當電動汽車中鋰電池組的荷電能力降低到原有容量80%左右時，不再適合繼續在汽車中使用，若將這些鋰電池報廢進行回收處理，未能實現物盡其用，將造成極大的資源浪費。從電動汽車退役下來的鋰電池脫離了電池管理系統，處于離線狀態，且各單體電池健康狀態存在差異，在無法獲取歷史數據的狀態下，需要研究適用于梯次利用鋰電池的健康狀態離線預測方法。

02研究(項目)背景

鋰電池健康狀態(SOH)的主要判斷依據是當前靜態容量，因其測試過程耗時長、測試條件要求高、測試環境特殊，通常在實驗室中完成，不適用于工程實現。實現離線狀態下鋰電池SOH預測，除了建立必要的壽命模型，還需一套合理的測試方法和評價方法。然而，有些健康特征無法在短時間內無法得到。因此，考慮工程可實現性，若大批量電池組待測時，測試時間越短越好。

03論文所解決的問題及意義

本文針對退役鋰電池處于離線狀態且單體電池之間存在性能差異等問題，以鋰電池歐姆內阻為研究對象，設計了適用于梯次利用鋰電池性能測試工況，基于鋰電池一階RC等效電路模型，研究了基于增量式自回歸模型(I-ARX)的健康特征數據提取方法，以此構建了均值內阻、最小內阻和內阻-荷電狀態(SOC)三種健康因子，建立了健康壽命模型，提出了基于多模型數據融合技術的鋰電池SOH預測方法。

04論文方法及創新點

本文以歐姆內阻為健康因子，提出采用恒流放電間歇法測試鋰電池動態內阻，進而研究了歐姆內阻辨識方法和健康特征數據的提取方法。在處理內阻測試數據時發現，所得到內阻-SOC曲線表現出二次曲線特性，且曲線斜率與鋰電池SOH有關，如圖1所示。

圖1鋰電池內阻-SOC曲線

本文設計了鋰電池健康壽命測試實驗，直接尋求所辨識歐姆內阻與SOH之間的關系。在不同SOH狀態下，分別在四種不同環境溫度(10℃、25℃、40℃和55℃)中，對多個全新鋰電池進行健康壽命測試，主要包括基本性能測試和加速老化測試。基于鋰電池健康壽命測試實驗數據，考慮DOD范圍為20%~80%，構建均值內阻健康因子、最小內阻健康因子和內阻-SOC曲線斜率健康因子，并以此建立了三種健康壽命模型。

為保證梯次利用鋰電池SOH預測精度，本文提出采用多模型數據融合技術。采用了BP神經網絡，這一種常用的數據融合方法，利用其自學習、自適應和模擬任意非線性等優勢，進行梯次利用鋰電池SOH預測，其評價方法示意圖如圖2所示。

圖2基于多健康壽命模型數據融合的評價方法示意圖

05結論

本文開展了梯次利用鋰電池SOH離線預測的實驗研究，所設計鋰電池測試工況以動態內阻測試為目標，測試工況時長較短，可在1小時內完成退役鋰電池組測試，具有一定的工程可實現性;基于所設計鋰電池性能測試方法，構建了均值內阻、最小內阻和內阻-SOC曲線三種健康因子，進而建立了三種健康壽命模型;所提出的基于多模型數據融合技術的評價方法，有利于保證梯次利用鋰電池SOH預測的可靠性和精確度，與傳統預測方法相比，不再依靠電池管理系統中的歷史充放電數據。