前言
动力电池SOH估计算法主要分为三类：等效电路模型辨识法、数据驱动AI法、经验退化模型法。
在车载BMS、储能BMS量产项目中，经验退化模型是落地最稳、算力最低、鲁棒性最强的主流方案。不需要复杂矩阵迭代、不依赖高精度动态辨识、低温不漂移、永不发散。
一、经验模型SOH核心原理与工程定义
1.1 SOH 标准定义
S O H = C r e a l C r a t e d × 100 % SOH = \frac{C_{real}}{C_{rated}} \times 100\% SOH=CratedCreal×100%
- (C_{real})：电池当前永久性可用容量（Ah）
- (C_{rated})：电池出厂额定容量（Ah）
经验模型核心思想：
不求解微观电化学机理，通过大量老化实验，拟合温度、倍率、DOD、循环次数、静置时间与永久性容量衰减的宏观数学规律，属于白盒工程统计模型。
1.2 电池老化两大组成
- 循环老化：充放电使用导致SEI增厚、活性锂损失、电极结构坍塌（不可逆）
- 日历老化：长期静置自发缓慢老化（不可逆）
重点：低温容量下降是极化可逆衰减，不属于老化，严禁计入SOH计算。
二、全套量产经验模型公式
2.1 基础幂律老化模型
C
l
o
s
s
=
A
⋅
N
e
q
B
C_{loss} = A \cdot N_{eq}^B
Closs=A⋅NeqB
S
O
H
=
1
−
A
⋅
N
e
q
B
SOH = 1 - A \cdot N_{eq}^B
SOH=1−A⋅NeqB
2.2 多应力修正因子（温度/倍率/DOD）
温度阿伦尼乌斯老化修正：
K
T
=
exp
[
E
a
(
1
T
r
e
f
−
1
T
r
e
a
l
)
]
K_T = \exp\left[ E_a \left( \frac{1}{T_{ref}} - \frac{1}{T_{real}} \right) \right]
KT=exp[Ea(Tref1−Treal1)]
充放电倍率老化修正：
K
C
=
1
+
k
c
⋅
(
C
r
a
t
e
−
0.5
)
K_C = 1 + k_c \cdot (C_{rate} - 0.5)
KC=1+kc⋅(Crate−0.5)
放电深度老化修正：
K
D
O
D
=
D
O
D
0.8
K_{DOD} = DOD^{0.8}
KDOD=DOD0.8
2.3 等效老化循环次数
Δ
N
=
∫
∣
I
(
t
)
∣
d
t
2
⋅
C
r
a
t
e
d
\Delta N = \frac{\int |I(t)|dt}{2\cdot C_{rated}}
ΔN=2⋅Crated∫∣I(t)∣dt
N
e
q
=
∑
Δ
N
⋅
K
T
⋅
K
C
⋅
K
D
O
D
N_{eq} = \sum \Delta N \cdot K_T \cdot K_C \cdot K_{DOD}
Neq=∑ΔN⋅KT⋅KC⋅KDOD
2.4 日历老化模型
C
l
o
s
s
,
c
a
l
=
δ
⋅
K
T
⋅
t
C_{loss,cal} = \delta \cdot K_T \cdot \sqrt{t}
Closs,cal=δ⋅KT⋅t
S
O
H
c
a
l
=
1
−
δ
⋅
K
T
⋅
t
SOH_{cal} = 1 - \delta \cdot K_T \cdot \sqrt{t}
SOHcal=1−δ⋅KT⋅t
2.5 最终融合SOH公式
S O H t o t a l = ( 1 − A ⋅ N e q B ) ⋅ ( 1 − δ K T t ) SOH_{total} = \big(1 - A\cdot N_{eq}^B\big) \cdot \big(1 - \delta K_T \sqrt{t}\big) SOHtotal=(1−A⋅NeqB)⋅(1−δKTt)
三、全部拟合参数
3.1 基础老化系数 A
物理意义
全局老化强度系数。表征电池整体老化快慢，代表电芯材料体系的固有衰减速率。
- A越大：电池老化越快、容量掉得越猛
- A越小：电池寿命越长、衰减越平缓
- LFP 天然A偏大，NCM A偏小（三元寿命更长）
需要实测数据
标准工况老化数据：25℃、0.5C、100%DOD
- 循环次数 (N)
- 每50/100次循环标定的标准容量 (C_{real})
- 计算永久性容量损失：(C_{loss}=1-C_{real}/C_{rated})
测试方法
恒温箱25℃恒温，0.5C满充满放循环，定期离线容量标定，记录老化曲线。
3.2 老化曲率系数 B
物理意义
老化非线性曲率系数。控制电池全生命周期的老化趋势形态：
- (B \approx 0.5\sim0.6)：符合锂电池前期慢、后期加速的老化特征
- B越大：电池中后期老化加速越明显
- B越小：老化越接近线性衰减
需要实测数据
与参数A共用同一组标准工况老化数据，联合拟合得到。
测试方法
同A参数标定实验，无需额外测试。
3.3 活化能 Ea（温度因子核心参数）
物理意义
电池老化温度敏感系数。表征电池老化速率对温度的敏感程度：
- Ea越大：电池对温度越敏感，高温/低温偏离25℃时老化加速越严重
- Ea越小：温度对电池寿命影响越小
本质：电化学老化反应需要跨越的能量势垒，势垒越高，温度扰动对老化影响越大。
需要实测数据
多温度梯度老化数据（固定0.5C、100%DOD）
- 0℃、25℃、45℃、55℃ 多组恒温老化
- 相同循环次数下，不同温度对应的 (C_{loss}(T))
测试方法
多组恒温箱并行老化，控制循环次数一致，对比不同温度的容量衰减差异。
3.4 倍率敏感系数 kc
物理意义
大电流老化敏感系数。表征充放电倍率对电池寿命的加速能力：
- kc越大：快充、大电流放电对电池伤害越大
- kc越小：倍率变化对老化影响越小
需要实测数据
多倍率老化数据（固定25℃、100%DOD）
- 0.3C、0.5C、1C、1.5C、2C 多倍率循环
- 相同循环次数下各组容量损失 (C_{loss}(C_{rate}))
测试方法
常温下不同倍率循环老化，量化大电流带来的额外老化增量。
3.5 日历老化系数 δ
物理意义
静置自发老化系数。表征电池不使用、仅存放时的容量自衰减速率：
- δ越大：库存电池、长期停放电池老化越快
- δ越小：日历寿命越长
需要实测数据
多温度静置搁置实验数据
- 搁置天数 (t)
- 7d/15d/30d/60d 间隔容量标定值
测试方法
电池满电静置，定期取出常温标容，统计无循环下的自发容量损失。
四、所有参数完整数学拟合推导
所有参数无理论定值，全部通过「非线性模型线性化+最小二乘回归」求解。
4.1 参数 A、B 拟合推导
步骤1：模型线性化
C
l
o
s
s
=
A
⋅
N
e
q
B
C_{loss} = A \cdot N_{eq}^B
Closs=A⋅NeqB
两边取自然对数，化非线性为线性：
ln
(
C
l
o
s
s
)
=
ln
A
+
B
⋅
ln
(
N
e
q
)
\ln(C_{loss}) = \ln A + B \cdot \ln(N_{eq})
ln(Closs)=lnA+B⋅ln(Neq)
变量代换：
y
=
ln
(
C
l
o
s
s
)
,
x
=
ln
(
N
e
q
)
,
a
=
ln
A
,
b
=
B
y=\ln(C_{loss}),\;x=\ln(N_{eq}),\;a=\ln A,\;b=B
y=ln(Closs),x=ln(Neq),a=lnA,b=B
线性模型：
y
=
a
+
b
x
y = a + bx
y=a+bx
步骤2：最小二乘求解
残差平方和代价函数：
J
=
∑
i
=
1
m
(
y
i
−
a
−
b
x
i
)
2
J = \sum_{i=1}^m (y_i - a - bx_i)^2
J=i=1∑m(yi−a−bxi)2
对 (a、b) 求偏导置零，得到正规方程组：
{
m
a
+
b
∑
x
i
=
∑
y
i
a
∑
x
i
+
b
∑
x
i
2
=
∑
x
i
y
i
\begin{cases} ma + b\sum x_i = \sum y_i \\ a\sum x_i + b\sum x_i^2 = \sum x_i y_i \end{cases}
{ma+b∑xi=∑yia∑xi+b∑xi2=∑xiyi
解析解：
b
=
m
∑
x
i
y
i
−
∑
x
i
∑
y
i
m
∑
x
i
2
−
(
∑
x
i
)
2
b = \frac{m\sum x_i y_i - \sum x_i \sum y_i}{m\sum x_i^2 - (\sum x_i)^2}
b=m∑xi2−(∑xi)2m∑xiyi−∑xi∑yi
a
=
y
ˉ
−
b
x
ˉ
a = \bar y - b\bar x
a=yˉ−bxˉ
步骤3：参数还原
B = b , A = e a B = b,\quad A = e^a B=b,A=ea
4.2 活化能 Ea 拟合推导
同一等效循环次数下，温度对老化的倍率关系：
C
l
o
s
s
(
T
)
C
l
o
s
s
(
T
r
e
f
)
=
exp
[
B
E
a
(
1
T
r
e
f
−
1
T
)
]
\frac{C_{loss}(T)}{C_{loss}(T_{ref})} = \exp\left[B E_a \left(\frac{1}{T_{ref}}-\frac{1}{T}\right)\right]
Closs(Tref)Closs(T)=exp[BEa(Tref1−T1)]
取对数线性化：
ln
C
l
o
s
s
(
T
)
C
l
o
s
s
(
T
r
e
f
)
=
B
E
a
⋅
(
1
T
r
e
f
−
1
T
)
\ln\frac{C_{loss}(T)}{C_{loss}(T_{ref})} = B E_a \cdot \left(\frac{1}{T_{ref}}-\frac{1}{T}\right)
lnCloss(Tref)Closs(T)=BEa⋅(Tref1−T1)
变量代换：
Y
=
ln
C
l
o
s
s
(
T
)
C
l
o
s
s
(
T
r
e
f
)
,
X
=
1
T
r
e
f
−
1
T
,
k
=
B
E
a
Y=\ln\frac{C_{loss}(T)}{C_{loss}(T_{ref})},\quad X=\frac{1}{T_{ref}}-\frac{1}{T},\quad k=B E_a
Y=lnCloss(Tref)Closs(T),X=Tref1−T1,k=BEa
拟合直线斜率 (k)，代入已求得的 (B)：
E
a
=
k
B
E_a = \frac{k}{B}
Ea=Bk
4.3 倍率系数 kc 拟合推导
固定温度DOD，仅倍率变化：
C
l
o
s
s
C
l
o
s
s
,
s
t
d
=
(
1
+
k
c
(
C
r
a
t
e
−
0.5
)
)
B
\frac{C_{loss}}{C_{loss,std}} = \big(1+k_c(C_{rate}-0.5)\big)^B
Closs,stdCloss=(1+kc(Crate−0.5))B
变形开方：
(
C
l
o
s
s
C
l
o
s
s
,
s
t
d
)
1
B
=
1
+
k
c
(
C
r
a
t
e
−
0.5
)
\left(\frac{C_{loss}}{C_{loss,std}}\right)^\frac{1}{B} = 1 + k_c(C_{rate}-0.5)
(Closs,stdCloss)B1=1+kc(Crate−0.5)
变量代换拟合直线斜率，直接得到 (k_c)。
4.4 日历系数 δ 拟合推导
C l o s s , c a l = δ K T t C_{loss,cal} = \delta K_T \sqrt{t} Closs,cal=δKTt
固定温度 (K_T) 为常数：
C
l
o
s
s
,
c
a
l
=
K
⋅
t
C_{loss,cal} = K\cdot \sqrt{t}
Closs,cal=K⋅t
以 (X=\sqrt{t},;Y=C_{loss,cal}) 线性拟合得斜率 (K)：
δ
=
K
K
T
\delta = \frac{K}{K_T}
δ=KTK
4.5 拟合精度判定标准
R 2 = 1 − ∑ ( y i − y ^ i ) 2 ∑ ( y i − y ˉ ) 2 R^2 = 1 - \frac{\sum(y_i-\hat y_i)^2}{\sum(y_i-\bar y)^2} R2=1−∑(yi−yˉ)2∑(yi−y^i)2
- 工程量产标准：(\boldsymbol{R^2 \ge 0.95})
- (R^2) 越接近1，参数可信度越高
五、参数标定严格顺序
- 标准常温工况 → 拟合基础老化参数 (A、B)
- 多温度老化 → 拟合温度敏感参数 (E_a)
- 多倍率老化 → 拟合倍率敏感参数 (k_c)
- 静置日历老化 → 拟合日历衰减参数 (\delta)
- 随机工况交叉验证、参数微调
六、经验模型SOH 优缺点
6.1 优点
-
算力极低
仅四则运算、指数、开方，低端MCU即可运行，无算力压力。 -
稳定性拉满、永不发散
无滤波震荡、无矩阵迭代、无辨识失效，低温工况完全稳定，彻底解决ECM内阻辨识低温失效问题。 -
单调性符合物理规律
SOH只降不升，贴合电池不可逆老化特性，不会出现跳变、回升BUG。 -
无初始值依赖
不需要出厂标定初始SOH，上电即可稳定输出。 -
支持全工况修正
通过T/C-rate/DOD多应力耦合，适配春夏秋冬、快充、浅充浅放全场景。
6.2 缺点
-
纯统计滞后模型
基于历史累积老化，无法识别单体早衰、微短路、瞬时隐性故障。 -
极度依赖标定实验
全套参数需要大量恒温老化、倍率老化、搁置实验，标定周期长。 -
无单体差异化能力
输出整包平均SOH，无法精准区分单串单体一致性劣化。 -
极端非标工况精度下降
超高温、过充过放、超倍率无拟合数据时，估算误差增大。
扫一扫
299
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
