特斯拉电池健康状态(SOH)估算方法

rory lee
7月26日
讀畢需時 3 分鐘

撰写本文的原因源自全球用户社区对于基于车辆行驶里程估算电池健康状态(SOH)的准确性提出的诸多疑问。用户经常询问为何Dr.EV应用程序的电池标签和AI标签中会分别存在不同的SOH指标，以及如何设置Dr.EV以获得更准确的SOH测量结果。

库仑计数与OCV修正

库仑计数(Ah计数)是估算电池状态的最简单方法，通过测量进入和流出电池的电量进行评估。该方法通过随时间积分电流以计算电荷变化。通过累计的安时数可以估算电池的充电状态(SOC)，并在一次完整放电(100%到0%)后确定电池的可用容量(SOH)。该方法易于实施且解释明确，但其主要缺点是存在漂移，传感器的偏差或误差会随时间累积，导致SOC/SOH估算逐渐偏离实际值。在实际车辆中，由于电流传感器的噪声和偏移，以及电池库仑效率未达100%，单纯积分方法长期会高估或低估电量。因此，没有修正的库仑计数精度有限。

通过OCV修正漂移：为解决漂移问题，一些简单的BMS算法会定期测量开路电压(OCV)以重新校准库仑计数器。当车辆关闭足够时间后电池达到平衡状态，BMS测量OCV并利用已知的OCV-SOC关系更新SOC估算值。结合周期性OCV校正的改进型库仑计数技术可有效消除累计误差，从而大幅提升长期精度。

贝叶斯滤波方法

为获得更精准且具适应性的SOH估算，许多电动汽车采用基于贝叶斯滤波的模型状态观测器。这些方法利用数学电池模型和递归估算算法，融合电流、电压等信息实时估算SOC和SOH等隐藏状态。最常见的方法包括卡尔曼滤波器(KF)及粒子滤波器(PF)的变体。

扩展卡尔曼滤波器(EKF)与无迹卡尔曼滤波器(UKF)：卡尔曼滤波器利用带噪声的测量数据，最优估计动态系统状态。电池状态向量可包含SOC及容量、内部电阻等退化指标，从而反映SOH。EKF和UKF广泛应用于非线性电池模型，能够准确实时地预测电池电压响应并据测量误差修正状态。然而，该方法强烈依赖模型精度及噪声参数调整。

粒子滤波器(PF)：适用于高度非线性或复杂的电池系统，通过多个样本(粒子)表示状态分布。每个粒子表示实际状态的假设，依据测量数据权重及重采样，能处理非高斯的不确定性及多峰分布。该方法精度高，但计算负荷较大。

机器学习方法

将SOH估算视为回归问题，利用电池的测量数据特征预测SOH。支持向量回归(SVR)适用于非线性关系，随机森林(RF)提供高精度预测。这些方法无需明确电池模型，具有较高实用性。

深度学习

深度学习使用多层神经网络自动学习电压、电流、温度等时序数据中的复杂模式，实现高精度的SOH预测。长短期记忆网络(LSTM)能有效捕捉电池使用过程中的容量衰减趋势，卷积神经网络(CNN)则常用于识别处理过的输入(如电压曲线差异及充电数据谱图)中的老化模式。这些方法精准但计算资源需求高，且需要大量数据，解释性有限。