基于模型的锂离子电池健康状态预测基于模型的锂离子电池健康状态预测
健康状态预测对于锂离子电池安全高效的使用至关重要。提出并建立了一种锂离子电池集总参数模型，在对模
型的适应性验证的基础上，设计了一种粒子滤波算法来预测锂离子电池健康状态。通过对放电终止时间的仿真
和实验表明，粒子滤波算法能对锂离子电池健康状态给出正确的预测。
0 引言引言
健康状态是指电池从寿命开始到寿命结束期间所处的状态，它通常以百分比的形式表示，健康状态也可以被理解为电池经
过长期使用后所处的退化程度。健康状态预测是指根据检测得到的电池电压、电流、内阻、温度等参数，通过一定的算法预测
判断电池所处的健康状态以及可能出现的故障现象[1]。通过健康状态预测，可以使得在电池永久损坏前有足够的时间来采取
适当的措施以预防事故的发生。
1999年Jaworski就提出用统计参数模型来预测无故障工作时间[2]。Blanke等建立了一种基于阻抗谱的电动/混合动力汽车
车载电池容量预测模型[3]。Bhangu等将扩展卡尔曼滤波算法应用于电动车电池的SOH实时预测[4]。Kozlowski提出融合诸如
自回归滑动平均数和神经网络等数据驱动算法来进行预测和诊断[5]。但当实际工作环境和负载条件与理想数据集不同时通过
评估SOH来精确预测电池健康状态仍然面临技术难题[6]。为此，本文基于锂离子电池
1 基于模型的锂离子电池健康状态预测流程基于模型的锂离子电池健康状态预测流程
电池健康状态的预测可以采用数据驱动、算法模型及两者综合的方式实现，此外也可采用电化学模型来描述电池内部动态
过程[6]。基于阻容网络电路仿真实现的动态模型，适用于铅酸和镍氢电池，对锂离子电池而言还需要考虑非线性平衡电势、
放电比率、温度、热效应和瞬态功率响应等因素的影响[7]，为此需要测量与电解液比重成函数关系的电压。
基于模型的预测使得产品在使用过程中能够提早预防，避免事故发生，在汽车、航空和国防工业中已经出现大量的基于模
型预测的应用。因为系统模型在早期设计阶段已经被仿真，系统的可靠性和鲁棒性将获得最大幅度的提升。这些进展加速了基
于模型的系统诊断和预测的一体化，由此产生了一种基于状态的维护策略，并且提升了系统的可靠性。如果有一个准确的系统
仿真模型，诊断和预测就可以与系统设计同时综合起来。
一个系统导向的预测方法需要满足下列情况[8]：故障检测和基于检测的方法能随着系统元件退化而进行预测，能够减小
任务危险程度和提升决策支持。这种预测不仅能解决个别元件的状况问题，还能处理这些状况对任务准备和采取恰当手段的影
响。
基于模型的预测是假设一个准确的数学模型是存在的，其方法是使用残差作为特征，残差是一个实际的系统传感器测量数
据和数学模型输入之间的一致性检查的结果。前提是存在故障的情况下残差很大，在正常的干扰、噪音和仿真误差的情况下残
差又很小。统计技术用于定义阈值，以检测存在故障。基于模型的预测过程如图1所示[8]。
2 锂离子电池集总参数模型锂离子电池集总参数模型
锂离子电池由一对浸在电解液中的电极组成，化学驱动力来源于两个电极之间的化学势能差。例如在室温20 ℃，1个大
气压条件下测得理论开路电压为E0，然而在实际使用过程中实际电压与E0之间有一个电压降，这个电压降主要是由电阻压
降、活性极化、浓差极化三个方面引起的[6]。
完全表达内部电化学反应的锂离子电池模型很难求解计算而且缺少工程实用性。为此，可用近似的集总参数来表达锂离子
电池内部不同因素引起的电压降，得到如图2所示的模型[6]。图中RE表示引起电阻压降的电解液电阻效应，电荷转移电阻
RCT和并联的界面电容CDL表示活性极化，RW表示浓差极化。
应用集总参数模型在频域中通过电化学阻抗谱测量方法能做出奈奎斯特图，并由此更好地理解电池内部的降解过程，但需
