北理工孙逢春院士、熊瑞教授课题组：大数据技术赋能电池开路电压在线快速构建创新性方法丨GEITS

近日， 北京理工大学孙逢春院士团队熊瑞 教授 带领的 先进储能科学与应用课题组 在本刊上发表了题为“A novel data-driven method for mining battery open-circuit voltage characterization”的研究论文。为 避免传统电池开路电压(OCV)-荷电状态(SOC)曲线获取过程中所需费时、费力的电池试验，该论文提出了一种实车数据驱动的OCV-SOC曲线通用获取方法，即通过车端收集的OCV-安时(Ah)数据片段的平移与伸缩来构建完整OCV-SOC曲线 。 为验证方法的有效性，利用构建的OCV-SOC曲线估计电池SOC和健康状态(SOH)，并与传统基于电池试验的方法进行了对比，结果表明，该方法实现了精确的SOC和SOH估计，最大偏差分别小于 3.0%和2.9% 。

电池OCV-SOC曲线会受到老化循环、环境温度、工况、单体不一致性等因素影响 。如图2(a)所示，OCV-SOC曲线随老化循环而变化，不同循环次数、8%~98%SOC区间下，OCV平均差异小于2.3mV。图2(b)为不同工况、8%~98%SOC区间下电池OCV-SOC曲线对比，OCV平均差异小于2.8mV。从图2(c)可以看出，温度对OCV-SOC曲线的影响更明显，在8%~98%SOC区间下，25℃曲线与45℃曲线的平均差异可达7.6mV。另外，图2(d)中，不同单体的OCV-SOC曲线也可能存在差异，即单体不一致性也会影响电池OCV特性。总的来说，电池OCV-SOC曲线的总体形状相对稳定，但在OCV-SOC曲线构建过程中，上述因素应充分考虑。

图2 电池OCV-SOC曲线的影响因素

(a)老化循环 (b)工况 (c)温度 (d)单体不一致性

OCV- SOC曲线的构建过程可分为3个步骤：(1)获取数据段，(2)提取OCV，(3)连接OCV片段。 具体步骤如图3所示，这里电量(ΔQ)表示数据段的长度；OCV重叠范围(ΔOCV)表示不同数据段之间的重叠范围；采用均方根误差(RMSE)指标来评价模型预测电压与实测电压之间的差异。 a _i (i=1,2,3)作为其需要满足的约束条件，一般可通过经验或参数优化来设置。

图3 OCV-SOC曲线构建流程

通过将OCV序列与对应的Ah序列耦合，可以得到大量OCV-Ah片段。如果OCV-Ah片段的容量和初始SOC已知，则可进一步构建完整的OCV-SOC曲线。需要注意的是， 在构建OCV-SOC曲线之前，需已知至少一个片段(Segment_0)的真实SOC和容量，作为连接的基准片段 。通常可使用两种方法来获得基准片段：(1) 通过标定以获得特征时刻下电池准确SOC和SOH，如可筛选出电池充满电的情形，之后的第一个数据段的初始SOC可设置为100%；(2) 通过电池厂商已有的电池早期试验数据(无需老化循环)，获取新电池OCV-SOC曲线作为基准。

将其他片段与基准片段连接的过程存在 两种情形 ：(1)所有片段在短时期内被获取，即具有相同SOH；(2)各片段是在不同时期获取的，即SOH不相同。对于情形(1)，如图5 (a)所示，可以通过水平移动片段来连接。需要注意的是，需足够长的片段以保证片段间的重叠。对于情形(2)，如图5(b)所示，可以通过同时水平移动和缩放片段来连接。为了构建OCV-SOC曲线，基准片段的应用并不局限于该特定电池，也适用于充放电特征与所选电池相似的其他电池。

图5 连接过程示意

(a)相同SOH的OCV-Ah片段 (b)不同SOH的OCV-Ah片段

如图5(a)所示，对于相同SOH的数据片段，可通过平移将各片段连接到基准片段上。图6显示了RMSE和OCV重叠范围对初始SOC估计的影响。如图6 (a)和(b)所示，仅较小的端电压RMSE并不能保证片段初始SOC的精确估计；而图6 (c)和(d)表明，当RMSE较小、且OCV重叠范围较大时，连接才能被认为是可靠的。

图6 RMSE和OCV重叠范围对初始SOC估计的影响

(a)LFP电池和(b)三元电池下，RMSE与SOC估计误差的关系 

(c)LFP电池和(d)三元电池下，OCV重叠范围与SOC估计误差的关系

2.2. SOH的影响

如图5(b)所示，对于不同SOH的数据片段，为了获得最优连接效果，需要调整数据片段的SOH值以匹配OCV-SOC的基准片段。当OCV-SOC曲线构建完成时，各片段的初始SOC和SOH值也可以确定。一般来说， 为了准确识别SOH，尽可能在整个范围内搜寻SOH使RMSE最小 。

2.3. 构建OCV-SOC曲线用于SOC估计

所构建OCV-SOC曲线可与 卡尔曼滤波算法 相结合，用于基于模型的车载SOC估计。电池管理系统实时采集数据后，输入SOC估计算法中即可实现SOC实时估计，如图7所示。

图7 试验车辆

为了便于分析和验证，对电池系统进行了标定，测量了其真实SOC和容量。状态真实值只用于验证，而不会用作BMS输入。作为对比，将基于试验OCV-SOC曲线的SOC估计方法记为Traditional，将基于实车数据构建OCV-SOC曲线的SOC估计方法标记为Proposed，如图8所示。

图8 实车SOC估计

如图8所示，所提方法的最大SOC估计误差为3.5%，而基于实验OCV曲线的方法几乎失效。这是由于所提方法利用电池近期数据片段更新其OCV-SOC曲线，从而提高SOC的估计精度。 考虑到电池的OCV也会随着温度和老化而退化，因此需要定期且频繁的校准 。