本期咱們繼續來聊聊電池包SOH的算法實現，本次主要聊一聊用電化學阻抗譜法，基于模型的估算和機械疲勞的理論方法來實現SOH的估算。上一篇文章沒有看到的朋友不用著急，文章中會有上一篇的鏈接。趁著周末的大好時光，一起來學習下吧！

阻抗譜法

電池模型參數化的一個已知的模型是電化學阻抗譜（Electrochemical Impedance Spectroscopy－ EIS）。此模型的主要優勢就是可以利用動態的電流來進行估算，利用電流流動時的SOC的變化。
EIS 一般用于SOC的估算，但也會用來作為SOH的學術研究。研究了溫度、放電深度（DOD）和循環次數對鋰離子電池放電容量的影響。日歷壽命和循環壽命都已經考慮在內，并且都進行了測試，結果表明：隨著溫度的上升（20℃ －＞ 40℃）或者是放電深度的變化（20％ －＞ 40％），會加快電池的容量衰減。容量衰減是循環次數平方根的函數，循環次數是電芯壽命的線性函數。下圖展示了由于電流（C／3）的中斷引起的在不同SOC水平下的電池電壓變化的測量：

圖1

一定條件下的電壓變化測量來估算SOH△V1是施加放電負載時的電壓降；△V2是當電流移除時的電壓回升；△V3是20分鐘后的總的電壓回升。這三個可測量的參數被用來研究，目的是找到他們和SOH的關系。并且研究結果表明：由于放電（△V1表明放電的電阻）引起的電壓降與循環數是線性關系并且可以用來估算電池的SOH。

基于EIS技術來分析電芯的主要優勢是精度；然而，缺點是由于他們本身的復雜性，很難被應用到實際工程中。因此，此種方法不適用于在線實時應用。

在線電池參數辨識法

在眾多的電池SOH估算技術中，為了提高估算的精度，構造了一種電芯模型，并且將其用來支持測量的數據。在此種方法中，一個電芯的數學模型與實時系統并行運行，來預測電池在電流輸入下的終端電壓輸出。預測的數值和實際測量之間的誤差被作為模型的修正。

一種基于模型估算SOH的方法的基本框架如下圖所示。包含：實時在線測量，電池模型參數化（參數辨識）和一個在參數和電池SOH之間的非線性映射。SOH估算器會在離線時受訓來找到SOC和SOH之間的關系。在估算單元中也可以把溫度的影響考慮進來。

圖2 在線參數辨識估算電池SOH