基于SOC-OCV曲线特征的SOH估计方法研究
cxdhj1，张 1，醉熏的小甜瓜，留胡子的招牌2
【摘 要】［摘要］ 电池的健康状态估计(state of health，SOH)是锂离子电池管理系统中的状
态参数之一，影响电池荷电状态估计(state of charge，SOC)和峰值功率估计(state of
power，SOF)的精度。本文中通过追踪SOC-OCV(open circuit of voltage，OCV)曲线特征的
衍变规律，从热力学的角度提出了全新的SOH估计方法。利用三元锰酸锂复合材料为正极的锂离子
电池循环寿命实验数据构建SOH与SOC-OCV曲线特征参数之间的关系，并验证所提SOH估计方法
的精度。实验结果表明：SOH从100%衰退到50%，SOH估计精度在±1.5%以内。
【期刊名称】《汽车工程》
【年(卷),期】2019(041)010
【总页数】6
【关键词】锂离子电池；SOH估计；电池老化；SOC-OCV建模
原稿收到日期为2019年7月15日，修改稿收到日期为2019年8月29日。
前言
锂离子电池在交通和储能领域起到了重要的作用［1-4］。锂离子电池状态(如SOC和SOH等)的
估计是确保锂离子电池被合理使用的基础。在过去10年里，SOC估计已经被广泛研究并取得了突破
性的进展［5-8］，但衡量电池老化和健康程度的SOH却没有引起足够的重视。
SOH除了能够体现锂离子电池相对初始状态下的最大能量存储能力和功率输出能力［9］，还一定
程度上反映了电池的安全性能，如SOH较低时，电池的失效概率会显著增加［10］。因此合理、准
确地估计SOH对于新一代BMS至关重要。
SOH估计通常基于电池的容量或内阻［11-13］，SOH的估计方法主要可分为两大类，一类是基于
衰退机理的电化学模型［14-15］，另一类则是将智能算法与大数据相结合的SOH估计方法［16-
21］。基于衰退机理的电化学模型要求准确理解电化学过程并运用电化学方程对SOH进行估计，这
类模型需要对电化学反应过程进行简化、对边界条件进行一些合理假设。这类方法不仅计算非常繁
琐，且精度严重依赖于电池的老化路径，因此，该方法很难在BMS系统中得到运用。而将智能算法
和大数据相结合的SOH估计方法由于不需要理解复杂的电池老化过程且计算量相对较小而被广泛研
究：Lin等［18］使用了一种基于概率密度神经网络的方法估计钴酸锂电池的SOH，在恒流充放电
的循环工况下，SOH的平均估计误差为0.28%，标准差为1.15%；He等［19］应用动态贝叶斯网络
估计锰酸锂电池的SOH，在较大的温度范围和倍率条件下，SOH的估计误差小于5%。但在电动车
实际使用过程中，循环工况往往比上述研究中的恒流充放电工况更加复杂；与此同时，电池的老化