Baterie v elektrických vozidlech je klíčovým cílem údržby baterie. Battery Management System (BMS) udržuje optimální stav baterie vyhodnocováním jejího stavu (SOH). Přesná identifikace SOH může určit dobu výměny baterie, zabránit selhání baterie a prodloužit její životnost. Tento článek si klade za cíl zlepšit výkon BMS identifikací parametrů SOH. Na základě modelu baterie Thevenin jsou získány klíčové parametry jako R{{0}}, Rp a Cp. K úplné identifikaci parametrů se používají dva adaptivní algoritmy, Coulombovo počítání a napětí naprázdno. Porovnávají se výsledky obou algoritmů z hlediska chyby, střední absolutní chyby (MAE), střední kvadratické chyby (RMSE) a konečné hodnoty SOH. Výzkum se zaměřuje na získávání dat o chybách odhadu a spolehlivých informací o výkonu BMS. Výsledky ukazují, že Coulombova metoda počítání má menší chybu v odhadu SOH než metoda napětí naprázdno, s chybou 1,770 %. Konečná hodnota SOH je 17,33 % a model baterie Thevenin má modelovací chybu baterie 0,0451 %.
1. Úvod
Baterie elektrického vozidla a systém správy baterií (BMS):V elektrických vozidlech je primárním zdrojem energie baterie, která dodává energii motoru a dalším systémům. Na rozdíl od tradičních automobilů mají baterie elektrických vozidel relativně malou kapacitu a napětí a jsou obvykle baleny v bateriových modulech. Bateriový systém se skládá z několika baterií, které jsou řízeny BMS. Mezi jeho funkce patří optimalizace pracovního systému baterie, zahrnující dva klíčové parametry: stav nabití (SOC) a stav zdraví (SOH). SOC je poměr zbývající kapacity k celkové kapacitě, zatímco SOH je srovnávací hodnota mezi aktuálním výkonem a výkonem nové baterie, kterou nelze přímo měřit a je třeba ji odhadnout.
Pozadí výzkumu a související metody:Stav zdraví (SOH) může kvantifikovat výkon a životnost baterie. Během používání baterie může dojít ke zhoršení kvality, změnám vnitřního odporu a kapacitních parametrů. Identifikace parametrů SOH pomáhá určit skutečný stav baterie, doporučit doby výměny a prodloužit životnost baterie. V současné době existuje několik metod pro odhad stavu zdraví (SOH) nebo stavu nabití (SOC), ale existuje jen málo metod, které současně identifikují obojí a generují vhodné parametry ke snížení výpočetní zátěže BMS. Algoritmus pro monitorování parametrů baterie se musí přizpůsobit změnám parametrů a odhadnout stav baterie. Metody lze rozdělit do tří kategorií, včetně metody spektrální impedance, metody rovnice modelu obvodu a metody modelu elektrochemické impedance.
Recenze souvisejících prací:V předchozích výzkumech bylo k identifikaci parametrů baterie běžně používáno více metod. Coulombické počítání (CC) a metody otevřeného napětí (OCV) jsou široce používány v BMS elektrických vozidel, každá má své výhody a nevýhody. Metoda CC odhaduje SOH monitorováním vstupní a výstupní kapacity baterie, přičemž bere v úvahu ztrátu energie během nabíjecího cyklu a může také poskytnout relevantní informace prostřednictvím obnovy napětí; Metoda OCV může být považována za vyvážené napětí poté, co je baterie plně v klidu, a Zdravotní stav (SOH) se odhaduje s ohledem na podmínky parametrů baterie BMS.
Cílem této studie je identifikovat přesné parametry SOH pro prodloužení životnosti baterie. K vyhodnocení a identifikaci parametrů SOH se používá metoda založená na modelu baterie. Theveninův model baterie se používá k identifikaci parametrů R0, Rp a Cp pomocí adaptivního algoritmu (rekurzivní nejmenší čtverce, RLS). Na základě výsledků hodnocení jsou získány přesné odhady SOH pro snížení výpočetní zátěže.
Výzkumný příspěvek:Výsledky testování parametrů baterie poskytují rozumné odhady a malou chybovost pro vyhodnocení výkonu systému BMS. Coulombova metoda počítání je vhodná pro výpočet kapacity baterie a maximální výkon baterie klesá s rostoucím počtem cyklů nabíjení a vybíjení. Relativní chyba modelu baterie Thevenin je menší než 2 %. Z hlediska přesnosti odhadu SOH je metoda CC lepší než RLS a metoda CC dokáže odhadnout napětí na svorkách baterie a SOC, zatímco metoda OCV může pouze odhadnout parametry baterie.
2. Systém správy baterií
Komponenty baterie (funkce a složení BMS):BMS reguluje bateriový systém složený ze stovek nebo tisíců baterií v elektrických vozidlech a má důležité funkce, jako je monitorování, odhad parametrů, ochrana, poskytování zpráv a vyvažování baterií. Mezi jeho hlavní funkce patří ochrana baterie před poškozením, provoz baterie v příslušném rozsahu napětí a teplot a udržování baterie tak, aby fungovala při parametrech, které splňují systémové požadavky, jako jsou SOC, SOH a SOF. BMS se skládá ze senzorů, akčních členů a ovladačů, se vstupy včetně signálů senzorů, jako je proud, napětí, teplota a pedály, a výstupy včetně modulů pro řízení teploty, vyvážení, řízení bezpečnosti, indikaci nabíjení, poruchový alarm a komunikaci. Software BMS obsahuje několik funkčních modulů, jako je detekce parametrů baterie, odhad a diagnostika poruch. Měření napětí baterie, odhad parametrů, vyvažování a diagnostika poruch jsou hlavními problémy BMS, mezi nimiž měření napětí baterie čelí potížím, jako jsou rozdíly v napětí způsobené sériovým připojením baterie a požadavky na vysokou přesnost.
Model baterie:Tento článek určuje parametry stavu zdraví (SOH) pomocí modelování baterie a převádí parametry vstupního napětí, proudu a teploty baterie na SOH, aby bylo možné získat přesné odhady. Pomocí modelu baterie Thevenin je napěťová přechodová odezva procesu polarizace baterie popsána výběrem parametrů vnitřního odporu a kapacity baterie. Jsou poskytnuty matematické rovnice modelu baterie a metody výpočtu pro související parametry (Voc, R0, Rp a Cp), které jsou získány pomocí algoritmu RLS a aplikovány na model baterie Thevenin.
3. Určete parametry zdravotního stavu
Význam a metody identifikace parametrů zdravotního stavu:Přesné parametry SOH jsou rozhodující pro výkon BMS. Tato studie používá Coulombovo počítání jako adaptivní algoritmus k identifikaci těchto parametrů pro získání inicializačních hodnot SOH a vyhodnocení výkonu BMS. Model baterie Thevenin se používá k určení parametrů modelu baterie a funkce OCV-SOC. Specifický proces zahrnuje vstup proudu do modelu baterie, analýzu dat terminálového napětí, převod z časové oblasti do oblasti SOC a proložení křivky pro získání funkce OCV-SOC. Proces identifikace parametru se opakuje, dokud není odhad SOH přiměřený a chybovost je malá.
Funkce OCV-SOC:Na základě modelu baterie Thevenin je OCV (SOC) parametr zdrojového napětí získaný testováním napětí baterie bez připojené zátěže a napětí před připojením sady baterií. Křivka SOC OCV se odhadne pomocí dat testu konstantní zátěže a proloží se polynomem dvanáctého řádu. Polynom desátého řádu má nejvyšší přesnost v odhadu Voc a nejmenší střední kvadraturu chyby (RMSE), což má významný vliv na přesnost funkcí SOC a OCV.
Parametry R0, Rp a Cp:Model baterie Thevenin vyžaduje jako zdroj napětí OCV při SOC, které se získá pomocí pulzního testování. R{{0}} je vnitřní odpor s hodnotou větší než ostatní odpory. Kvůli problému s periodou vzorkování je obtížné zachytit malé změny dat. Vztah mezi R0 a SOC byl získán proložením polynomiální křivky druhého řádu s průměrnou hodnotou R0 0,027735 Ω. R0, Rp a Cp poskytují vstupní data pro testování napěťových a proudových impulsů a získávají hodnoty výstupních parametrů.
Experimentální výsledek
Analýzou parametrů stavu zdraví (SOH) monitorovaných baterií je dosaženo výkonu BMS a jsou získány údaje o fyzických parametrech, jako je svorkové napětí a vstupní/výstupní proud baterie. Na základě modelování baterie jsou identifikována data parametrů a použita pro monitorování stavu baterie a ochranné systémy. Metoda odhadu SOH zahrnuje měření změn v odporu a kapacitě baterie pomocí Ohmova zákona a Coulombovy metody počítání a dosazení hodnoty OCV do rovnice vztahu OCV-SOC pro získání hodnot SOC a SOH.
Byl proveden test statického výboje a výsledky ukázaly, že algoritmus CC získal změnu SOH vynásobením aktuální hodnoty časem, zatímco algoritmus OCV získal hodnotu SOH pomocí svorkového napětí nebo hodnoty OCV modelu baterie. Křivky změny SOH obou algoritmů byly podobné. Test také získal výsledky identifikace parametrů baterie a relaxační charakteristiky baterie mohou být použity pro identifikaci parametrů. Čím rychlejší je testovací cyklus, tím přesnější je odhad SOH. Algoritmus CC je lepší než algoritmus OCV při inicializaci SOH, který dokáže lépe porozumět vnitřnímu odporu baterie a současně odhadnout svorkové napětí Vt, SOC a SOH baterie s chybou odhadu menší než 2 %.
Z chybových dat identifikace parametrů SOH je střední kvadratická chyba (MSE) algoritmu CC {{0}}.0111, konečná hodnota SOH je 17,33 %, procento chyby je 1,770 % a odmocnina střední kvadratická chyba (RMSE) je 0,0132
Diskuze k výsledkům výzkumu:Vliv vnitřního odporu baterie na algoritmy CC a OCV je podobný a algoritmus CC dokáže lépe porozumět vnitřnímu odporu s menšími chybami. Algoritmus CC dokáže úspěšně odhadnout svorkové napětí Vt, SOC a SOH baterie současně s chybou odhadu menší než 2 %. Ve vybíjecím testu je algoritmus CC přesnější než algoritmus OCV při inicializaci SOH s odhadovanou střední čtvercovou chybou (MSE) 1,770 % pro algoritmus CC a 3,256 % pro algoritmus OCV. Tyto výsledky poskytují reference pro identifikaci parametrů při hodnocení BMS.
4. Shrnutí
Výsledky hodnocení výkonnosti BMS na základě identifikace parametru SOH ukazují, že Coulombův počítací algoritmus má lepší výsledky odhadu s chybou odhadu SOH 1,770 % a konečnou hodnotou SOH 17,33 %. Chyba modelování modelu baterie Thevenin pro baterie je 0,0451 %. Coulombovo počítání má z hlediska přesnosti odhadu SOH pomocí dvou metod (Coulombovo počítání a napětí naprázdno) vyšší přesnost. Kromě toho mohou adaptivní algoritmy založené na modelování baterie odhadnout svorkové napětí a SOH baterie.