4. SOH评估方法概述：直接测量法、模型法、数据驱动法及优缺点对比
4.1 为什么需要多种SOH评估方法
SOH（State of Health，健康状态）是电池管理系统中最难直接测量的参数之一。与SOC（荷电状态）可以通过电压、电流、温度等物理量直接或间接推算不同，SOH描述的是电池当前相对于全新状态的“剩余能力”，它涉及容量衰减、内阻增加、功率能力下降等多个维度，且这些退化过程在电池生命周期内呈现非线性、时变性的特征。
在实际BMS工程中，SOH评估面临三个核心矛盾：
- 精度与成本的矛盾：高精度评估往往需要复杂的算法或昂贵的测试设备，而车载BMS的算力、存储和成本都有限。
- 离线与在线的矛盾：实验室中的精确测量方法（如小电流完全充放电）无法在车辆运行中直接使用，必须寻找可在线执行的替代方案。
- 通用性与专属性的矛盾：不同电芯化学体系（LFP、NCM、LTO等）、不同使用工况下的老化规律差异显著，单一方法难以覆盖所有场景。
因此，工程实践中通常将SOH评估方法划分为三大类：直接测量法、模型法和数据驱动法。三类方法在原理、适用场景、精度和计算开销上各有取舍，理解它们的本质区别是正确选型的前提。
4.2 直接测量法：原理与工程局限
直接测量法的核心思想是：用最直接的物理量来定义SOH。最典型的两种实现路径是容量法和内阻法。
容量法将SOH定义为当前最大可用容量与额定容量的比值：
SOH_capacity = Q_current / Q_rated × 100%其中Q_current需要通过一次完整的“恒流充电→静置→恒流放电→静置”循环来获取。这种方法在实验室中精度极高（误差可控制在±1%以内），但车载场景下几乎不可能执行——车辆不会恰好从满电放到空电，且完整循环耗时数小时，对用户使用造成严重干扰。
内阻法则利用电池内阻随老化增大的规律，通过测量直流内阻（DCR）或电化学阻抗谱（EIS）来间接评估SOH。DCR可以通过在充放电切换瞬间测量电压跳变来获得，计算方式为：
R_dc = ΔV / ΔIEIS则通过施加不同频率的小幅正弦扰动，解析出欧姆内阻、电荷转移阻抗和扩散阻抗等分量。内阻法的优势在于可以“瞬间”完成测量，不需要完整充放电，但其缺点是内阻受温度、SOC影响极大，同一块电池在10°C和40°C下的内阻差异可能超过30%，因此必须进行温度和SOC补偿，否则SOH估算误差会非常大。
4.3 模型法：从物理规律到在线估算
模型法的基本思路是：建立电池的数学模型，通过可测量的电压、电流、温度等外部量，反向估计内部不可直接测量的状态参数（如容量、内阻）。工程中最常用的是等效电路模型（ECM）和电化学模型（P2D模型）。
以二阶RC等效电路模型为例，其数学表达为：
U_t = OCV(SOC) - U_1 - U_2 - I × R_0
dU_1/dt = -U_1/(R_1×C_1) + I/C_1
dU_2/dt = -U_2/(R_2×C_2) + I/C_2其中R₀为欧姆内阻，R₁C₁和R₂C₂分别表征电化学极化和浓度极化过程。模型法评估SOH的典型流程如下：
- 离线参数辨识：在实验室中对新鲜电池和不同老化程度的电池进行HPPC（混合脉冲功率特性）测试，获取不同温度、SOC下的R₀、R₁、C₁、R₂、C₂参数表。
- 在线状态估计：在BMS运行中，利用扩展卡尔曼滤波（EKF）或无迹卡尔曼滤波（UKF）等算法，实时估计SOC和欧姆内阻R₀。
- SOH映射：将估计出的R₀与新鲜电池的R₀_new比较，得到内阻增长百分比，再通过预先标定的“内阻增长率-SOH”关系曲线映射为SOH值。
- 自适应更新：定期用容量估计结果（如通过安时积分+OCV修正）校准模型参数，防止累积漂移。
模型法的优势在于可以完全在线运行，且计算量适中（EKF在车载MCU上通常只需几毫秒）。但其精度上限受限于模型本身的表达能力——二阶RC模型无法捕捉电池内部的锂浓度分布、SEI膜增长等微观机制，因此当电池老化到后期（SOH低于80%）时，模型参数变化规律可能偏离初始标定，导致估算误差增大。
4.4 数据驱动法：从历史数据中学习退化规律
数据驱动法不依赖物理模型，而是直接从历史运行数据中学习电压、电流、温度等特征与SOH之间的映射关系。常用算法包括支持向量回归（SVR）、随机森林（RF）、高斯过程回归（GPR）以及各类深度神经网络（LSTM、CNN、Transformer等）。
一个典型的数据驱动SOH评估流程包含以下环节：
- 数据采集：记录每次充放电循环的电压曲线、电流曲线、温度曲线、累计安时数、充放电深度等原始数据。
- 特征提取：从原始数据中提取与老化相关的特征，如等压降充电时间、IC曲线峰值高度、增量容量曲线峰位偏移量、充电电压平台变化率等。
- 标签标注：通过定期离线容量标定（如每50次循环做一次完整充放电）获得SOH真值，作为训练标签。
- 模型训练与验证：将特征与标签配对，训练回归模型，并用独立测试集评估泛化性能。
- 在线推理：将训练好的模型部署到BMS或云端，输入实时提取的特征，输出SOH估计值。
数据驱动法的最大优势是无需深入理解电池内部机理，只要数据质量足够高、覆盖范围足够广，就能获得很好的拟合效果。但它的致命弱点是泛化能力受限——如果训练数据只覆盖了25°C~35°C的温度范围，那么当电池在-10°C环境下运行时，模型输出可能完全失真。此外，数据驱动模型的可解释性较差，当估计结果异常时，难以定位是哪个特征导致的偏差。
4.5 三类方法对比与选型建议
| 对比维度 | 直接测量法 | 模型法 | 数据驱动法 |
|---|---|---|---|
| 典型精度 | ±1%~2%（离线） | ±3%~5%（在线） | ±2%~6%（依赖数据） |
| 在线实时性 | 差（需完整充放电） | 好（毫秒级） | 好（推理毫秒级） |
| 计算开销 | 低 | 中（EKF/UKF） | 高（云端或高算力MCU） |
| 对历史数据需求 | 无 | 需标定实验数据 | 需大量覆盖性数据 |
| 可解释性 | 高（物理定义清晰） | 中（参数有物理意义） | 低（黑盒模型） |
| 跨工况泛化能力 | 强（直接测量） | 中（依赖模型假设） | 弱（依赖训练分布） |
| 典型应用场景 | 实验室标定、售后检测 | 车载BMS主算法 | 云端大数据分析、梯次利用筛选 |
选型建议：在量产车载BMS中，通常以模型法作为主算法（保证实时性和基本精度），辅以数据驱动法进行残差修正（捕捉模型未覆盖的非线性退化），并定期在售后保养时用直接测量法进行校准（消除长期累积漂移）。这种“三合一”策略是当前行业的主流工程实践。