5.5.2　蓄电池组SOH估计与预测

考虑到电池老化过程的存在，对电池健康状态（SOH）的估计也是不可或缺的。目前，电池SOH估计大致可分为4类：基于电动势（EMF）估计/测量的方法、基于电化学模型的方法、基于增容分析（ICA）和差异电压分析（DVA）的方法、基于老化预测的方法。基于EMF估计/测量的方法旨在获得准确的EMF（或者说是开路电压），进而准确知道SOC，再通过SOC与SOH的关系估计电池的SOH。这种方法准确性好，可以应用于在线估计，但是对于SOC估计和电流采集设备的精度要求高。基于电化学模型的方法，通过广泛使用的单粒子模型，对阴极的多孔率和电解质的导电率进行识别，从而确定容量的损失。虽然电化学模型的方法能够赋予模型物理-化学意义，但是以不惜提高计算成本作为代价。基于ICA和DVA的方法能够提供可靠的容量损失估计，但是受制于测量精度以及拟合精度的要求，这种方法更加适宜在实验室环境下进行。基于老化预测的方法是通过实验的手段研究影响电池老化的因素（如温度、放电倍率等），利用数据对电池容量衰退规律及内阻增加规律进行建模。老化模型结合历史实验数据及当前工况下的电压、电流对电池的健康状态（容量与内阻）进行预测。但是，这种方法的缺点在于数据积累阶段非常耗时。

当前，在航天领域对电池健康状态的评估还未形成较为系统的方法，主要原因在于，一方面，受限于星载处理器的计算能力和存储能力，很难在星上对电池状态进行实时估计；另一方面，想要通过回传遥测在地面利用性能更强的计算机进行处理，又会受限于测控链路的数据传输能力，可用遥测具有稀疏性、不连续性以及突变性，而地面所采用的处理方法往往要求数据连续稳定，所以在地面进行状态评估同样困难重重。在此情况下，目前针对航天器电池健康状态估计较为主流的方法是通过判定相同工况下放电终压或者是相同脉冲负载下的电池内阻变化判定电池健康与否，是一种浅层定性的分析方法，估计精度不仅受限于遥测采样的精度，而且对电池评估时刻荷电状态的一致性要求很高，一旦电池状态不一致，估计结果势必会存在偏差。

未来，随着星载处理能力的不断提升，一些先进的电池健康状态评估方法逐步可以应用于航天在轨实时估计。其中，基于模型的锂离子电池荷电状态和健康状态联合估计方法是最具应用前景的一类方法。该方法将电池容量与电池模型参数一同作为待辨识参量，将电池健康状态纳入模型参数辨识过程，利用双状态估计器协同估计电池状态和模型参数。在一些民用领域，针对这种双状态估计器方法的研究已取得诸多突破。美国科罗拉多大学G.Plett最先采用双EKF框架对锂聚合物电池的SOC与可用容量进行联合估计，奠定了锂电池多状态联合估计的基础。Lee研究了OCV-SOC曲线随着老化的变化关系，提出了改进的OCVSOC关系，克服了由于老化使得这一关系改变导致的双EKF方法对可用容量的估计失效。Andre利用双卡尔曼滤波器（KF+UKF）加支持向量机对SOC及可用容量进行联合估计，可用容量利用支持向量机进行估计。由于支持向量机方法的引入，使得这种估计策略需要额外的先验信息支撑。Simon Schwunk等人利用双粒子滤波器对LFP电池的SOC与可用容量进行估计，采用随机建模的方式不依赖于电池的等效电路模型，从状态概率分布的角度进行估计，能够克服LFP电池的滞回效应对开路电压估计的影响。北京理工大学邹渊等人利用双EKF对三元材料锂电池SOC及SOH（容量和内阻）进行联合估计，强调创新在于设置模型误差阈值作为SOH估计器工作的判断标准。上海交通大学的Hua Yin采用双非线性预测滤波方法研究了带有被动均衡系统的串联电池组的SOC与SOH联合估计。此外，美国马里兰大学的Hu Chao、北京理工大学的熊瑞等人都对双时间尺度框架下的SOC与可用容量联合估计进行过探索。在此方向上，各种状态估计方法都可以应用该架构进行状态估计，具体算法流程在此不进行赘述。

图5-20展示了应用双H无穷滤波架构SOC和SOH进行联合估计的流程。