基于车辆快速检测工作状态的电动车SSB蓄电池容量衰减自提出快速检测方法的研究
2026-08-03 09:18:43
快速检测容量退化不仅直接提升电池和车辆性能，还在电池生命周期管理中发挥关键作用。然而，电流检测方法存在若干问题，如检测对象有限、数据依赖性高，以及检测时间不灵活且漫长。此外，电池需从车辆中取出进行测试，导致无法及时评估电池运行期间的容量劣化程度。针对上述问题，有两个预测模型（CR1以及CR2本研究首次确立了能力退化的相关情况。此外，还提出了一种非破坏性快速检测电源的方法，通过在底盘测功机上模拟车辆工作状态。该方法能够在以整辆飞行器为检测对象的情况下，及时且快速地检测电力电池容量的劣化。实车测试表明，电池的容量衰减值计算误差率仅为1.48%，检测时间比传统方法缩短了97%。通过这种检测方法，可以在短时间内准确且高效地估算容量劣化值。此外，简化快速的操作流程使不同类型电动汽车的电池容量退化能够现场评估，从而促进回收决策，推动电动汽车行业的可持续发展。
图形摘要
国际能源署《2024年全球电动汽车展望》显示，2023年全球注册的电动汽车（EV）数量接近1400万辆，较2022年增加了350万辆，同比增长35%[1]。近年来，锂离子电池驱动的电动汽车经历了快速的技术进步。电池被视为电动汽车的核心，其性能直接影响整车的动力、经济性和安全性[2]。然而，在实际应用中，随着充放电周期次数的增加，电池的功率和容量会发生不可逆的退化，这可能导致安全风险并显著削弱消费者热情[3]。同时，业内普遍规定车载电池已不适合持续使用，当容量低于初始容量的80%时需回收[4]。目前，市场上的电动汽车正逐渐面临“退役”问题，电动电池退役已进入一个小高峰期[5]。如何高效准确地检测和评估电池容量劣化、降低安全风险及延长使用寿命，已成为相关领域的主要研究重点[6]。
目前，研究人员和学者已经进行了大量关于电池容量准确评估的研究。主要的评估方法可分为实验测量方法、模型驱动方法和数据驱动方法[[7]、[8]、[9]、[10]]。电化学阻抗法和安培小时积分法在实验测量中被广泛使用。电化学阻抗法的测量精度会受到特定实验条件的极大影响。张[11]改进了安培时积分方法，进一步将容量估计误差降至10%以内。然而，这种方法要求电池处于稳定状态，导致检测周期较长，且无法及时满足电池检测需求。此外，实验测量方法依赖传感器和仪器的精度以及严格的测试程序，这使得检测准确性难以保证。
模型驱动方法通过构建等效电路模型来估算电池容量，以识别与电化学反应机制相关的参数。常用的方法包括电化学模型、分数阶模型和经验模型 [[12]， [13]， [14]]。电化学模型通过描述电池使用过程中的物理和化学过程，准确模拟容量衰减过程[15]。Bavand [16] 提出了等效电路，通过比较 OCV 曲线与参考 OCV 曲线的差值来评估电池容量。Hashemzadeh [17] 提出了简化的基于电化学的模型，以模拟全阶 P2D 计算时间显著更短，可以更准确地预测容量。Pan[18]开发了一种一阶等效电路，用于在不同充电电压条件下实时估算剩余容量。然而，该方法依赖于完整的生命周期退化数据。Hosseininasab [19] 基于单粒子模型构建了分数阶电化学模型，并实现了欧姆电阻和容量的协同估计方法。Yang [20] 研究了基于简化分数阻抗模型和电池间距容量的电池容量估计。陈[21]提出了一种新颖的区间导向特征系统实现算法，可以在不损失准确性的情况下减少对不确定参数量化的需求。经验衰老模型是一种数学模型，具有实时估计的优势。然而，它未能考虑复杂工作条件对实验数据测量和统计分析的干扰[22,23]。总之，上述方法需要特殊设备来检测电池内部电化学电阻的变化，限制了其在快速在线容量检测中的适用性。尽管陈[24]提出了一种基于集合论的正则化方法，能够有效选择最优正则化参数，但该方法仍依赖大量数据集进行验证和校准，以尽可能确保估计准确性。随着人工智能的快速发展，基于机器学习的方法已被广泛应用于容量检测。数据驱动方法无需考虑电池复杂的内部反应特性。仅基于监测电池数据，重要的容量退化特征通过特定的学习算法提取，并可在线预测容量退化[25]，例如当前算法包括机器学习（如支持向量机、随机森林、高斯过程回归、人工神经网络）和深度学习（如长短期记忆网络、卷积神经网络， 图神经网络）[26]。通过利用支持向量机和高斯过程回归等核技术，展示了其更优越的容量预测性能[27]。Kumar [28] 采用深度学习预测电池容量劣化参数，结合最小二乘法降低预测误差。Berghout [29] 采用增强隐藏层的神经网络方法，预测恒流放电条件下的电池容量。Cheng [30] 提出了一种经验模式分解方法，结合了反向传播的长短期记忆神经网络用于电池容量估计。参考文献[31]中使用的人工蜂群算法具有更好的准确性和稳定性。陈[32]基于多目标优化驱动的集合论正则化方法进行了误差分析，优化了逆问题解的误差分布，从而提高了鲁棒性和准确性。姚[33]构建了一个深度转移卷积神经网络模型，利用部分段的电放电周期进行容量估计，估计误差低至0.022。尽管数据驱动模型能够实现电池容量的高精度预测，但需要分析数据集以选择描述容量退化的适当特征因素。与此同时，特征选择并不保证全面的预测性能[34]。用经典概率方法处理大样本特征中不确定性的影响具有挑战性[35]。
总之，上述检测和评估电池容量的方法仍存在一些不足。首先，电池必须通过某些方法从电动汽车中拆卸，但无法实现动态检测，并及时获取电池在实际运行条件下的劣化程度。其次，尽管某些方法的检测时间较短，但建立准确模型需要大量复参数计算。此外，这些模型通常仅适用于特定电池类型，难以确保不同电池类型或组装方法的预测准确性。第三，虽然部分方法实现了高检测精度，但仍依赖全生命周期退化数据分析，这耗时且不适合在少量数据条件下快速检测。它们仅适用于车载电池管理系统（BMS）或云端，存在显著限制。第四，现有大多数研究都侧重于剩余容量的估算，目前尚无直接且快速的方法来量化容量退化程度。因此，为解决上述问题，本文研究一种以整辆车辆为研究对象的快速检测能力降变值的方法。该方法无需将电池从车辆中取出，且仅用少量数据即可快速检测当前运行条件下的容量降落程度。它不受电池组、物理形态或电池单元类型的集成方法限制，因此广泛适用于各种类型的电动汽车。非侵入式快速检测方法为评估电池容量提供了客观且可量化的指标，从而支持制定标准化且透明的二手电动汽车评估框架。对于原厂设备制造商，这种方法可以整合进新电动车的终点检验流程，实现源源头的电池质量控制，提升交付可靠性。此外，在电池回收阶段，该方法通过台架测试快速评估剩余容量，为基于容量的再利用提供了可靠的基础。本研究的主要贡献总结如下：
- (1)
提出了两种不同的容量降级预测模型，可以相互验证以提升检测准确性。
- (2)
构建了容量降解的快速检测工作条件，使得无需拆解电动汽车电池的便能快速计算电池容量降级值。该方法易于实施，显著提升了检测效率。
- (3)
提供一种检测电动汽车电池容量劣化的方法，能够准确高效地评估电池使用状况，从而为电池回收和二次利用提供技术支持。
