中国科学技术大学科研团队提出锂离子电池健康状态估计的新方法

能源危机和环境污染是威胁人类健康生活和可持续发展的两大难题，大规模推广和发展新能源电动汽车是解决上述问题的有效途径之一。近年来在“碳达峰”与“碳中和”的战略目标背景下，新能源汽车技术得到了迅猛发展。在各类储能电池中，锂离子电池以其能量密度高、自放电率低、无记忆效应等优点脱颖而出，成为电动汽车首选的储能部件。

为满足负载的电压和功率需求，动力电池组通常由成百上千节单体电池串并成组使用。由于生产工艺、成组方式、散热条件的差异，电芯工作时的电压、电流、温度等参数存在不一致现象，进而容易引起部分单体过充、过放等问题，加速寿命衰减，影响电池组可用容量、循环寿命，甚至威胁系统安全。因此，研究动力锂离子电池系统全生命周期寿命衰减机理和健康状态（State of Health， SOH）估计理论方法是推广和发展新能源电动汽车的重要基石。

锂离子电池SOH的定义主要可以从电池容量衰减及内阻增加两个角度出发，分别映射电池放电容量的衰减及运行功率的降低。目前主流的SOH估计方法可以大致分为三类：基于经验/半经验公式方法、基于模型的观测器方法及基于数据驱动的方法。

基于经验/半经验公式的方法和基于模型的观测器方法固有缺点是对模型精度的依赖性强，而基于数据驱动的方法是将电池实际运行的历史和实时数据与机器学习、神经网络等智能算法相结合来估计电池的SOH。与前述两类方法相比，数据驱动的方法往往具有更强的非线性逼近能力，并且对不同电池与工况具有较强的适用性，但其预测的精度依赖于提取的老化特征。

传统的特征提取方法通常直接使用电池运行过程中电流、电压等数据作为老化特征，这类数据具有较高的测量噪声，且通常无法直接准确地表征电池的老化状态。近年来，电池的增量容量（Incremental Capacity， IC）曲线分析方法受到了广泛关注。IC曲线被描述为连续电压阶跃上的增量容量，是通过将恒流充电阶段的容量增量与电压变化进行比较而获得的。研究结果表明，锂离子电池的IC曲线包含了电池老化的诸多特征，并且还可以进一步反映电池的老化机理。

电池的健康状态是电池健康管理的核心，准确的锂离子电池健康状态估计对保证电池安全、可靠、长寿命运行具有重要意义。中国科学技术大学自动化系的周才杰、汪玉洁、李凯铨、陈宗海，在2022年第23期《电工技术学报》上撰文，提出了一种基于增量容量曲线和灰色关联度分析（GRA）以及长短期记忆（LSTM）神经网络的锂离子电池健康状态估计方法。

该方法通过分析电池在老化过程中的充电增量容量曲线变化模式，提取电池老化特征。为了降低计算复杂度，引入灰色关联度分析法进行特征分析与筛选，并将其作为长短时间记忆神经网络的输入，进行网络预训练进而估计电池的健康状态。研究人员最后利用三种不同工况的电池加速老化测试数据集对所提出的健康状态估计方法进行了验证。

他们的实验结果表明，锂离子电池的老化有较强的工况敏感性，不同的充放电倍率对电池的老化速率有较大的影响，该方法表现出优秀的电池健康状态估计性能，并在不同工况以及不同训练循环周期数条件下表现出良好的鲁棒性，平均估计误差约为1%，最大的平均误差也不超过4%。

本文编自2022年第23期《电工技术学报》，论文标题为“基于灰色关联度分析-长短期记忆神经网络的锂离子电池健康状态估计”。本课题得到国家自然科学基金项目、安徽省高校协同创新项目和中国科学技术大学“统筹推进世界一流大学和一流学科建设专项资金”的支持。