如何测试电池循环寿命？

当前的智能算法如神经网络、模糊控制、支持向量机等，通过 描述SOC与电池电压、电流、温度间的非线性关系可以得到较高的估算精度，但是需要大量 的训练数据作为支撑，难于应用到整车上在线估算。扩展卡尔曼滤波（Extended Kalman Filter，EKF)是基于电池等效电路模型的一种高效线性滤波和预测方法，近年来广泛应用 于电池的SOC估算。EKF作为一种递推线性最小方差估计，通过将实时观测值和上一时刻的 估计值比较来进行实时估计，能够动态跟踪SOC的真实值，更适用于电流剧烈波动的电动 汽车场合。但是，EKF只有在电池模型精准的前提下才能得到理想的SOC估算精度，电池模 型参数的变化会给估算带来明显的误差。

[0004] 电池等效电路模型的参数辨识一般采用离线方法，即在电池箱装车之前对电池进 行标准的充放电脉冲实验获取相关电池参数，在使用EKF估算SOC的过程中，电池参数将 作为固定不变的常数进行计算。然而随着电动汽车长时间的使用，电池老化会引起电池模 型参数的变化以及电池容量的非线性衰减，如果EKF在计算过程中依然沿用初始的电池参 数，则会给估算带来严重误差。离线参数辨识方法需要将电池箱从整车上拆卸下来利用外 部设备对电池进行充放电实验来重新标定电池参数，拆装过程相当繁琐、操作难度大。

[0005] 综上所述，动力电池是一个非线性、时变性较强的系统，如果扩展卡尔曼滤波算法 始终使用固定不变的电池模型参数作为状态变量来估算S0C，随着电池老化估算的误差会 越来越大，无法满足整车的使用需求；若通过离线的充放电实验重新标定电池模型参数及 电池容量，则需拆卸整车的电池箱。