目前電動車主要使用的是锂離子電池，在了解锂離子衰減原因前，我們先複習锂離子電池的工作原理。

在锂離子電池内部，锂離子原本安靜的躺在自己家的房子中（正極材料的晶格内）。

充電條件下由于外部電場的推動，锂離子從家中跑出（脫出正極材料晶格），搭上“液體快車”快速穿過圍牆（由電解液分子包覆并快速穿過隔膜），并在集體宿舍的門口下車進入集體宿舍的大通鋪中（脫去電解液包覆并進入石墨材料的層間結構中）。

放電條件時，歸家迫切的锂離子自發從集體宿舍中脫出（從石墨層間結構中脫出），再次搭上“液體快車”并快速穿過圍牆（由電解液包覆并快速通過隔膜），在家門口下車回到家中（在正極表面脫去電解液包覆并經進入正極材料的晶格中）。

圖片來自：财通證券研究所

在锂離子從“集體宿舍”回到“家”的過程中，一個锂離子的成功回歸也會帶動一個電子從“集體宿舍”到“家”的流動，而電子的流動就産生了電流從而驅動了我們的電動車。

一個電動車能跑多少公裡便取決于一次放電過程中從“集體宿舍”流到“家”中的電流總和有多大，進而等效于一次放電過程中從“集體宿舍”回到“家”中的锂離子有多少，锂離子成功從“集體宿舍”返回“家”中的數量越多我們的電動車行駛的裡程也就越多。

基于以上的锂電池工作原理，我們可以直觀的分解锂離子電池衰減的主要原因：

● 活性锂損失

即可進行往返的锂離子變少了，造成活性锂損失的原因很多，比如因集體宿舍門太小而一次過來的锂離子太多導緻無法成功進入“集體宿舍門口”（因倍率較大而動力學較差導緻陽極表面析理），又比如在“集體宿舍”門口被直接轉化成為了“集體宿舍”的“門衛”而不再進入“集體宿舍”内（陽極表面SEI增厚消耗活性锂）。

● 活性材料損失

即“家”或“集體宿舍”倒塌了（正極晶格坍塌和負極石墨顆粒破碎）導緻無法容納锂離子。

● 内阻增大

即從“家”到“集體宿舍”的路變艱難了，可能原因包括“液體快車”變少了無法有效運輸锂離子（電解液消耗無法有效包覆傳遞锂離子），“家”與“集體宿舍”中間的圍牆的通道變少了（隔膜閉孔孔隙率下降锂離子穿越難度增加）。

在充分了解了電池的原理和電池衰減的主要原因後，您肯定會疑問哪這些衰減會發生在我的車上嗎？請聽我細細分解。

首先，每個電池在不斷的充電、放電的過程中，都會發生一定量的衰減，這些衰減是不可避免的，我們稱之為循環壽命老化，您可以将其類比為人體的壽命老化，緩慢進行但目前無法避免。但這種老化是被進行了充分的驗證和嚴格的測試的。

每個電池在設計初期便會進行充分的實驗，其中很重要的便是循環壽命試驗，電池樣品會進入恒溫環境倉，按電池可能會觸及到的最大電流進行不間斷的循環充/放電試驗，并對比電池每次放電放出的總容量來描繪電池的衰減情況。為類比多種電池的衰減情況，通常用第i次的放電容量除以第一次放電的容量形成一個比值，即電池健康度SOH（State of health）。

在電動車上進行使用的電池，因車主的使用習慣，通常不會按電池測試的标準條件進行滿放和滿充（因為車主不可能每次都将車開到無法動再進行長時間滿充），因此單純的對充放電次數進行計數無法準确的對應其等效循環圈數以及電池健康度。在現實使用工況的限制下，大家開始研究累積充放電量和總裡程等因素進行電池健康度的預估，其中裡程因既可以保證一定的計算精度同時容易被用戶感知而被廣泛進行使用。

因電池的材料類型不同和用戶的使用習慣不同，小編在此無法準确的告知廣大的電動車主對應的電池衰減速率，這個還依賴廣大車主的從日常的用車感知中獲知，同時相關的電池健康度評估工具也在推廣中，廣大車主可以通過預估小工具針對性的對電池健康度進行預估。另外，如果您經常使用換電的方式進行補能，對應的電池在換電站内穩定工況下進行充電，可以有效的對電池進行一輪健康度檢測和校正，對應的數據也會進入BMS及整車的控制單元中，進而反饋到車主本人。

在廣大車主的日常使用中，小編建議廣大的電動車主，在滿足自己日常使用的情況下，為了減緩電池的老化速度，建議減少快充和超級快充的使用，已有一定的數據可以說明，快充及超級快充的補能方式雖然可以大幅度減少補能的耗時，但是同時也會加速電池的健康度衰減。

是不是隻有電動車的裡程會對電池健康度造成影響呢？答案是否定的。裡程對應的累積充放電量僅僅是電池正常衰減會表現出來的一個因子之一，而電動車所使用的環境溫度、電動車快充的比例、電動車長時間在高溫高SOC狀态下的靜置，同樣會導緻電池在裡程之外産生額外的健康度衰減。因此，在對市場中電池健康度的預估，有非常多的方法和見解，其中以電化學機理模型的研究和大數據 機器學習的模型方法占其中的大數據。

電化學機理模型主要使用一定的工具和方法檢測市場中運營的電池的阻抗、dQ/dV峰值等參數來評估電池健康度。通過實驗室的測試數據描繪電池在老化的全生命周期内電池阻抗的增加或dQ/dV反應峰下降的參數來描繪當前電池的老化程度，同時通過檢測電池當前的數據進行對應，從而實現電池健康度的預估。

大數據 機器學習的方法則對收集到的市場中電池上報的數據進行分析和處理，通過機器學習模型對電池健康度進行預測。在進行電池監控度的預測模型包括随機森林回歸、Xgboost、人工神經網絡等多種方法，在相對高精度的數據情況下，大數據模型可達到一定的精度，甚至優于傳統的電化學模型。

兩種方法各有優勢，電化學模型機理性更強易解釋，但受限于檢測方法需要高精準度的設備難以推廣，大數據 機器學習模型的方法容易實施并獲得了高精度的結論，但難以解釋并且與事物的相互驗證試驗會花費較大量的成本。小編推測未來電化學機理模型一定會和大數據 機器學習模型進行融合，同時還會有大量的實驗室測試數據也會進入模型，真正做到數據 機理結合、數據與實物結合的理想狀态。技術與方法的持續推進，一定可實現精準的SOH預估，幫助廣大的車主精準的判斷愛車的電池健康狀态。

#動力電池##新能源##電池健康##裡程焦慮#

更多精彩资讯请关注tft每日頭條，我们将持续为您更新最新资讯!