該文以電池Thevenin二階等效電路模型為基礎(chǔ)，運用自適應(yīng)無跡卡爾曼濾波(AUKF)算法對電池SOC和歐姆內(nèi)阻進行實時估算，并根據(jù)歐姆內(nèi)阻與電池SOH的函數(shù)對應(yīng)關(guān)系，實時估算電池SOH。在兩種不同工況下對電池做充放電實驗，驗證了該方法的可行性和準確性。
并通過對鋰離子電池組中各單體電池及電池組整體健康狀態(tài)的估算，定位不合格單體電池，量化電池組的完好度，制定明確的電動汽車動力鋰離子電池組的梯次利用方案，實現(xiàn)廢舊動力電池的資源利用最大化。
隨著世界能源消耗的日益增加，大氣污染日漸嚴重，發(fā)展新能源汽車成為現(xiàn)代工業(yè)發(fā)展的重要任務(wù)。其中，電動汽車以其效率高、污染小等特點備受關(guān)注。鋰離子動力電池組是電動汽車中唯一的儲能環(huán)節(jié)，當(dāng)電動汽車動力電池組性能下降到原性能的80%時，將不再適合在電動汽車中使用。
動力電池組的制造工藝先進，即使退役后仍然保持很高的安全性和電性能，若將這些鋰電池進行回收處理將造成極大浪費，故可考慮將退役動力電池進行梯次回收利用。由于動力電池組不同單體電池在使用過程中自放電程度、環(huán)境溫度等因素的不同，導(dǎo)致退役的動力電池的容量、內(nèi)阻、電壓存在不一致性，各單體電池老化程度存在差異。因此，若要實現(xiàn)合理的梯次利用，需要對鋰離子動力電池組內(nèi)各單體電池狀態(tài)進行重新評估。
電動汽車用鋰離子電池的狀態(tài)主要通過電池的荷電狀態(tài)(State of Charge, SOC)和健康狀態(tài)(State of Health, SOH)來表征。SOC是電池當(dāng)前的剩余容量與標(biāo)稱容量之比，能直接反映電池的剩余容量，也能直接反映電動汽車當(dāng)前的最多行駛里程，是鋰電池能量管理的重要決策參數(shù)之一;SOH是電池當(dāng)前所能充入的最大電量與額定容量的比值，表征電池的老化程度，體現(xiàn)在電池內(nèi)部活性物質(zhì)減少，實際容量減小，內(nèi)阻增大等。準確估計鋰離子電池組電池狀態(tài)，是動力鋰離子電池梯次利用的關(guān)鍵技術(shù)之一。
現(xiàn)有的電池SOC估計方法可分為以下四類：
①安時積分法：該方法屬于開環(huán)工作模式，從SOC的定義出發(fā)，通過計算采樣電流對時間的積分得到實時的電池SOC。在SOC初始值準確的情況下，該方法短時間內(nèi)能保持較高精度，但隨著工作時間增加，由于不確定的庫倫效率和測試電流的誤差累積，使得此方法精度越來越低，無法長時間獨立使用。
②特征參量法：電池的特征參量通常為電池的開路電壓(Open-Circuit Voltage, OCV)和內(nèi)阻。開路電壓法通過建立電池OCV與SOC的對應(yīng)關(guān)系，通過測量OCV來得到對應(yīng)的SOC值，但電池的開路電壓值較難獲得，需要靜置較長時間，導(dǎo)致該方法誤差較大。測量內(nèi)阻法由于測試設(shè)備昂貴，測試方法較為復(fù)雜，無法滿足在線估計的要求。
③數(shù)據(jù)驅(qū)動法：該方法通過數(shù)據(jù)驅(qū)動的方式對電池進行建模，再運用到電池狀態(tài)估計中，該方法主要有模糊邏輯、人工神經(jīng)網(wǎng)絡(luò)、模糊神經(jīng)網(wǎng)絡(luò)和支持向量機等。這類方法很大程度上依靠訓(xùn)練數(shù)據(jù)的全面性和有效性，在電池的老化過程中，隨著電池特性的變化，訓(xùn)練數(shù)據(jù)會逐漸失效，從而影響估計效果。
④基于多種方法融合的估計方法：此類估計方法基于電池模型，屬于閉環(huán)工作模式，最具代表性的有自適應(yīng)擴展卡爾曼濾波技術(shù)、雙擴展卡爾曼濾波技術(shù)、魯棒擴展卡爾曼濾波技術(shù)、粒子濾波技術(shù)等。這類方法將多種SOC估計方法有機地融合，揚長避短，使其能有效地對SOC進行實時追蹤，是當(dāng)前SOC估計研究最熱門的方向。
現(xiàn)有的電池SOH估計方法主要有以下幾種：
①直接放電法：是利用負載對電池SOH的影響進行評價的方法，該方法操作復(fù)雜，需要離線測試電池的SOH，無法實現(xiàn)實時在線監(jiān)測;
②測量內(nèi)部阻抗法：電池的SOH可以用歐姆內(nèi)阻的關(guān)系式來表征，通過測量分析得到電池的歐姆內(nèi)阻，從而計算得到電池的SOH;
③電化學(xué)阻抗分析法(Electrochemical Impedance Spectroscopy, EIS)：該方法的主要思想是對待測電池施加多個正弦信號，利用模糊理論對得到的數(shù)據(jù)信息進行分析，預(yù)測電池的老化程度，此方法需要大量的實驗數(shù)據(jù)，實用性較低;
④化學(xué)分析法：該方法通過測量電解液密度的變化來對SOH進行估計，但該方法必須破壞電池結(jié)構(gòu)，使得電池不能再繼續(xù)使用;
⑤現(xiàn)代估計方法：主要有卡爾曼濾波算法、神經(jīng)網(wǎng)絡(luò)算法、模糊邏輯算法等，這些方法能對電池的狀態(tài)進行定性定量的分析，實際應(yīng)用效果較好。
針對目前電池狀態(tài)估計精度較低、時效性差等問題，本文采用鋰離子電池二階Thevenin等效電路模型，并運用自適應(yīng)無跡卡爾曼濾波(Adaptive Unscented Kalman Filter, AUKF)算法對電池狀態(tài)進行實時估計。
自適應(yīng)無跡卡爾曼濾波算法結(jié)合無跡卡爾曼濾波算法和擴展卡爾曼算法，建立循環(huán)迭代關(guān)系，已知電池參數(shù)估計電池狀態(tài)，再將電池狀態(tài)作為已知量估計模型參數(shù)，以此類推進行遞推運算，實時估計電池SOC及歐姆內(nèi)阻。
利用歐姆內(nèi)阻與電池SOH的函數(shù)對應(yīng)關(guān)系，可實時估計電池SOH。并通過對電池組中各單體電池及電池組整體健康狀態(tài)的估算，對電池組的剩余利用價值進行量化，制定明確的電動汽車動力鋰離子電池組的梯次利用方案。
圖1 電池二階Thevenin等效電路模型
結(jié)論
1)本文以電池的二階Thevenin等效電路模型為基礎(chǔ)，設(shè)計了自適應(yīng)無跡卡爾曼濾波算法。實驗驗證了自適應(yīng)無跡卡爾曼濾波算法在兩種不同的電流工況下估算電池端電壓及電池SOC的準確性，且該算法不受電流工況的限制，同時驗證了該算法可以實時辨識出電池的歐姆內(nèi)阻。
2)本文應(yīng)用自適應(yīng)無跡卡爾曼濾波算法辨識時變電池系統(tǒng)的歐姆內(nèi)阻，再利用內(nèi)阻與電池SOH的函數(shù)關(guān)系實時估算電池的SOH，并通過實驗驗證了其估算精度。該算法的運算速度快，精度高，具有很好的實用性。
3)本文通過對鋰離子電池組中各單體電池的SOH及平均單體電池SOH的估算，定位不合格單體電池，量化電池組的完好度，明確制定電動汽車動力電池組老化單體電池替換維護方案，實現(xiàn)廢舊動力電池的資源利用最大化，并驗證了該方案的可行性。
4)采用自適應(yīng)無跡卡爾曼濾波算法不但可以估計電池的SOC和歐姆內(nèi)阻，在該電池模型的基礎(chǔ)上，針對不同的參數(shù)建立狀態(tài)空間模型，也可以實現(xiàn)對電池模型的極化特性進行實時的在線估計。
