电池健康阈值（电池里程与健康度预估）

目前电动车主要使用的是锂离子电池，在了解锂离子衰减原因前，我们先复习锂离子电池的工作原理。

在锂离子电池内部，锂离子原本安静的躺在自己家的房子中（正极材料的晶格内）。

充电条件下由于外部电场的推动，锂离子从家中跑出（脱出正极材料晶格），搭上“液体快车”快速穿过围墙（由电解液分子包覆并快速穿过隔膜），并在集体宿舍的门口下车进入集体宿舍的大通铺中（脱去电解液包覆并进入石墨材料的层间结构中）。

放电条件时，归家迫切的锂离子自发从集体宿舍中脱出（从石墨层间结构中脱出），再次搭上“液体快车”并快速穿过围墙（由电解液包覆并快速通过隔膜），在家门口下车回到家中（在正极表面脱去电解液包覆并经进入正极材料的晶格中）。

图片来自：财通证券研究所

在锂离子从“集体宿舍”回到“家”的过程中，一个锂离子的成功回归也会带动一个电子从“集体宿舍”到“家”的流动，而电子的流动就产生了电流从而驱动了我们的电动车。

一个电动车能跑多少公里便取决于一次放电过程中从“集体宿舍”流到“家”中的电流总和有多大，进而等效于一次放电过程中从“集体宿舍”回到“家”中的锂离子有多少，锂离子成功从“集体宿舍”返回“家”中的数量越多我们的电动车行驶的里程也就越多。

基于以上的锂电池工作原理，我们可以直观的分解锂离子电池衰减的主要原因：

● 活性锂损失

即可进行往返的锂离子变少了，造成活性锂损失的原因很多，比如因集体宿舍门太小而一次过来的锂离子太多导致无法成功进入“集体宿舍门口”（因倍率较大而动力学较差导致阳极表面析理），又比如在“集体宿舍”门口被直接转化成为了“集体宿舍”的“门卫”而不再进入“集体宿舍”内（阳极表面SEI增厚消耗活性锂）。

● 活性材料损失

即“家”或“集体宿舍”倒塌了（正极晶格坍塌和负极石墨颗粒破碎）导致无法容纳锂离子。

● 内阻增大

即从“家”到“集体宿舍”的路变艰难了，可能原因包括“液体快车”变少了无法有效运输锂离子（电解液消耗无法有效包覆传递锂离子），“家”与“集体宿舍”中间的围墙的通道变少了（隔膜闭孔孔隙率下降锂离子穿越难度增加）。

在充分了解了电池的原理和电池衰减的主要原因后，您肯定会疑问哪这些衰减会发生在我的车上吗？请听我细细分解。

首先，每个电池在不断的充电、放电的过程中，都会发生一定量的衰减，这些衰减是不可避免的，我们称之为循环寿命老化，您可以将其类比为人体的寿命老化，缓慢进行但目前无法避免。但这种老化是被进行了充分的验证和严格的测试的。

每个电池在设计初期便会进行充分的实验，其中很重要的便是循环寿命试验，电池样品会进入恒温环境仓，按电池可能会触及到的最大电流进行不间断的循环充/放电试验，并对比电池每次放电放出的总容量来描绘电池的衰减情况。为类比多种电池的衰减情况，通常用第i次的放电容量除以第一次放电的容量形成一个比值，即电池健康度SOH（State of health）。

在电动车上进行使用的电池，因车主的使用习惯，通常不会按电池测试的标准条件进行满放和满充（因为车主不可能每次都将车开到无法动再进行长时间满充），因此单纯的对充放电次数进行计数无法准确的对应其等效循环圈数以及电池健康度。在现实使用工况的限制下，大家开始研究累积充放电量和总里程等因素进行电池健康度的预估，其中里程因既可以保证一定的计算精度同时容易被用户感知而被广泛进行使用。

因电池的材料类型不同和用户的使用习惯不同，小编在此无法准确的告知广大的电动车主对应的电池衰减速率，这个还依赖广大车主的从日常的用车感知中获知，同时相关的电池健康度评估工具也在推广中，广大车主可以通过预估小工具针对性的对电池健康度进行预估。另外，如果您经常使用换电的方式进行补能，对应的电池在换电站内稳定工况下进行充电，可以有效的对电池进行一轮健康度检测和校正，对应的数据也会进入BMS及整车的控制单元中，进而反馈到车主本人。

在广大车主的日常使用中，小编建议广大的电动车主，在满足自己日常使用的情况下，为了减缓电池的老化速度，建议减少快充和超级快充的使用，已有一定的数据可以说明，快充及超级快充的补能方式虽然可以大幅度减少补能的耗时，但是同时也会加速电池的健康度衰减。

是不是只有电动车的里程会对电池健康度造成影响呢？答案是否定的。里程对应的累积充放电量仅仅是电池正常衰减会表现出来的一个因子之一，而电动车所使用的环境温度、电动车快充的比例、电动车长时间在高温高SOC状态下的静置，同样会导致电池在里程之外产生额外的健康度衰减。因此，在对市场中电池健康度的预估，有非常多的方法和见解，其中以电化学机理模型的研究和大数据 机器学习的模型方法占其中的大数据。

电化学机理模型主要使用一定的工具和方法检测市场中运营的电池的阻抗、dQ/dV峰值等参数来评估电池健康度。通过实验室的测试数据描绘电池在老化的全生命周期内电池阻抗的增加或dQ/dV反应峰下降的参数来描绘当前电池的老化程度，同时通过检测电池当前的数据进行对应，从而实现电池健康度的预估。

大数据 机器学习的方法则对收集到的市场中电池上报的数据进行分析和处理，通过机器学习模型对电池健康度进行预测。在进行电池监控度的预测模型包括随机森林回归、Xgboost、人工神经网络等多种方法，在相对高精度的数据情况下，大数据模型可达到一定的精度，甚至优于传统的电化学模型。

两种方法各有优势，电化学模型机理性更强易解释，但受限于检测方法需要高精准度的设备难以推广，大数据 机器学习模型的方法容易实施并获得了高精度的结论，但难以解释并且与事物的相互验证试验会花费较大量的成本。小编推测未来电化学机理模型一定会和大数据 机器学习模型进行融合，同时还会有大量的实验室测试数据也会进入模型，真正做到数据 机理结合、数据与实物结合的理想状态。技术与方法的持续推进，一定可实现精准的SOH预估，帮助广大的车主精准的判断爱车的电池健康状态。

#动力电池##新能源##电池健康##里程焦虑#