一种锂离子电池SOH 在线检测方法

王建锋，李 娜

（1.长安大学 道路交通智能检测实验室，陕西 西安 710064；2.陕西省道路交通智能检测与装备工程技术研究中心，陕西 西安 710064）

0 引 言

锂离子电池状态直接影响电动汽车的性能提升[1]。锂离子电池健康状态（State of Health, SOH）的精确检测对提升电动汽车BMS（Battery Management System）水平具有重要的意义[2-3]。目前SOH 检测的方法主要有实验估计法、基于模型的方法和基于数据驱动的方法。实验估计法是通过电池的容量、电阻等测试实验来估计SOH。基于模型的方法多采用卡尔曼滤波、自适应滤波、粒子滤波（Particle Filter, PF）等算法进行SOH 估计。基于数据驱动的方法主要采用神经网络方法进行SOH 估计。由于锂离子电池是一个复杂的时变非线性系统，而粒子滤波更适合处理非线性、非高斯系统，但粒子滤波方法存在粒子退化容易陷入局部最优而导致估计精度降低的问题。针对这些问题，本文采用莱维飞行策略指导蚁狮更新位置，解决蚁狮算法容易陷入局部最优和算法收敛慢的问题，通过改进蚁狮算法优化粒子分布。综合应用蚁狮算法和粒子滤波算法进行锂离子电池SOH 估计，通过NASA（National Aeronautics and Space Administration）数据集实验和实测实验，验证所提出方法的检测精度。

1 SOH 估计模型及参数辨识

1.1 SOH 估计模型

为了准确估计电池的SOH，必须建立一个准确的电池容量随充放电周期衰减的退化模型。文献[4]的研究表明，双指数退化模型能够较好地描述电池退化过程。双指数退化模型为：

式中：ɑ、b、c、d为模型参数；k为充放电次数。

将模型离散化并以Xk=[ɑk,bk,ck,dk]T作为状态量。……