同濟大學(xué)姜波：鋰離子電池容量估計與壽命預測
圖為同濟大學(xué)汽車(chē)學(xué)院姜波博士做主題演講
9月22日上午，由中國化學(xué)與物理行業(yè)協(xié)會(huì )動(dòng)力電池應用分會(huì )和電池中國網(wǎng)聯(lián)合主辦，全球未來(lái)出行大會(huì )組委會(huì )戰略支持，同濟大學(xué)汽車(chē)學(xué)院、優(yōu)必愛(ài)信息技術(shù)(北京)有限公司重點(diǎn)支持的“Li+學(xué)社·成就鋰享 智信未來(lái)（2018）電池技術(shù)沙龍”第五期：“歸因重組-大數據解開(kāi)電池安全困局”沙龍在杭州國際博覽中心舉辦。同濟大學(xué)汽車(chē)學(xué)院姜波博士在沙龍上做主題演講，以下是演講內容。
同濟大學(xué)汽車(chē)學(xué)院姜波博士：
非常感謝周總給我這個(gè)機會(huì )跟各位同行來(lái)進(jìn)行分享。剛剛代東舉從電芯介紹了一下他們富鋰錳的電池，鄭總從PACK級別介紹了一下他們做的東西，我就簡(jiǎn)單從BMS的角度進(jìn)行報告。我是來(lái)自同濟大學(xué)汽車(chē)學(xué)院新能源汽車(chē)儲能電源系統科技組，我今天的題目是“鋰離子電池容量估計與壽命預測》，主要從汽車(chē)單體級別來(lái)進(jìn)行簡(jiǎn)單的分享。
首先介紹一下我們課題組，成立于2002年同濟大學(xué)汽車(chē)學(xué)院成立的時(shí)候，我們也開(kāi)始發(fā)展。主要的研究方向是新能源汽車(chē)的儲能電源系統，針對的方向是電池。一個(gè)方面是電池包與電機之間的管理，包括電池管理系統、電池模型、SOC估算等。另一方面是電池方面的應用，包括電能變換、電力變換器等等。我們現在的孫澤昌教授是汽車(chē)電子方向學(xué)科帶頭人，還有韋教授是汽車(chē)學(xué)院副院長(cháng)，還有戴教授，主持并參與多項國家級和省部級的科研項目橫向課題等等。
我們課題組的實(shí)驗設備在過(guò)鎳還是比較成熟的，目前有多種實(shí)驗設備，包括充放電設備、電華阻抗測試儀以及恒溫箱等，基本實(shí)現鋰離子電池的充放電測試等實(shí)驗內容，具備多臺工作站，能夠提供電池仿真以及數據處理的平臺，我們還基本滿(mǎn)足電子及電力電子設計制作、測試需要，具備電池成組及管理技術(shù)。
我的報告將主要分為這幾個(gè)方面。首先是背景的簡(jiǎn)單介紹，其次是電池模型及參數辨識，第三個(gè)是電池SOC及電池容量的聯(lián)合估計，第四方面是電池剩余壽命的預測，我做這個(gè)東西時(shí)間也不長(cháng)，可能做的還比較淺，有什么問(wèn)題歡迎大家指出。
目前來(lái)說(shuō)大家關(guān)于動(dòng)力電池主要有三個(gè)方面的問(wèn)題。一個(gè)是電動(dòng)里汽車(chē)的里程擔憂(yōu)問(wèn)題，我們一直在考慮我們電池包一次充電的續航里程有多少，這邊有目前一個(gè)車(chē)廠(chǎng)給出的續航里程，NEDC在355公里，等速里程在500公里，這是一個(gè)電池容量的估計問(wèn)題，到底這個(gè)電池包有多少的容量能夠為我的整車(chē)提供一個(gè)續航。
第二個(gè)是電動(dòng)汽車(chē)的電池壽命問(wèn)題，按照當前的車(chē)輛使用狀況電池還可以用多久，我跑了200公里以后，還可以再跑多少電池的性能會(huì )衰減到不能滿(mǎn)足要求。國內的電池充電次數可以達到1500次，遠到于特斯拉的5百次充電次數，這是一個(gè)電池壽命的預測問(wèn)題。
第三個(gè)是電動(dòng)汽車(chē)安全問(wèn)題，目前已經(jīng)有多輛汽車(chē)發(fā)現了熱安全問(wèn)題，因為電池的容量以及點(diǎn)的壽命是息息相關(guān)的，我今天主要針對動(dòng)力電池的容量估計問(wèn)題以及隱藏的壽命估計問(wèn)題簡(jiǎn)單介紹一下。
這是一個(gè)簡(jiǎn)單的總結，如何定義電池容量？我們定義電池從滿(mǎn)充裝了到放空狀態(tài)所轉移的電荷量。滿(mǎn)充狀態(tài)就是以CCVCA的充電方式達到滿(mǎn)充狀態(tài)，從滿(mǎn)充到放空狀態(tài)的電荷量。我們?yōu)槭裁匆@樣來(lái)定義？一個(gè)是電池容量大小影響電動(dòng)汽車(chē)一次充電續航里程，還有電池管理有很多的關(guān)鍵狀態(tài)，SOC和SOH的估算都需要用到電池容量的信息。
現在整包的電池容量存在一些難點(diǎn)，比如說(shuō)SOC、端電壓變化等等，如何從這些信息當中提取電池容量的信息還是比較困難的，并且SOC的估計可能會(huì )存在誤差，端電壓的采集可能會(huì )造成誤差，我們如何去采取電池容量的信息是比較困難的。還有電池模組層，電池單體不一致會(huì )與某組產(chǎn)生非線(xiàn)性映射。
關(guān)于動(dòng)力電池的壽命預測問(wèn)題，從當前時(shí)刻開(kāi)始，電池性能初次衰退到閾值條件時(shí)所經(jīng)歷的時(shí)間或者充放電周期次數。一般我們有容量、內阻或者是功率，一般容量衰減到80%或者是內阻達到了1.5倍，功率達到了80%就不能滿(mǎn)足動(dòng)力電池的需求了，我們就定義為動(dòng)力電池不能用了，以此來(lái)預測電池壽命的狀況。
我們有兩個(gè)意義。一個(gè)是經(jīng)過(guò)預測電池性能變化，支撐預測維護與保障，避免系統損壞。第二個(gè)是可以指導更科學(xué)的電池管理方法，更長(cháng)久來(lái)提高電池的使用壽命。
目前電池壽命預測也存在很多困難。一個(gè)是我們在實(shí)驗室里面做的一些數據，壽命實(shí)驗數據可以進(jìn)行對比以評估電池技術(shù)的進(jìn)步，但工況比較單一，很難達到一個(gè)統一的評價(jià)，并不能建立與實(shí)車(chē)應用的對應關(guān)系，實(shí)車(chē)壽命預測存在困難。
第二個(gè)是模組壽命遠小于單體的壽命，因此單體壽命評價(jià)與電池組壽命評估并不一致這是兩個(gè)主要的難點(diǎn)。
這是我們目前在做的一個(gè)動(dòng)力電池單體SOC與電池容量的聯(lián)合估計以及電池壽命預測的框架。主要包括三個(gè)方面，一個(gè)是電池模型及參數辨識，這個(gè)有如下幾個(gè)小點(diǎn)，一個(gè)是電壓電流數據采集，建立電池模型之后，對電池模型進(jìn)行一個(gè)參數的辨識，它首先要基于一些數據的測量，比如說(shuō)電池SOC和OCV的數據測量，并且要測量電池在不溫度、老化下的數據。
在獲取電池模型及參數之后可以進(jìn)行一個(gè)聯(lián)合的估計，主要包括兩個(gè)方面，一個(gè)是電池SOC自適應估計，然后再進(jìn)行一個(gè)電池容量估計，估計出來(lái)了以后可以進(jìn)入到一個(gè)電池的壽命預測，同樣我們需要一些數據的支持，我們需要測量一個(gè)離線(xiàn)電池衰減時(shí)電池容量的數據，然后在實(shí)際方法中進(jìn)行使用，來(lái)更新其中的參數，從而達到預測電池壽命的需求。
第一方面是電池模型及參數辨識，簡(jiǎn)單介紹一下我們所做的一些東西和成果。我們從電池18秒的放電數據中截取了幾個(gè)片段，AB段可以體現出電池時(shí)間尺度為微秒級的活化極化引，然后可以進(jìn)行總結，總結出來(lái)比較常用的模型，它是串聯(lián)在一起的一個(gè)模型。
這個(gè)模型可以簡(jiǎn)單描述出電池的一些動(dòng)態(tài)的特性，但我們需要注意，這個(gè)電池模型的一些參數，比如說(shuō)R0、RP會(huì )根據電池的溫度還有SOC發(fā)生變化，所以我們需要對它進(jìn)行一個(gè)在線(xiàn)的估計，目前的估計就是使用遞推最小二乘算法進(jìn)行估計，它有一些優(yōu)點(diǎn)。
比如說(shuō)計算量小，易于實(shí)現，實(shí)現了電池模型參數的在錢(qián)辨識。這是電池模型參數辨識的結果，這面這張圖是電池的歐姆內阻，這邊是典型的結果，虛線(xiàn)是一個(gè)正式值這是一個(gè)訪(fǎng)問(wèn)的結果。從這三個(gè)圖可以看出來(lái)電池模型的參數，使用剛剛提到的算法它的收斂速度比較快，而且收斂后沒(méi)有發(fā)生跳變，這是可以接受的。
我們可以看出，大約在1百秒之前，電池的電壓是有較大誤差的，但在之后電池的端電壓基本上是比較一致的，這是一個(gè)NDC的工況，在末期的時(shí)候有一個(gè)較大的電流，存在大電流的情況下模型的參數沒(méi)有進(jìn)行更新可能會(huì )存在較大的誤差，但是綜合考慮這個(gè)模型以及遞推最小二乘算法，我們覺(jué)得這個(gè)結果還是可以接受的，可以使用這個(gè)模型算法和參數來(lái)用與后面的SOC以及容量估計。
我們還考慮了這樣一個(gè)問(wèn)題，我們電池的電壓在測量的時(shí)候可能會(huì )存在一些噪音，假如存在的時(shí)候，對于電池系統來(lái)說(shuō)是存在一個(gè)有色噪聲，傳統的RLS算法辨識出來(lái)的結果是有偏的，我們采用了偏差補償最小二乘算法，基本上能夠解決電池電壓存在量測聲音的問(wèn)題。
右邊實(shí)線(xiàn)是電池模型的正式結果，下邊的點(diǎn)線(xiàn)是存在噪聲情況下傳統的結果，我們發(fā)現它的誤差還是比較大的，但是我們使用了偏差補償最小二乘算法的時(shí)候，虛線(xiàn)是我們改進(jìn)后的算法，這個(gè)結果或是比較令人滿(mǎn)意的，也是比較靠近的，端電壓結果也是如此。
這個(gè)是我們在不同溫度以及不同電池老化狀態(tài)下的參數辨識結果，我們可以看出，隨著(zhù)電池溫度的降低，電池歐姆內阻和計劃內阻是增大的，電池的計劃內阻是增大的，這個(gè)與我們目前測量低溫下電池內阻增大是符合的，隨著(zhù)電池的老化，電池的歐姆內阻和極化內阻也是增大的，這個(gè)也是符合的，并且我們還可以看出，藍色的線(xiàn)是UDDS的工況，紅色的是NEDC工況。我們有必要用在線(xiàn)辨識的方法來(lái)看參數，因為在實(shí)際運行的工況可能會(huì )導致另外一種狀況，所以我們要實(shí)際來(lái)辨識這些參數。
這是目前SOC估計與電池容量估計算法的介紹，首先介紹一下SOC的算法。第一個(gè)是安時(shí)積分法，這是目前用的比較多的算法。它的定義是通過(guò)當前電池電荷量比上電池最大容量，通過(guò)時(shí)時(shí)刻刻累加來(lái)求得SOC，優(yōu)點(diǎn)是實(shí)現簡(jiǎn)單，但是它也有很多的缺點(diǎn)，一個(gè)是無(wú)法知道準確的SOC初始值。
第二個(gè)是說(shuō)電量測量傳統的傳感器可能會(huì )存在偏差，最終會(huì )導致SOC估計的偏差學(xué)習大。目前我們可能有一些BMS中選用了兩個(gè)傳感器，就在無(wú)形之中增大了他們的BMS的成本。
第三個(gè)是電池容量存在偏差時(shí)，誤差也會(huì )比較大。第四個(gè)是沒(méi)有一個(gè)實(shí)時(shí)的校準機制，不能實(shí)時(shí)可根據當前的電壓采集對SOC進(jìn)行校準，一般是在充電末期的時(shí)候對電池的電壓SOC進(jìn)行校準，這個(gè)是它存在的幾個(gè)缺點(diǎn)。
第二個(gè)是開(kāi)路電壓法，發(fā)現電池SOC和開(kāi)路電壓有一個(gè)比較明顯的關(guān)系，而且這個(gè)關(guān)系也是比較準確的，這樣我們就可以利用開(kāi)路電壓來(lái)確定SOC。目前大家用的方法一個(gè)方面是測量開(kāi)路電壓，需要較長(cháng)時(shí)間的靜置，正常情況下車(chē)輛在運行過(guò)程當中，可能會(huì )存在一些誤差，因為車(chē)輛沒(méi)有那么長(cháng)時(shí)間的靜置。我們可以預測開(kāi)路電壓來(lái)估計SOC，但預測開(kāi)路電壓還是比較困難的，目前做的人也不是很多。
另一方面，我們發(fā)現某些電池在充放電過(guò)程當中存在一些效應，就是充電和放電的開(kāi)路電壓有一些誤差，我們用來(lái)估算SOC由于這種實(shí)時(shí)效應會(huì )造成一些誤差。
第三個(gè)是內阻測量法，內阻與SOC也有一些關(guān)系，但測量比較困難。
第四個(gè)是卡爾曼濾波法，還有神經(jīng)網(wǎng)絡(luò )法，根據電壓的輸入等等來(lái)估計SOC，但這個(gè)不是很適合在嵌入式BMS中適用，這是SOC估計算法的簡(jiǎn)介。
這是電池容量估算法的方法簡(jiǎn)介，一個(gè)是基于SOC變化與電流累計的估算算法，這個(gè)也是基于SOC的定義出發(fā)的，假設SOC估計準確的話(huà)，誤差主要來(lái)源于分母C，這樣來(lái)求出電池容量。
第二種方法我們把電池容量當成一個(gè)參數，我們用雙辨識器的方法來(lái)估算出來(lái)。
第三種方法是基于ICA或者DVA的容量估算算法，我們對于電池SOC的數據來(lái)進(jìn)行處理，我們發(fā)現有很多的特征點(diǎn)，這些特征點(diǎn)是與電池容量有關(guān)系的，可以通過(guò)采集這些特征點(diǎn)來(lái)進(jìn)行估計，這三種方法目前都有人用，各有利弊。
我們做一個(gè)SOC與電池容量估計，我們選擇了卡爾曼濾波法和基于SOC變化與電流的變化進(jìn)行電池容量的估計。這是一個(gè)卡爾曼濾波法的簡(jiǎn)介，一個(gè)是狀態(tài)預測過(guò)程，根據上個(gè)時(shí)刻的狀態(tài)以及這個(gè)時(shí)刻的輸入求得此時(shí)的狀態(tài)，然后來(lái)求得SOC，右邊是一個(gè)簡(jiǎn)單的方程。
我們擴展卡爾曼濾波法來(lái)進(jìn)行預計的時(shí)候，其實(shí)還是存在一些誤差的，因為擴展卡爾曼濾波法需要預先涉及一些系統方差，我們發(fā)現電池在百分之50的時(shí)候存在一個(gè)較大誤差，因為我們對電池模型進(jìn)行信息化的時(shí)候，這個(gè)平臺去進(jìn)行信息化的時(shí)候可能會(huì )存在一些建模的誤差。
第二個(gè)誤差是SOC比較低的情況下，傳統的電動(dòng)模型不能很好描述電池的特性，如果我們存在這種建模誤差的話(huà)，但是我們仍然使用一個(gè)固定的系統當中的方差，就會(huì )到一個(gè)SOC的估計誤差，目前有很多的學(xué)者提出使用自適應卡爾曼濾波算法，根據SOC的估計情況和電壓層的情況，來(lái)估計系統方差和建模方差，從而使SOC達到自適應。
簡(jiǎn)單介紹一下擴展卡爾曼濾波法算法，可以根據觀(guān)測信息對系統的Q和R進(jìn)行實(shí)時(shí)修正，從而獲得更為準確的狀態(tài)估計。這個(gè)一個(gè)狀態(tài)的仿真，擴展卡爾曼濾波的情況下，我們的R是實(shí)時(shí)修正的，而不是傳統設置一個(gè)值就不變的，這個(gè)可以根據工況和電池的模型進(jìn)行調整，這樣就可以得到一個(gè)更加準確的SOC。
這是我們SOC的一個(gè)估計的結果。左邊圖是設定了一個(gè)準確的SOC，真實(shí)情況下從SOC百分之百開(kāi)始放電，算法里也是百分之百，我們發(fā)現結果還是比較準確的，SOC的估計誤差在負1.1%到2.6%。
右邊是SOC初始值不準確，比如說(shuō)真實(shí)是百分之百，算法里面是50%開(kāi)始估計，經(jīng)過(guò)一段時(shí)間之后，我們算法估計出來(lái)的SOC很快跟蹤到了一個(gè)真實(shí)的SOC，在收斂之后，SOC估計誤差也是在負1.2%到2.5%，這個(gè)結果也是可以接受的，總體來(lái)說(shuō)在2.5%以?xún)?，可以提供一個(gè)準確的SOC輸入。
電池容量的原理，我們是一個(gè)基于SOC變化與電量累計的電池容量估算算法，這是一個(gè)公式，我們認為兩點(diǎn)的SOC估計值是準確的，以及電池測量是準確的，因為現在有很多的電流傳感器，可以用兩個(gè)進(jìn)行校準。我們認為不準確的就是分母Q，從而可以根據這個(gè)公式計算出電池的容量，我們可以用電量累計除以SOC的變化來(lái)得到電池的容量，也可以把電池容量當成一個(gè)參數用一些遞推全局最小二乘或者遞推最小二乘法來(lái)進(jìn)行估算的精度。
這是我們的估計結果就是SOC與電池容量聯(lián)合估計的算法結果，第一個(gè)是電池容量衰減4%的結果，可以看到這個(gè)估計出來(lái)的結果基本上與正常的結果是一致的，差別也不大。下面是電池容量衰減10%的時(shí)候估計的結果，經(jīng)過(guò)兩三次的迭代以后，電池容量能夠收斂至正確值，而且估算的誤差在5%以?xún)取?/p>
這個(gè)是我們電池壽命預測的簡(jiǎn)單框架，我解釋一下。我們的這個(gè)算法用的是右邊這張，首先能夠基于SOC的變化累計的電容量估計得到個(gè)電池容量，輸入到RUL預測算法里面，但是電池容量估計還有其他的算法。
比如我們可以用一些數據訓練的方法，來(lái)估計出來(lái)電池容量。我們可以看左邊這張圖是我們比較常見(jiàn)的一個(gè)電池CCV的充電曲線(xiàn)。我們可以挖掘出來(lái)一些數據，比如說(shuō)CC階段充電的電池容量，還有CV階段充電的容量，以及CV階段最后的電流，我們都可以從這些數據當中進(jìn)行挖掘和訓練，從而可以發(fā)現它們之間的關(guān)系，從而推算出電池容量的算法，如果我們采用這種方式也可以進(jìn)行電池容量的估計，從而為使用方法一來(lái)進(jìn)行一些校準，這個(gè)也是有助于我們提高估計的精度。
在估計出來(lái)電池容量之后，就可以把它輸入到生命預期中。我們選用一個(gè)常用的經(jīng)典模型，通過(guò)電池容量的采集，可以對電池模型進(jìn)行初始化，我們采集出來(lái)一些容量點(diǎn)，可以輸入到這個(gè)算法當中，使用一些濾波的算法來(lái)計算一些參數，然后為電流預測采取一些估計值，來(lái)算出剩余的壽命。
這是我們目前用的比較多的一些電池的剩余壽命模型。這個(gè)是機理模型，這個(gè)是電機里面的一些化學(xué)反應推導出電池壽命與哪些因素有關(guān)，這些公式比較復雜，可能需要一些化專(zhuān)門(mén)研究電芯的人來(lái)研究，這是機理模型。
從機理模型出發(fā)可以進(jìn)行一些降階處理，把這些數據歸納可以進(jìn)行一些經(jīng)驗，這些叫做半經(jīng)驗模型。我們可以從數據的角度出發(fā)得到一些經(jīng)驗的模型，我們測量電池在每一個(gè)循環(huán)的電池容量，我們對電池的容量進(jìn)行一些估算，這底下是比較常見(jiàn)的階段模型。
通過(guò)我們估計到的電池模型來(lái)估計電池的參數，從而達到電池壽命預測的目的，這是基于電池容量的一個(gè)電池壽命預測的方法框架，我們首先會(huì )做一些數據的測量，就是電池容量的測量，確定我們這樣的一個(gè)經(jīng)典模型，對四參數進(jìn)行初始化，我每次把電池容量估計出來(lái)之后，我會(huì )輸入到算法當中，我會(huì )根據我上次的點(diǎn)容量來(lái)更新這樣一個(gè)模型的參數，之后就可以估計出下一次的電池容量，下一次估計出來(lái)準確的電池容量以后，可以反饋校準這些參數，從而達到時(shí)時(shí)刻刻更新電池壽命預測參數的效果，相當于把電池容量衰減的過(guò)程預測出來(lái)，這樣才能預測出來(lái)電池的容量什么時(shí)候衰減到不能用，有這樣一個(gè)壽命預測的理念在里面。
這是我們簡(jiǎn)單做了一個(gè)結果也是剛剛開(kāi)始做，這個(gè)結果的誤差可能比較大，這個(gè)就不介紹了。
簡(jiǎn)單做一下總結。我們正在做什么事情呢？建立了一套電池單體層面，SOC與電池容量聯(lián)合估計以及電池壽命預測的算法框架。目前我們取得的成果能夠保證SOC估計在2.5%誤差以?xún)?，以及電池容量估計誤差在5%以?xún)取?/p>
目前我們即將要做的事情，我們會(huì )研究電池單體不一致導致的單體特性與模組特性的非線(xiàn)性映射，還有電池壽命方面，建立實(shí)驗室數據與實(shí)數據的對應關(guān)系，爭取在實(shí)車(chē)上應用，能夠為實(shí)車(chē)運行電池壽命提供算法基礎，爭取在實(shí)上進(jìn)行應用。
謝謝大家的聆聽(tīng)，我的報告就到此結束。
相關(guān)閱讀：
驗證碼：
