当电动汽车中锂电池组的荷电能力降低到原有容量80%左右时，不再适合继续在汽车中使用，若将这些锂电池报废进行回收处理，未能实现物尽其用，将造成极大的资源浪费。从电动汽车退役下来的锂电池脱离了电池管理系统，处于离线状态，且各单体电池健康状态存在差异，在无法获取历史数据的状态下，需要研究适用于梯次利用锂电池的健康状态离线预测方法。
02研究(项目)背景
锂电池健康状态(SOH)的主要判断依据是当前静态容量，因其测试过程耗时长、测试条件要求高、测试环境特殊，通常在实验室中完成，不适用于工程实现。实现离线状态下锂电池SOH预测，除了建立必要的寿命模型，还需一套合理的测试方法和评价方法。然而，有些健康特征无法在短时间内无法得到。因此，考虑工程可实现性，若大批量电池组待测时，测试时间越短越好。
03论文所解决的问题及意义
本文针对退役锂电池处于离线状态且单体电池之间存在性能差异等问题，以锂电池欧姆内阻为研究对象，设计了适用于梯次利用锂电池性能测试工况，基于锂电池一阶RC等效电路模型，研究了基于增量式自回归模型(I-ARX)的健康特征数据提取方法，以此构建了均值内阻、最小内阻和内阻-荷电状态(SOC)三种健康因子，建立了健康寿命模型，提出了基于多模型数据融合技术的锂电池SOH预测方法。
04论文方法及创新点
本文以欧姆内阻为健康因子，提出采用恒流放电间歇法测试锂电池动态内阻，进而研究了欧姆内阻辨识方法和健康特征数据的提取方法。在处理内阻测试数据时发现，所得到内阻-SOC曲线表现出二次曲线特性，且曲线斜率与锂电池SOH有关，如图1所示。
图1锂电池内阻-SOC曲线
本文设计了锂电池健康寿命测试实验，直接寻求所辨识欧姆内阻与SOH之间的关系。在不同SOH状态下，分别在四种不同环境温度(10℃、25℃、40℃和55℃)中，对多个全新锂电池进行健康寿命测试，主要包括基本性能测试和加速老化测试。基于锂电池健康寿命测试实验数据，考虑DOD范围为20%~80%，构建均值内阻健康因子、最小内阻健康因子和内阻-SOC曲线斜率健康因子，并以此建立了三种健康寿命模型。
为保证梯次利用锂电池SOH预测精度，本文提出采用多模型数据融合技术。采用了BP神经网络，这一种常用的数据融合方法，利用其自学习、自适应和模拟任意非线性等优势，进行梯次利用锂电池SOH预测，其评价方法示意图如图2所示。
图2基于多健康寿命模型数据融合的评价方法示意图
05结论
本文开展了梯次利用锂电池SOH离线预测的实验研究，所设计锂电池测试工况以动态内阻测试为目标，测试工况时长较短，可在1小时内完成退役锂电池组测试，具有一定的工程可实现性;基于所设计锂电池性能测试方法，构建了均值内阻、最小内阻和内阻-SOC曲线三种健康因子，进而建立了三种健康寿命模型;所提出的基于多模型数据融合技术的评价方法，有利于保证梯次利用锂电池SOH预测的可靠性和精确度，与传统预测方法相比，不再依靠电池管理系统中的历史充放电数据。
