电动汽车动力电池寿命：深入研究与应用

1.影响动力电池使用寿命的因素

无论哪种类型的电池，其单体电池的电压和容量都无法满足电动汽车的需求，必须通过串、并联的方式组成电池组为电动汽车提供能量。由于电池组内单体间不一致性的存在，在动力电池组使用过程中，电池组的最大可用容量与单体的可用容量下降速度不同步，也将导致各单体电池的SOC状态各不相同。电池组的性能并不等于各单体电池性能的简单相加，而是存在类似于木桶短板效应的问题，因此电池组寿命和电池单体相比有明显降低。

动力电池单体在充、放电循环使用过程中，由于一些不可避免的副反应的存在，可用活性物质逐步减少，性能逐步退化。电池老化和故障的原因如图2-25所示，其退化程度随着充、放电循环次数的增加而加剧，其退化速度与动力电池单体充、放电的工作状态和环境有着直接的联系。

图2-25 电池老化和故障的原因

影响动力电池单体寿命的因素主要包括充电截止电压，放电深度，充、放电倍率，环境温度，存储条件，电池维护过程，电流波纹以及过充电量和过充频度等。

①充电截止电压。动力电池在充电过程中一般都伴随有副反应，提高充电截止电压，甚至超过电池电化学电位后进行充电一般会加剧副反应的发生，并导致电池使用寿命缩短，并可能导致电池内部短路损坏，甚至着火爆炸等危险工况的出现。

②放电深度。深度放电会加速动力电池的衰退。

③充、放电倍率。动力电池单体的充、放电倍率是其在使用工况下最直接的特征参数，其大小直接影响着动力电池单体的衰退速度。充、放电倍率越高，动力电池单体的容量衰退越快。

④环境温度。不同的动力电池均有最佳的工作温度范围，过高或过低的温度都将对电池的使用寿命产生影响。

⑤存储条件。在存储过程中，电池的自放电，正、负极材料钝化，电解液分解蒸发，电化学副反应等因素，将导致电池产生不可逆的容量损失。

充、放电倍率和温度对于电池寿命和SOF的影响如图2-26所示。

图2-26 充、放电倍率和温度对于电池寿命和SOF的影响

2.动力电池寿命的预测方法

随着清洁能源的大力发展，已经有越来越多的研究人员开始关注电池的SOH。目前已经有应用的SOH估计方法有无迹卡尔曼、扩展卡尔曼、双卡尔曼滤波、电池健康诊断方法、粒子滤波算法、双滑模观测器方法、阻抗谱分析法和统计学建模法等。这里介绍几种国际上比较认可的主流方法。

（1）基于经验的方法(www.xing528.com)

基于经验的电池寿命预测方法也称为基于统计规律的方法，主要包括以下3种：

①循环周期数法。这种方法是通过对电池的循环周期进行计数，当电池的循环次数到达一定的范围时，就认为电池到达使用寿命。这种方法需要考虑不同循环条件、循环状态等因素对循环寿命的影响，根据经验和标准参数二者共同确定电池寿命。

②安时法与加权安时法。一个电池从初始状态到频繁充电、放电整个过程中能够处理电量的总安时数应该是一个定值，累积安时电量达到一定的程度则认为电池到达寿命，这种方法就是安时法。加权安时法考虑电池在不同状况下放出相同的电量时，对寿命的损伤程度有轻有重，所以当放出的电量乘以一个加权系数之后的累积安时数达到某个值后认为电池到达最终寿命。

③面向事件的老化累积方法。这种方法首先要制定引起电池寿命损失的特定事件的描述，一般每个事件都有一个损伤程度的尺度描述，监测电池在使用过程中事件发生的情况，累计每个事件引起电池寿命衰减情况，给出当前电池的剩余寿命。

以上3种方法都是利用电池使用过程中的一些经验知识，依据某些统计学规律给出电池寿命的一个粗略估计，只能在电池使用的经验知识比较充分的情况下，用于特定场合的寿命预测。

（2）基于性能的方法

基于各种不同形式的性能模型，并且考虑老化过程和应力因素，目前很多研究依据这一思路开展了基于电池性能的寿命预测。根据寿命预测所使用信息来源的不同，将基于电池性能的寿命预测分为基于机理、基于数据驱动和基于特征三类。基于机理的预测是从电池本质机理的角度分析并建立电池的运行机理模型及老化模型，从电化学原理的角度描述电池的老化行为，通过对电池模型的分析预测电池寿命；基于数据驱动的预测是利用电池性能的测试数据，从数据中挖掘出电池性能演变的规律用于寿命预测，例如由数据拟合得到的解析模型和人工神经网络模型都是基于数据驱动的预测；基于特征的预测是利用电池老化过程中所表现出来的特征参量的演变，建立特征量与电池寿命之间的对应关系用于寿命预测。三种方法各有其优缺点，实际应用中常采用几种方法结合的思想。

①基于机理的方法。基于机理的预测需要研究每一个老化因素对状态变量的影响，这种方法首先要对电池物理化学过程进行模型描述，基于欧姆定律、基尔霍夫电压电流定律、电化学反应过程（Butler-Volmer定律）、扩散过程（Fick定律）等，然后研究老化过程对状态变量影响的规律。一方面要研究电池的机理模型，另一方面要研究老化过程、应力因素对状态变量影响的老化机理模型。

基于机理寿命预测的主要优点：适用于几乎所有的状态条件及运行模式的电池；给出了电池老化过程的详细解释，可用于电池生产及设计厂商对电池设计的改进；与其他方法相比，基于该模型对电池控制策略的分析能够更加细致、准确。其缺点在于模型需要精细的参数，且复杂程度较高；针对老化因素的测试比较复杂，建立完善的老化机理模型存在困难。

②基于数据驱动的预测。电池本身物理化学过程复杂，很多规律很难直接通过机理研究描述。从测试数据的角度出发描述电池性能的思想称为数据驱动的方法。常见的数据驱动算法有很多种，如支持向量机（Support Vector Machine，SVM），自回归滑动平均（Autoregressive Moving Average，ARMA）和粒子滤波（Particle Filtering，PF）等。

基于数据驱动的预测不需要对象系统的机理知识，以采集的数据为基础，通过各种数据分析学习方法挖掘其中的隐含信息进行预测，从而避免了模型获取的复杂性，是一种较为实用的预测方法。但是，所获取的数据往往具有很强的不确定性和不完整性，将实际应用中所有可能的寿命影响因素全部进行实验测试也是不现实的。所以，基于数据驱动的预测容易实施，但也有一定的局限性。

③基于特征的预测方法。基于特征寿命预测的思路是利用电池老化过程中所表现出的特征参量的演变，建立特征量取值与电池健康状态之间的对应关系用于寿命预测。目前，基于特征的电池寿命预测主要集中在电化学阻抗与电池循环寿命之间的关系。使用电化学阻抗谱作为电池寿命特征的研究思路一般是在电池循环寿命的不同阶段测量阻抗谱曲线，根据阻抗谱曲线获得电池等效电路模型形式，再分析循环次数和等效电路模型中溶液电阻、传荷电阻及Warburg阻抗等参数的影响规律，最后给出等效电路模型中各参数随电池循环次数变化的拟合公式。除EIS阻抗谱外，还有对电池施加脉冲或阶跃激励信号估计内阻的脉冲阻抗测量方法。EIS方法可以无损地对电池在不同循环次数下连续测试，因此可以作为对电池健康状态检测的一个有力工具。

阻抗谱和电池健康状态之间关系的结论主要有以下几点：

①电池的欧姆内阻基本不随循环次数变化，反映了电解液溶液的稳定性。

②电池阻抗增大的主要原因是其界面过程，通过研究者使用三电极对电池的EIS测试，正极是导致电池阻抗变大的主要部分，而负极则始终保持其原有的容量，因此正极材料的稳定性在很大程度上决定着电池的健康状态。

③正极阻抗增大主要体现在其表征电荷转移过程的半圆弧半径的增大，这说明随着循环次数的增加，电池的电荷转移内阻不断变大。