CAT蓄电池基于使用需求的锂离子电池老化状态评估方法：概念验证与初步分析
来源：
卡特蓄电池 发布时间：2026-03-30 16:30:12 点击： 次
引言
锂离子电池因其零排放、可重复利用等环保优势，被广泛应用于各个领域[[1], [2], [3]]。根据电动汽车、储能系统和电动工具对锂离子电池的要求，用户在实际使用中主要考量电池的容量与功率特性[4,5]。容量反映锂离子电池储存电能的能能力，该参数直接决定电动汽车的续航里程及储能系统的持续运行时间[6]。功率表征锂离子电池可释放或吸收的最大功率，决定着电动汽车的加速与制动反馈能力、储能系统的调峰调频能力以及电动工具的动态特性[7,8]。因此，合理评估电池老化状态（SOA）并区分用户对容量特性与功率特性需求的差异，对指导电池安全高效运行具有重要意义[9]。
从宏观角度来看，电池SOA表征的是当前电池性能相较初始性能的变化程度，可通过特定性能指标进行评估。常用的SOA评价指标包括容量、欧姆内阻、最大存储能量及循环次数。
随着电池使用或长期存储，其容量会逐渐下降，这促使以容量变化为性能指标的评估方法发展成为目前最广泛使用的SOA评价体系。以容量变化为老化评价指标的方法通常被称为健康状态（SOH）。SOH表征当前容量Qnow与初始容量Qinit的比值，其定义可由公式(1)描述。通常当SOH=0.8时，即可判定电池达到退役标准。SOH=QnowQinit
在电池老化过程中，其特性变化将导致电池模型参数发生改变。各类电池模型参数中，欧姆内阻的变化最为显著，这催生了一种以欧姆内阻变化作为性能指标的SOA评估方法[[10], [11], [12], [13]]：Aging=Ro,eol−Ro,nowRo,eol−Ro,bol式中Ro,eol表示电池寿命终止时的欧姆电阻，Ro,bol表示电池初始状态的欧姆电阻，而Ro,now表示电池当前欧姆电阻。
电池的最大存储能量决定了电动汽车的续航里程，并会随着SOA的累积而持续降低。因此，本文提出了一种基于电池最大储能量的SOA评估方法[14]：Aging=EnowEinit其中Enow表示电池当前可存储的最大能量，Einit表示电池初始状态下可存储的最大能量。
SOA与电池循环次数相关，当前累积循环次数与总循环次数的比值Cnow可作为评估SOA的性能指标：Ctotal在诸多SOA评估方法中，容量衰减法是应用最广泛的方法。由于电池最大储存能量与可用容量密切相关，因此将电池最大储存能量和容量衰减作为性能指标的SOA评估方法可归为同类。随着电池老化程度加剧，容量逐渐降低，欧姆内阻逐步增大，故欧姆内阻的增大同样能表征SOA。Aging=CnowCtotal
电池在特定放电倍率下具有相对固定的循环次数，且循环次数便于统计，因此基于循环次数的SOA评估方法简便实用。
为降低计算难度和复杂度，Hosseininasab等[15]通过简化电化学模型开发了分数阶电池模型，并基于伪二维模型以容量和内阻为指标实现SOA估算。Wang等[16]提出电化学-热耦合模型，可补偿温度变化引起的模型误差，从而实现精确的SOA估算。Li等[17]利用内外健康特征，提出基于电化学模型的老化特征提取方法，结合两种机器学习算法提升了SOA估算精度。Jiao等[18]采用等效功率工况进行老化状态测试，基于八项特征状态参数，在卷积神经网络-长短期记忆-注意力机制框架下实现SOA估算。Zhang等[17]提出基于电化学模型的老化特征提取方法，通过两种机器学习算法提升SOA估算精度。Jiao等[18]采用等效功率工况进行老化状态测试，基于八项特征状态参数，在卷积神经网络-长短期记忆-注意力机制框架下实现SOA估算。Zhang等文献[19]提出了一种能够整合电化学模型与数据驱动方法的技术方案，该方法将基于物理原理的电化学模型与深度学习模型相结合，实现了SOA的精准估计。针对大容量储能电池的SOA估计难题，Yu等[20]运用灰色关联分析法解析了健康特征参数与SOA的相关性，并通过粒子群算法优化时间卷积神经网络，最终实现了SOA的高精度估算。
尽管电池容量衰减能在一定程度上反映其老化状态，但容量衰减仅表征电池存储能量的能力。电池老化还涉及多性向性能衰退，例如内阻增大、功率输出下降以及热失控风险上升。电解液分解、电极材料损耗、隔膜性能退化以及集流体与活性物质间结合力减弱，均可能导致锂离子迁移受阻与电子传导效率降低，从而引发内阻逐渐增大和电池性能持续衰退。从宏观视角观察，内阻变化主要体现为欧姆内阻与极化内阻的上升。然而，电池老化涉及多性向因素，单一内阻指标难以全面反映电池性能衰退。循环次数仅是特定工况下充放电获得的统计值。实际应用中，电池工况极为复杂，常伴随温度、倍率、充放电频次等参数的快速波动。即便循环次数较少，电池老化程度可能已相当严重。电池老化的本质是化学过程作用的结果，包括活性锂损耗、固体电解质界面膜增厚及电解液分解等现象。而循环次数仅考量特定条件下电池充放电次数，无法直接体现电池内部微观变化，这可能导致对电池老化状态的误判。因此，以循环系数作为老化状态的评估方法无法准确反映电池的实际老化状态。
综上所述，以电池最大储能和容量变化作为性能指标的SOA评估方法仅能反映电池容量的衰减特性，而无法体现电池功率的退化特征。基于欧姆内阻变化的SOA评估方法则仅能描述电池模型参数，忽视了电池容量与功率特性的衰减。以循环次数作为性能指标的SOA评估方法仅能表征电池的剩余工作次数，却无法描述电池容量与功率的退化特性。因此，这些性能指标仅能反映电池单一性能的变化，而无法全面体现电池使用特性的退化。
尽管基于电化学模型、数据驱动方法和集成混合诊断可以实现高精度的SOA（荷电状态）估计，但这些算法往往存在模型复杂和计算读档大的缺点，使其难以应用于计算能力极其有限的电池管理系统（BMS）中。此外，为实现更高的估计精度和更好的全年龄能力，通常需要使用不同电池类型、工作条件、温度及老化状态的电池数据对算法进行训练。不仅如此，数据还需经过仔细筛选和甄别，这会影响上述算法与模型的普适性和准确性。
从用户需求角度来看，用户更关注电池的容量与功率能否满足应用要求。例如，用户非常关心电动汽车的续航里程，因为这关系到他们的出行距离和经验值。用户同样高度重视电动汽车与电动工具的输出能力值，例如加速时间、电动汽车的爬坡能力以及电动工具的读档承载能力。然而，基于容量、内阻、储能量和循环次数的SOA评估方法仅反映电池某一方面性能的退化特征，无法体现电池退化对使用需求的影响。
为评估锂离子电池的老化特性，本文从用户对容量和功率的需求出发，提出了一种基于使用需求的SOA评估方法。本文的主要创新点包括：
- 1)
分析了电池性能的退化特性。
- 2)
通过增量容量（IC）分析揭示了电池性能退化差异的原因。
- 3)
提出一种基于使用需求的SOA评估方法。
