但是DT模型的训练时长甚至比ICA方法更短，两者的平均训练时长分别为63.59s和86.62s。模型在进行SOH预测速度上，DT模型的平均时间为0.42ms，ICA方法为0.59ms，可以看到两种方法在适用中速度都非常快，DT模型相比于ICA有着微弱的优势。

接下来作者采用NASA的数据对模型进行了训练（结果如下图所示），从图中能够看到虽然NASA的数据采样量较少，但是模型的预测误差也仅为6.29%，预测结果与ICA模型相当。

从上面的分析可以看到DT和ICA两种预测方法都存在一定的误差，由于两种方法采用不同的数据来源，因此作者认为将两种模型结合在一起可以获得更为精准的SOH预测值。作者将两种方法预测得到的SOH值作为测量值，然后根据下式进行了计算，其中QT和QV分别代表DT和ICA两种方法得到的SOH值，Q则代表根据两种模型得到的复合SOH值。从下图可以看到通过将两种预测方法进行复合，可以有效的提升模型预测的准确度。

对于电池SOH状态的预测对于系统的正常工作至关重要，Jinpeng Tian采用充电过程中电池表面的温度变化信息，实现了对电池SOH状态的精准预测，可以实现与ICA方法相近的预测精度，同时该方法与ICA方法结合可以进一步的提升对电池SOH状态预测的精度。

本文主要参考以下文献，文章仅用于对相关科学作品的介绍和评论，以及课堂教学和科学研究，不得作为商业用途。如有任何版权问题，请随时与我们联系。

State of health estimation based on differential temperature for lithium ion batteries, Transactions on Power Electronics, Jinpeng Tian, Rui Xiong, Weixiang Shen