锂离子电池被广泛的应用在电动车上，电池组的寿命将直接影响电动车的使用和维护成本，因此电池组的衰降机理研究就显得尤为重要。电池组在使用过程中单体电池的衰降，电池组内的单体电池充放电不均衡和电池组内温度分布不均衡等问题，都会导致电池组的容量会不断的衰降，因此对电池组衰降的预测要比对单体电池衰降预测要困难的多，也复杂的多，因此目前大多数的衰降机理研究和衰降模型研究都是针对单体锂离子电池的，我们需要一道桥梁能够将电池组的衰降模式与单体电池的衰降模式联系起来，从而实现对电池组衰降的准确预测。

来自美国俄亥俄州州立大学的Chin-Yao Chang等人开发了一种基于概率方法的电池组衰降预测方法，该方法综合考虑了计算的准确性和计算的复杂程度。在该模型中，单体电池之间由于制造和不同使用温度造成的差异可以通过测量的方法获取衰降模型参数，然后利用概率方法将单体电池的衰降模型合成为电池组的衰降模型，该模型可以用于对插电式混合动力汽车PHEV电池组衰降进行预测，值得一提的是，该模型还包含了电池组中某只电池衰降的最严重的情形，总的来说，该方法具有以下三大特点

1）           利用概率学的方法将单体电池的衰降模型拓展到了电池组。

2）           该模型还能在可以进行测量的情况下（如PHEV），确定一个半经验的模型。

3）           在电池组中确定衰降最严重的电池。

背景介绍

在开始介绍Chin-YaoChang开发的电池组衰降模型之前，我们首先对现有的电池衰降模型进行一个简单的总结。首先对于电池来说，电池衰降主要会造成电池的容量下降、内阻升高，因此对于单体电池的衰降我们主要关注的是两个参数Xc（电池的容量衰降比例）和Xr（电池的内阻升高比例），这两个参数可以利用下式计算得到

在上式中Ti为电池内部温度，Vi为电池的电压，Ii为电池电流，ai为电池的衰降模型的一个参数，和单体电池之间的差异有关，Zi是一个电池累计使用时间相关的参数，也叫压力参数。

电池组一般是由单体电池串联和并联组成的，通常并联在一起的电池由于无法单独测量每只电池的电压和电流，因此一般也将并联在一起的电池认为是一个“大电池”，所以实际中的电池组可以简化为一个由许多“大电池”串联在一起的模型，如下图所示。

图片来自参考文献

对于一个由串联电池组成的电池组而言，电池组的容量损失值Xc取决于串联电池中容量损失最大的那一组电池，如下式所示

对于电池内阻而言，由于单体电池内阻一般比较小，因此串联在一起的电池组的内阻增大比例一般取决于衰降最为严重的单体电池，如下式所示

对于串联电池组而言，电池组的容量则取决于容量最小的那只电池，因此有下式

因此在理想的情况下，如果电池组内每只单体电池的衰降情况都能准确的知道，电池组使用时间参数Zi完全没有不确定性，则电池组的Xc和Xr可以直接进行计算。但是实际上由于单体电池之间存在较大的差异，所以每个电池的衰降参数ai是难以准确进行测量的，因此我们需要开发一个方法能够对电池组的衰降模型参数进行估算。

参数在线估算在单体电池上的应用

Chin-Yao Chang研究显示，衰降模型参数微小的误差都会导致模型预测结果与实际结构之间巨大的误差，因此对于电池组衰降模型参数的估算可以显著的提升模型的预测准确程度。单体电池的衰降主要取决于电池的温度、累计充放电容量、最小SoC、充电倍率、电荷耗尽状态时间和电荷保持时间等因素，这些参数可以分别由下式计算而得。

该式是累计充放电容量的计算方法，其中I为在t时的电流，Ah为电池总的充放电容量。因此电池的容量损失Xc就可以由下式计算而得，其中S为电池的容量

电荷耗尽状态时间所占比例对于电池容量衰降也有很大的影响，可以由下式计算而得，其中tcd为电荷耗尽模式时间，tcs为电荷保持模式时间

所以从上面所列的方程式，我们可以得到一个半经验的模型，如下式所示，式中T是电池外壳的温度，SoCmin是电池组中的最小SoC，Eac为活化能，Rg为理想气体常数，1

为了验证该模型参数对预测结果的影响，Chin-Yao Chang随机产生了100个与普通值偏离度在5%以内的模型参数，因此也就产生了100个模型，将该模型预测结果与实验值和普通模型预测值进行了对比，实验结果如下图所示。从结果来看，在长期预测中由于模型参数微小误差（5%以内）造成的误差在电池循环过程中逐渐增大，导致模型预测失真。因此需要对模型参数进行灵敏度分析，灵敏度分析是采用了数字扰动方法进行的，如下式所示，式中a为衰降模型参数，∂a为扰动，Sen为灵敏度度量。

图片来自参考文献

下图展示了模型对不同参数的灵敏度，从图上可以看到，模型对y和a3两个参数灵敏度最高，因此这两个参数对模型预测的准确度影响十分大。

图片来自参考文献

从上述分析可以得知，准确的估算模型的参数，对于提高模型预测的准确程度具有十分重要的意义，为了能够提高在线预测的准确度，Chin-Yao Chang利用了四种方法对模型参数进行在线估算： 1）扩展卡尔曼滤波EKF，2）无损卡尔曼滤波UKF，3）粒子滤波PF，4）扩展卡尔曼粒子滤波EKPF。利用四种方法对模型参数进行估算，然后利用这些参数对单体电池衰降进行预测的结果如下图所示。从图上可以看到，实验分为两个部分，第一部分是0到17.6kAh，这部分数据用于对模型参数的估算，第二部分是17.6到22.4kAh利用估算的参数对单体电池的衰降进行预测。从结果上来看，通过几种方法的对模型的参数估算后，模型预测结果与实验结果之间均方根要明显小于原始模型的预测结果，这表明使用在线的模型参数估算可以显著的提升模型预测的准确程度。

由于篇幅所限，我们将在下一篇中对该方法在电池组衰降预测中的应用进行介绍，敬请期待。

本文主要参考以下文献，文章仅用于对相关科学作品的介绍和评论，以及课堂教学和科学研究，不得作为商业用途。如有任何版权问题，请随时与我们联系。