BMS算法设计之电池SOH介绍（下）

本期咱们继续来聊聊电池包SOH的算法实现，本次主要聊一聊用电化学阻抗谱法，基于模型的估算和机械疲劳的理论方法来实现SOH的估算。上一篇文章没有看到的朋友不用着急，文章中会有上一篇的链接。趁着周末的大好时光，一起来学习下吧！

阻抗谱法

电池模型参数化的一个已知的模型是电化学阻抗谱（Electrochemical Impedance Spectroscopy－ EIS）。此模型的主要优势就是可以利用动态的电流来进行估算，利用电流流动时的SOC的变化。
EIS 一般用于SOC的估算，但也会用来作为SOH的学术研究。研究了温度、放电深度（DOD）和循环次数对锂离子电池放电容量的影响。日历寿命和循环寿命都已经考虑在内，并且都进行了测试，结果表明：随着温度的上升（20℃ －＞ 40℃）或者是放电深度的变化（20％ －＞ 40％），会加快电池的容量衰减。容量衰减是循环次数平方根的函数，循环次数是电芯寿命的线性函数。下图展示了由于电流（C／3）的中断引起的在不同SOC水平下的电池电压变化的测量：

图1

 一定条件下的电压变化测量来估算SOH△V1是施加放电负载时的电压降；△V2是当电流移除时的电压回升；△V3是20分钟后的总的电压回升。这三个可测量的参数被用来研究，目的是找到他们和SOH的关系。并且研究结果表明：由于放电（△V1表明放电的电阻）引起的电压降与循环数是线性关系并且可以用来估算电池的SOH。

基于EIS技术来分析电芯的主要优势是精度；然而，缺点是由于他们本身的复杂性，很难被应用到实际工程中。因此，此种方法不适用于在线实时应用。

在线电池参数辨识法

在众多的电池SOH估算技术中，为了提高估算的精度，构造了一种电芯模型，并且将其用来支持测量的数据。在此种方法中，一个电芯的数学模型与实时系统并行运行，来预测电池在电流输入下的终端电压输出。预测的数值和实际测量之间的误差被作为模型的修正。

一种基于模型估算SOH的方法的基本框架如下图所示。包含：实时在线测量，电池模型参数化（参数辨识）和一个在参数和电池SOH之间的非线性映射。SOH估算器会在离线时受训来找到SOC和SOH之间的关系。在估算单元中也可以把温度的影响考虑进来。

图2 在线参数辨识估算电池SOH