鄭文芳，付春流，張建華，湯 平，陳德旺

(1.福州大學(xué) 數(shù)學(xué)與計(jì)算機(jī)科學(xué)學(xué)院，福州 350108； 2.福建星云電子股份有限公司，福州 350015)

0 引言

隨著科技的發(fā)展，鋰離子電池因其優(yōu)于傳統(tǒng)儲(chǔ)能電池的特性成為滿足現(xiàn)代電動(dòng)汽車能源和動(dòng)力需求的最具發(fā)展前景的技術(shù)。為推動(dòng)科技進(jìn)步和促進(jìn)各領(lǐng)域共同發(fā)展，研發(fā)出安全性更高、能量密度更大、循環(huán)壽命更長(zhǎng)、工作效率更穩(wěn)定的鋰離子電池成為了目前鋰電池技術(shù)發(fā)展的重要戰(zhàn)略目標(biāo)[1]。

近年，國(guó)內(nèi)主要對(duì)鋰電池荷電狀態(tài)(SOC,state of charge)和健康狀態(tài)(SOH,state of health)的預(yù)測(cè)方法進(jìn)行研究。相比之下，對(duì)鋰電池剩余使用壽命預(yù)測(cè)的研究偏少，且難以在實(shí)際生產(chǎn)中應(yīng)用。鋰電池的在線SOH評(píng)估和RUL預(yù)測(cè)作為電池管理系統(tǒng)中兩大極為活躍的研究領(lǐng)域，也是PHM中的熱點(diǎn)和挑戰(zhàn)問題[2]。

國(guó)內(nèi)有關(guān)鋰電池RUL預(yù)測(cè)的綜述類論文偏少。本文在簡(jiǎn)單介紹PHM后，對(duì)單體電池的測(cè)評(píng)標(biāo)準(zhǔn)及鋰電池循環(huán)壽命影響因素進(jìn)行概述。然后對(duì)國(guó)內(nèi)外有關(guān)鋰電池日歷壽命、標(biāo)準(zhǔn)循環(huán)壽命預(yù)測(cè)方法的優(yōu)缺點(diǎn)進(jìn)行分析和對(duì)比。最后提出電池壽命預(yù)測(cè)當(dāng)前面臨的關(guān)鍵問題，為該問題后續(xù)研究工作提供理論支持。

1 PHM簡(jiǎn)介

故障預(yù)測(cè)和健康管理是一種集故障檢測(cè)、隔離、健康預(yù)測(cè)與評(píng)估及維護(hù)決策于一身的綜合技術(shù)[3]。相比傳統(tǒng)的基于傳感器的診斷和事后維修或定期維修，PHM系統(tǒng)主要基于智能系統(tǒng)的預(yù)測(cè)和基于狀態(tài)維修，依賴于海量數(shù)據(jù)分析和健康判斷。PHM系統(tǒng)常見功能如圖1所示。

圖1 PHM系統(tǒng)常見功能

故障預(yù)測(cè)和健康管理系統(tǒng)設(shè)計(jì)過程涉及到的關(guān)鍵技術(shù)有：數(shù)據(jù)采集、數(shù)據(jù)處理及特征提取、狀態(tài)檢測(cè)、健康評(píng)估與故障預(yù)測(cè)等。PHM系統(tǒng)在結(jié)束數(shù)據(jù)采集、數(shù)據(jù)處理及特征提取后，通過預(yù)定的失效判據(jù)和各種參數(shù)指標(biāo)的闕值等檢測(cè)系統(tǒng)當(dāng)前狀態(tài)，提供故障報(bào)警能力[4]。當(dāng)產(chǎn)生故障診斷記錄并確定故障發(fā)生可能性時(shí)，依據(jù)健康評(píng)估情況判斷系統(tǒng)未來的健康狀態(tài)，在故障發(fā)生前建議、決策采用相應(yīng)的措施。

國(guó)內(nèi)PHM系統(tǒng)目前狀態(tài)檢測(cè)水平一般，基本不掌握工程實(shí)用的模型，成功應(yīng)用案例較少。有關(guān)電池領(lǐng)域的PHM系統(tǒng)設(shè)計(jì)上，何成等[5-6]通過搭建一套醫(yī)療電子設(shè)備鋰電池?cái)?shù)據(jù)測(cè)試與退化狀態(tài)模擬的實(shí)驗(yàn)平臺(tái)，提出了PHM系統(tǒng)實(shí)現(xiàn)框架。并使用改進(jìn)的粒子濾波算法和改進(jìn)神經(jīng)網(wǎng)絡(luò)算法預(yù)測(cè)鋰電池RUL，驗(yàn)證了鋰電池故障預(yù)測(cè)與健康管理系統(tǒng)的可行性。

PHM系統(tǒng)主要面臨以下問題：把專家經(jīng)驗(yàn)和實(shí)踐經(jīng)驗(yàn)相結(jié)合，搭建健康評(píng)價(jià)模型和預(yù)測(cè)模型。若要實(shí)現(xiàn)PHM系統(tǒng)的設(shè)計(jì)，既要提供物理基礎(chǔ)條件，還需大數(shù)據(jù)分析技術(shù)，行業(yè)知識(shí)、經(jīng)驗(yàn)和模型作為支撐。

2 單體電芯測(cè)評(píng)概述及容量衰減影響因素

電池壽命測(cè)試及其壽命預(yù)測(cè)作為電池壽命的重要研究?jī)?nèi)容，了解單體電芯測(cè)評(píng)標(biāo)準(zhǔn)并分析容量衰減的主要影響因素是有價(jià)值的。單體電芯測(cè)評(píng)如表1所示。

表1 電鈴故障模式

由于電動(dòng)汽車經(jīng)常處于各種復(fù)雜的工況條件，車用動(dòng)力電池需在不同工況條件、不同溫度、不同電流倍率下對(duì)電池的充放電性能進(jìn)行測(cè)試。鋰電池的單體不一致性問題會(huì)影響電池組的使用壽命，降低電池成組后的性能。電芯出廠參數(shù)的一致性主要體現(xiàn)在生產(chǎn)制造過程的一致性。

根據(jù)鋰電池結(jié)構(gòu)特性，過充時(shí)，電池溫度上升致使內(nèi)壓上升，易損壞電池，甚至造成電池自燃或爆裂的危險(xiǎn)。過放時(shí)，電池特性及耐久性會(huì)劣化，可用充放電次數(shù)減少。多變的環(huán)境因素下，溫度能較大地影響電池充放電性能，而充放電倍率會(huì)對(duì)電池的溫度特性造成明顯影響。高溫會(huì)破壞電池內(nèi)部化學(xué)平衡，加速容量衰減。極端低溫下則可能造成電解液凍結(jié)、電池?zé)o法放電等現(xiàn)象。這將極大影響電池系統(tǒng)低溫性能，導(dǎo)致電動(dòng)汽車動(dòng)力輸出性能衰減和續(xù)航里程減少。研究表明，環(huán)境溫度相同的條件下，充電倍率越大，電池升溫越快，容量衰減速率越快[7]。

鋰電池處于整個(gè)循環(huán)壽命時(shí)，環(huán)境條件的變化導(dǎo)致難以預(yù)測(cè)其老化狀態(tài)和剩余壽命。隨著充放電次數(shù)和使用年限的增加，電池功率和能量衰退過程產(chǎn)生不可逆性，而活性材料與電解質(zhì)之間的相互作用主要取決于時(shí)間和溫度。至于電池內(nèi)部性能的衰退則體現(xiàn)在電池的阻抗、電壓和容量等外部特性上。不同的使用條件下，電池衰退速率存在差異，因此難以獲得相對(duì)固定的電池壽命模型參數(shù)。

3 鋰電池剩余壽命預(yù)測(cè)方法研究

3.1 鋰電池日歷壽命

根據(jù)2019年中國(guó)汽車工程協(xié)會(huì)發(fā)布的《鋰離子動(dòng)力電池單體日歷壽命試驗(yàn)方法》，日歷壽命被定義為蓄電池在長(zhǎng)期擱置狀態(tài)下維持一定性能指標(biāo)的時(shí)間。另一種定義，即電池從生產(chǎn)之日起到壽命終止的這段時(shí)間。鋰電池老化過程可區(qū)分為兩種情況：循環(huán)過程中和儲(chǔ)存過程中。研究表明電動(dòng)汽車停車時(shí)間可達(dá)到車輛日歷總壽命的90%。當(dāng)前動(dòng)力電池日歷壽命測(cè)試流程如圖2所示。

圖2 日歷壽命測(cè)試流程

通過測(cè)量樣本不同溫度下的狀態(tài)參數(shù)結(jié)果，對(duì)不同溫度下的衰減曲線進(jìn)行擬合，獲得不同溫度下的衰減率fTi。對(duì)衰減率的絕對(duì)值取自然對(duì)數(shù)lin(fTi)，對(duì)試驗(yàn)溫度T取倒數(shù)1/T后，獲取lin(fTi)和1/T的曲線。結(jié)合阿累尼烏斯方程Y=-Ea/(R*T)+b與不同溫度的衰減曲線擬合方式，推導(dǎo)不同溫度下的日歷壽命模型。其余相關(guān)研究有：Liu Y等[8]建立簡(jiǎn)化的陽極-固體電解質(zhì)界面生長(zhǎng)模型，基于加速老化試驗(yàn)數(shù)據(jù)，使用最小二乘法估計(jì)模型參數(shù)，預(yù)測(cè)電池的不可逆容量損失。文獻(xiàn)[9]結(jié)合高斯過程回歸(GPR，gaussian process regression)和自動(dòng)相關(guān)確定有效挖掘輸入特征，為不同存儲(chǔ)條件下的日歷老化提供良好的泛化能力和準(zhǔn)確的預(yù)測(cè)結(jié)果。日歷老化預(yù)測(cè)已經(jīng)成為電池使用壽命診斷的前提條件，定期檢查的結(jié)果也證實(shí)了溫度和SOC對(duì)電池日歷老化的強(qiáng)烈影響。

3.2 鋰電池循環(huán)壽命

鋰電池循環(huán)壽命分為標(biāo)準(zhǔn)循環(huán)壽命和工況循環(huán)壽命。標(biāo)準(zhǔn)循環(huán)壽命是指在一定充、放電條件下，電池容量衰減到某一規(guī)定值之前，電池所經(jīng)受的充、放電循環(huán)次數(shù)。根據(jù) IEEE 標(biāo)準(zhǔn)，當(dāng)電池容量衰減至80%時(shí)，電池進(jìn)入失效狀態(tài)[10]。工況循環(huán)壽命多用于電動(dòng)汽車使用的動(dòng)力電池，主要考核在復(fù)雜工況下動(dòng)力電池的使用壽命。

國(guó)內(nèi)外對(duì)鋰電池剩余壽命的研究大多基于標(biāo)準(zhǔn)循環(huán)壽命。從特征變量的選取上對(duì)鋰電池RUL預(yù)測(cè)方法進(jìn)行分類，如圖3所示。當(dāng)選擇電池實(shí)際容量這一直接參數(shù)作為特征參數(shù)，其預(yù)測(cè)方法被稱為直接預(yù)測(cè)方法。選擇間接參數(shù)作為特征變量進(jìn)行預(yù)測(cè)的方法稱為間接預(yù)測(cè)方法。

圖3 基于特征變量劃分鋰電池RUL預(yù)測(cè)方法

直接預(yù)測(cè)法應(yīng)用廣泛，但是缺少歷史數(shù)據(jù)時(shí)，預(yù)測(cè)準(zhǔn)確率會(huì)降低。間接預(yù)測(cè)方法把間接參數(shù)作為輸入?yún)?shù)后建立與直接參數(shù)的關(guān)系模型，實(shí)現(xiàn)對(duì)RUL的預(yù)測(cè)。如文獻(xiàn)[11]考慮到容量與溫度變化率之間的高度線性關(guān)系，提出一種基于電池溫度和循環(huán)次數(shù)的變化率來預(yù)測(cè)RUL的新方法。相比直接參數(shù)，間接參數(shù)更易測(cè)量，且能及時(shí)對(duì)預(yù)測(cè)模型進(jìn)行更新。

當(dāng)前預(yù)測(cè)鋰電池剩余壽命的主流方法是基于模型、基于數(shù)據(jù)驅(qū)動(dòng)和基于融合技術(shù)的方法，如圖4所示。退化機(jī)理模型、等效電路模型和經(jīng)驗(yàn)退化模型是基于模型方法的用主要模型。由于電子系統(tǒng)的復(fù)雜性和電池內(nèi)、外部環(huán)境變化的不確定性等約束，找到電池的失效機(jī)理，獲得具體物理模型并確定模型中的參數(shù)不易實(shí)現(xiàn)。因此大多研究都集中在數(shù)據(jù)驅(qū)動(dòng)類方法上?；谌诤霞夹g(shù)的方法不僅能深入分析電池物理化學(xué)特性變化引起的失效機(jī)理，而且能借助于實(shí)時(shí)監(jiān)測(cè)來估計(jì)一些參數(shù)。

圖4 鋰電池RUL預(yù)測(cè)主流方法

3.2.1 基于模型的方法

基于模型的方法是在分析電池失效原理和電化學(xué)反應(yīng)的基礎(chǔ)上，尋找完備的數(shù)學(xué)模型擬合出電池退化軌跡，實(shí)現(xiàn)剩余壽命預(yù)測(cè)的方法。該方法在預(yù)測(cè)過程中無需大量數(shù)據(jù)，適應(yīng)性強(qiáng)，但易損壞電池，實(shí)時(shí)性差。

退化機(jī)理模型從鋰電池內(nèi)部反應(yīng)的本質(zhì)機(jī)理分析電池工作過程中性能的變化規(guī)律，考慮了性能退化對(duì)電池內(nèi)、外部狀態(tài)變量的影響，進(jìn)而搭建電池退化模型。文獻(xiàn)[12-13]從電池的工作曲線評(píng)估電池的壽命損失，構(gòu)造電池容量與充放電循環(huán)次數(shù)的退化機(jī)理模型后實(shí)現(xiàn)鋰電池RUL的預(yù)測(cè)。然而，鋰電池內(nèi)部的化學(xué)反應(yīng)復(fù)雜且影響壽命的因素較多，電池容量衰減過程中，部分參數(shù)難以獲得。因此建立準(zhǔn)確的退化機(jī)理模型較為復(fù)雜，且很少在工程上應(yīng)用。

等效電路模型是專家基于電池系統(tǒng)的工作原理，使用電路元件組成電路網(wǎng)絡(luò)，從而模擬單體電池的動(dòng)態(tài)特性的模型[14]。該模型需深入了解電池內(nèi)部機(jī)理結(jié)構(gòu)后對(duì)電池?cái)?shù)據(jù)進(jìn)行分析。常用的電池模型有：Rint模型、RC模型、Thevenin 模型和 PNGV 模型。汪秋婷等[15]建立鋰電池組并聯(lián)電路等效模型和分析電路模型參數(shù)特征后，使雙卡爾曼濾波進(jìn)行估算。為解決單體電池之間存在性能差異等問題，孫冬等[16]應(yīng)用鋰電池一階RC等效電路模型(如圖5所示)，提出基于多模型數(shù)據(jù)融合技術(shù)的預(yù)測(cè)方法。

圖5 鋰電池一階RC等效電路模型

相比退化機(jī)理模型，基于等效電路模型的 RUL 預(yù)測(cè)方法復(fù)雜度低，實(shí)現(xiàn)性強(qiáng)。但是它忽略了電池內(nèi)部參量與系統(tǒng)狀態(tài)的內(nèi)在聯(lián)系，致使其對(duì)電池動(dòng)、靜態(tài)特性的綜合描述能力弱[17]。事實(shí)上，等效電路模型的經(jīng)典參數(shù)辨識(shí)已被一種基于單一電阻抗參數(shù)辨識(shí)的新方法取代。

經(jīng)驗(yàn)退化模型通過擬合大量實(shí)驗(yàn)數(shù)據(jù)來獲得描述電池性能退化過程的數(shù)學(xué)公式。經(jīng)驗(yàn)退化模型包括：循環(huán)周期數(shù)法，安時(shí)法和加權(quán)安時(shí)法等。文獻(xiàn)[18-19]基于實(shí)驗(yàn)數(shù)據(jù)建立容量衰減經(jīng)驗(yàn)?zāi)Ｐ停诹Ｗ訛V波算法對(duì)模型中的參數(shù)進(jìn)行識(shí)別和更新后，用給定的退化特征失效閾值來估計(jì)電池RUL。對(duì)于不同的工況條件，該方法具有較強(qiáng)的魯棒性。通常在建立經(jīng)驗(yàn)退化模型后，采用統(tǒng)計(jì)隨機(jī)濾波的方法實(shí)現(xiàn)剩余壽命預(yù)測(cè)。

3.2.2 基于數(shù)據(jù)驅(qū)動(dòng)的方法

計(jì)算工具和大數(shù)據(jù)算法的進(jìn)步，帶來了一個(gè)數(shù)據(jù)驅(qū)動(dòng)預(yù)測(cè)分析的新時(shí)代方法。機(jī)器學(xué)習(xí)算法已被證明能夠在許多應(yīng)用中經(jīng)驗(yàn)地學(xué)習(xí)和識(shí)別系統(tǒng)數(shù)據(jù)的更復(fù)雜模式，該特點(diǎn)也有利于預(yù)測(cè)分析建模?；跀?shù)據(jù)驅(qū)動(dòng)的方法適應(yīng)性強(qiáng)，實(shí)時(shí)性高，不會(huì)損害電池本身，克服了模型法針對(duì)不同電池要建立不同模型的弊端。

1)統(tǒng)計(jì)數(shù)據(jù)驅(qū)動(dòng)方法：

高斯過程回歸基于貝葉斯理論和統(tǒng)計(jì)學(xué)習(xí)理論建立，適用于解決高維數(shù)和非線性等復(fù)雜回歸問題。文獻(xiàn)[20-21]建立了基于GPR的鋰電池RUL預(yù)測(cè)模型。其中文獻(xiàn)[21]針對(duì)電池容量不可測(cè)的問題，提出了一種將間接健康指標(biāo)與GPR模型相結(jié)合的方法進(jìn)行RUL預(yù)測(cè)。然而，GPR方法伴隨超參數(shù)和計(jì)算量復(fù)雜等缺陷。因此，粒子濾波等技術(shù)憑借其處理非線性和非高斯系統(tǒng)行為的優(yōu)越性在RUL預(yù)測(cè)中獲得廣泛應(yīng)用。粒子濾波的核心思想是隨機(jī)采樣和重要性重采樣。該方法能進(jìn)行概率式預(yù)測(cè)，且具備不確定性表達(dá)能力。但是電池模型很難建立，初始化過程復(fù)雜，對(duì)鋰電池循環(huán)壽命的預(yù)測(cè)依賴于物理模型或經(jīng)驗(yàn)?zāi)Ｐ蚚22]。X.Zhang等[23]改進(jìn)了無跡粒子濾波(UPF)算法，并應(yīng)用馬爾可夫鏈蒙特卡洛來解決UPF算法的樣本貧化問題，抑制了標(biāo)準(zhǔn)PF算法的粒子退化。由于粒子濾波重要函數(shù)的選擇和采樣粒子多樣性的退化會(huì)限制預(yù)測(cè)精度。H.Zhang等[24]把無跡卡爾曼濾波用于粒子濾波的重要函數(shù)，使用線性優(yōu)化組合重采樣算法來克服粒子多樣性的缺陷。該方法在鋰電池的RUL預(yù)測(cè)上比PF和UPF算法預(yù)測(cè)性能好。

2)傳統(tǒng)機(jī)器學(xué)習(xí)算法：

傳統(tǒng)機(jī)器學(xué)習(xí)算法通常存在預(yù)測(cè)精度低、缺少不確定性表達(dá)、穩(wěn)定性差等缺點(diǎn)。陳耀東等[25]構(gòu)建多個(gè)ARIMA模型預(yù)測(cè)得到鋰電池RUL的最佳擬合模型，但該方法僅在短期預(yù)測(cè)鋰電池RUL上具有較高精確度和較強(qiáng)可行性。文獻(xiàn)[26-27]分別基于貝葉斯最小二乘支持向量回歸(SVR)的方法和樸素貝葉斯模型預(yù)測(cè)鋰電池剩余壽命。分析表明，在恒流放電環(huán)境下，無論工作條件如何，NB的競(jìng)爭(zhēng)性預(yù)測(cè)性能優(yōu)于SVR。SVR雖能處理小樣本、非線性、時(shí)間序列分析等問題，但在核參數(shù)選擇上存在難點(diǎn)。為解決機(jī)器學(xué)習(xí)中尋找全局最優(yōu)參數(shù)的問題，群智能優(yōu)化算法興起。

群智能優(yōu)化算法主要包括：粒子群算法、蟻群算法及人工蜂群算法等。張朝龍等[28]使用小波去噪處理數(shù)據(jù)后，把經(jīng)混沌粒子群優(yōu)化的相關(guān)向量機(jī)用于預(yù)測(cè)鋰電池的RUL。文獻(xiàn)[29-31]分別用蟻群算法、粒子群(PSO)和人工蜂群(ABC)對(duì)支持向量機(jī)進(jìn)行優(yōu)化。這三種群智能優(yōu)化方法不僅增強(qiáng)了SVR關(guān)鍵參數(shù)全局最優(yōu)搜索能力和預(yù)測(cè)能力，還減少了訓(xùn)練時(shí)間和復(fù)雜度。文獻(xiàn)[31]的仿真結(jié)果顯示ABC算法的參數(shù)優(yōu)化效果優(yōu)于PSO算法。群智能優(yōu)化的弊端是可能會(huì)花費(fèi)大量時(shí)間和內(nèi)存。

鋰電池RUL預(yù)測(cè)領(lǐng)域，神經(jīng)網(wǎng)絡(luò)方法同樣應(yīng)用廣泛。文獻(xiàn)[32]采用前饋神經(jīng)網(wǎng)絡(luò)(FFNN)模擬RUL與電荷曲線的關(guān)系，運(yùn)用重要抽樣(IS)進(jìn)行FFNN輸入選擇。提出一種基于FFNN和IS的鋰離子電池RUL在線估計(jì)方法。文獻(xiàn)[33]基于采集電流、電芯電壓、溫度、SOC等數(shù)據(jù)建立基于神經(jīng)網(wǎng)絡(luò)的人工智能模型預(yù)測(cè)動(dòng)力電池RUL。神經(jīng)網(wǎng)絡(luò)可從大量數(shù)據(jù)中提取有效特征，當(dāng)網(wǎng)絡(luò)深度、隱藏層結(jié)點(diǎn)數(shù)目和激活函數(shù)等超參數(shù)存在差異時(shí)，模型性能會(huì)被影響。

3)深度學(xué)習(xí)：

近年，深度學(xué)習(xí)方法在語音和圖像識(shí)別、自然語音系統(tǒng)和推薦系統(tǒng)等相關(guān)領(lǐng)域已取得巨大成果?；谏疃葘W(xué)習(xí)的數(shù)據(jù)驅(qū)動(dòng)預(yù)測(cè)方法也在電池RUL預(yù)測(cè)方面獲得顯著進(jìn)展。文獻(xiàn)[34]使用深度學(xué)習(xí)網(wǎng)絡(luò)模型預(yù)測(cè)鋰離子電池SOH和RUL。對(duì)比發(fā)現(xiàn)，該方法相比線性回歸、K近鄰、支持向量機(jī)和人工神經(jīng)網(wǎng)絡(luò)，預(yù)測(cè)結(jié)果更好。文獻(xiàn)[35]運(yùn)用經(jīng)驗(yàn)分解方法對(duì)鋰電池?cái)?shù)據(jù)進(jìn)行多尺度分解。使用分解數(shù)據(jù)構(gòu)建深度置信網(wǎng)絡(luò)(DBN)模型和長(zhǎng)短期記憶網(wǎng)絡(luò)(LSTM)模型，從而進(jìn)行預(yù)測(cè)?；谏疃葘W(xué)習(xí)的預(yù)測(cè)方法雖有一定創(chuàng)新性，但沒有考慮不確定性。復(fù)雜的深度學(xué)習(xí)的方法可能使得模型泛化能力差，易過擬合，從而導(dǎo)致預(yù)測(cè)不準(zhǔn)確。

3.2.3 基于融合技術(shù)的方法

由于基于模型的方法廣泛應(yīng)用性差，而基于數(shù)據(jù)驅(qū)動(dòng)方法要求歷史數(shù)據(jù)的完備性，且易受數(shù)據(jù)的不確定性影響。融合方法逐漸成為鋰電池剩余壽命預(yù)測(cè)領(lǐng)域的發(fā)展趨勢(shì)?；谌诤戏椒ㄍǔＪ悄Ｐ头ê蛿?shù)據(jù)驅(qū)動(dòng)法的融合，多種數(shù)據(jù)驅(qū)動(dòng)方法的融合。

文獻(xiàn)[36-37]分別把鋰電池退化模型和自回歸滑動(dòng)平均模型、相關(guān)向量機(jī)融合，并使用濾波類方法對(duì)模型進(jìn)行優(yōu)化，從而動(dòng)態(tài)調(diào)整相關(guān)參數(shù)進(jìn)行下一步迭代預(yù)測(cè)。文獻(xiàn)[38-39]分別把支持向量回歸和粒子濾波、自適應(yīng)無跡卡爾曼濾波(AUKF)融合。前者模擬電池老化機(jī)理，采用粒子濾波器估計(jì)阻抗衰減參數(shù)。后者建立雙指數(shù)狀態(tài)空間模型來描述電池退化，引入AUKF算法對(duì)過程噪聲協(xié)方差和觀測(cè)噪聲協(xié)方差進(jìn)行自適應(yīng)更新。然后利用遺傳算法對(duì)SVR關(guān)鍵參數(shù)進(jìn)行優(yōu)化，實(shí)現(xiàn)多步預(yù)測(cè)。該方法與已有UKF算法融合向量機(jī)等方法相比，預(yù)測(cè)精度更高。

文獻(xiàn)[40]把貝葉斯模型平均和長(zhǎng)短期記憶網(wǎng)絡(luò)(LSTMNs)集成，利用訓(xùn)練數(shù)據(jù)退化產(chǎn)生的不同子數(shù)據(jù)集構(gòu)造多個(gè)LSTMN模型。該方法提高了模型性能，較好地實(shí)現(xiàn)了比離線數(shù)據(jù)訓(xùn)練策略更高的預(yù)測(cè)性能。文獻(xiàn)[41]采用偽近鄰法計(jì)算預(yù)測(cè)所需的滑動(dòng)窗口大小，結(jié)合卷積神經(jīng)網(wǎng)絡(luò)和LSTM的優(yōu)點(diǎn)，設(shè)計(jì)了一種混合神經(jīng)網(wǎng)絡(luò)。該方法具有廣泛的通用性和較低的誤差。

基于融合技術(shù)的方法雖能有效提高預(yù)測(cè)精度，但也存在模型泛化性差、預(yù)測(cè)不穩(wěn)定、參數(shù)復(fù)雜和計(jì)算量大等問題。

4 關(guān)鍵技術(shù)研究

鋰電池剩余壽命預(yù)測(cè)這一問題在國(guó)內(nèi)外已有許多學(xué)者投入研究。而在實(shí)際應(yīng)用中，仍面臨以下幾大挑戰(zhàn)。

4.1 在線預(yù)測(cè)

當(dāng)前對(duì)鋰電池剩余壽命的預(yù)測(cè)通常是基于電池容量這一健康指標(biāo)，且大多預(yù)測(cè)方法均基于離線數(shù)據(jù)。然而實(shí)際應(yīng)用中難以在線獲得容量的相關(guān)數(shù)據(jù)，即對(duì)實(shí)時(shí)在線數(shù)據(jù)無法即時(shí)處理，這將導(dǎo)致無法準(zhǔn)確預(yù)測(cè)電池的剩余壽命以實(shí)現(xiàn)在線預(yù)測(cè)。因此，應(yīng)當(dāng)對(duì)在線采集間接特征參數(shù)數(shù)據(jù)和鋰電池RUL間接預(yù)測(cè)方法投入更多研究。

4.2 模型的泛化性

大多模型基于離線數(shù)據(jù)進(jìn)行預(yù)測(cè)，而沒有考慮應(yīng)用于實(shí)際生產(chǎn)。由于電動(dòng)汽車的行駛工況和電池內(nèi)部化學(xué)反應(yīng)存在一定差異，致使模型的預(yù)測(cè)性能在實(shí)際應(yīng)用中效果一般或不準(zhǔn)確，模型的泛化性不高。電池失效預(yù)測(cè)算法的預(yù)測(cè)性能無法得到有效驗(yàn)證。

4.3 單體一致性

鋰電池在生產(chǎn)制造過程中的初始差異和使用過程中電池內(nèi)部狀態(tài)變化的不一致性會(huì)產(chǎn)生單體不一致性問題。這將影響電池成組后的性能、壽命和成本。為提高單體一致性，在生產(chǎn)制作過程中需控制原料的一致性和提高原料標(biāo)準(zhǔn)。以此降低鋰電池剩余壽命預(yù)測(cè)的難度，提高同一批次電池的預(yù)測(cè)精度。

4.4 數(shù)據(jù)量大小

使用容量衰退數(shù)據(jù)擬合獲得的電池壽命模型，其預(yù)測(cè)精度不僅取決于壽命模型本身的精度，還受限于數(shù)據(jù)量大小。數(shù)據(jù)量過多會(huì)加大RUL預(yù)測(cè)的時(shí)間成本和復(fù)雜性，數(shù)據(jù)量不足會(huì)導(dǎo)致預(yù)測(cè)模型不精確。

除此之外，大多模型在預(yù)測(cè)鋰電池RUL時(shí)，僅能在短期預(yù)測(cè)時(shí)具有較高精確度和較強(qiáng)可行性，長(zhǎng)期預(yù)測(cè)性能需通過調(diào)整參數(shù)、數(shù)據(jù)量大小或多種模型結(jié)合等方式進(jìn)行提高。數(shù)據(jù)采集過程中會(huì)產(chǎn)生噪聲數(shù)據(jù)，可通過提高檢測(cè)標(biāo)準(zhǔn)和對(duì)噪聲數(shù)據(jù)進(jìn)行處理，提高預(yù)測(cè)準(zhǔn)確性。預(yù)測(cè)模型的精度還歸因于復(fù)雜且相互耦合的各種影響因素。

5 結(jié)束語

本文簡(jiǎn)述了PHM、單體電芯測(cè)評(píng)及容量衰減影響因素。并對(duì)鋰電池RUL預(yù)測(cè)方法進(jìn)行總結(jié)和分析，發(fā)現(xiàn)基于融合技術(shù)的方法逐漸成為主流。近年，群智能優(yōu)化和深度學(xué)習(xí)這兩大技術(shù)被應(yīng)用于電池領(lǐng)域，取得了較好的預(yù)測(cè)效果。然而，電池內(nèi)外環(huán)境條件的不斷變化以及預(yù)測(cè)方法自身的泛化性問題，在實(shí)際應(yīng)用中依舊難以準(zhǔn)確預(yù)測(cè)其剩余壽命。即仍未解決在線預(yù)測(cè)鋰電池剩余壽命問題。電池在生產(chǎn)、使用過程造成的單體不一致性也加大了在線預(yù)測(cè)電池組剩余壽命的難度。今后可通過構(gòu)建實(shí)際工況中可能出現(xiàn)的性能退化參數(shù)或?qū)﹄姵囟鄠€(gè)退化模式進(jìn)行老化建模等方法提高預(yù)測(cè)精度。