详情

原文传递锂离子动力电池全寿命周期状态估计与退役分选方法研究

论文题名：	锂离子动力电池全寿命周期状态估计与退役分选方法研究
关键词：	锂离子动力电池;全寿命周期;健康状态估计;电热耦合;快速分选
摘要：	为了解决能源危机以及环境污染问题，新能源汽车代替传统燃油车迅猛发展，截止2022年底，全国新能源汽车保有量达1310万辆。锂离子电池因为能量密度大、循环寿命长等优点成为车用动力电池的主力。同时，中国汽车技术研究中心调查数据显示，截止2021年我国退役电池量累计达38.02GWh,预计2025年退役量将达到137.4GWh。　　随着电动汽车的使用，锂离子动力电池的性能不可避免的发生退化。因此在新能源汽车高速发展的背后存在许多问题亟待解决。一方面，当前动力电池的状态预测停留在车载应用阶段，对于退役阶段的电池状态预测研究较少，并且预测状态多存在无法实时更新、准确度较低等问题;另一方面，退役电池梯次利用的研究正处于初期阶段，面对大批量退役电池的分选工作，保证精度的同时提高分选效率是当前的关键难题。针对以上挑战，本文面向车载应用阶段到退役阶段的全寿命周期，以锂离子动力电池健康状态（SOH）估计、热行为分析以及退役分选方法作为研究，主要研究内容如下。　　本文主要以三元锂离子电池（LiNCM）作为研究对象。本文针对研究对象搭建精密仪器测试平台并设计了不同的测试方案。获取电池全寿命周期下的不同老化数据，并分析了电池老化特性，为本文后续研究提供必要的数据及理论基础。　　传统锂离子电池SOH估计方法主要针对车载应用阶段，很少兼顾到退役阶段。针对传统方法泛化能力差、估计精度低、耗费时间长等问题，本文提出一种基于萤火虫优化算法（GSO）的神经网络SOH估计模型。首先，在电池单体寿命循环测试过程中，获取其不同老化下增量容量（IC）曲线。然后，通过IC曲线提取老化特征点。将老化特征点作为SOH估计模型的输入，真实SOH作为输出，从而训练模型。模型对于全寿命周期下SOH估计均具有较高的准确度，平均相对误差小于1.35％,均方根误差小于3.3％。同时。本文采用的特征点仅需要部分放电测试数据，从而缩短测量时间。　　随着电动汽车以及储能电站自燃事故频发，电池热安全越来越受人们的重视。动力电池在实际使用过程中可用容量逐渐下降直至退役，而大批量退役电池容量一致性差,缺乏快速获取大批量不同老化电池精准核温数据的有效手段。针对上述问题，本文提出基于全寿命周期电热耦合模型的锂离子电池热行为分析方法。首先，采用二阶等效电路作为电模型，计算寿命循环测试过程中的特性测试数据，获取电模型不同老化下的参数辨识结果。然后完成不同老化下熵热系数参数辨识，查阅测量获取电池的比热容、热扩散系数等各项参数，根据Bernardi生热速率公式、散热公式、能量守恒定律以及傅里叶定律构建热模型。电、热模型的输出作为对方的输入，进而影响各自的输出，从而构建电热耦合模型。不同工况下模型最大绝对误差为0.81℃,最大相对误差为2.81％。　　最后，针对大规模退役锂离子电池差异大，分选效率低，并且难以考虑电池核心温度等问题，本文提出综合考虑ICMAX、放电电量以及温度老化特征点的，基于半监督模糊C均值聚类算法(SSFCM)的退役锂离子电池快速分选方法。选本文选用104节样本进行退役电池快速分选研究。首先根据IC曲线特征点得到电池的SOH估计值，利用电热耦合模型获取核心温度特征点。划分SOH分界线，对于分界线区域较为密集的电池单体不做分类标记。利用标记样本初始化聚簇中心，然后综合ICMAX、放电电量以及核温特征点的影响比例，基于SSFCM算法完成退役锂离子电池快速分选。模型分选精度为96.15％。
作者：	张泽
专业：	控制科学与工程
导师：	张承慧;段彬
授予学位：	硕士
授予学位单位：	山东大学
学位年度：	2023