详情

原文传递电动汽车锂离子电池关键状态估计研究

论文题名：	电动汽车锂离子电池关键状态估计研究
关键词：	电动汽车;锂离子电池;SOC估计;SOH估计;RUL早期预测
摘要：	电动汽车的整车性能与其广泛采用的锂离子动力电池及其电池管理系统（BatteryManagementSystem，BMS）的性能关系密切。BMS对于保护电池免受不必要的损害，提升其使用性能、延长它们的使用寿命至关重要。准确估计电池的荷电状态（StateofCharge，SOC）、健康状态（StateofHealth，SOH）以及剩余有效寿命（RemaingUsefulLife，RUL）等关键状态，是提升BMS监控效能、改善电动汽车整车性能的关键。　　针对电动汽车锂离子动力电池的SOC、SOH和RUL这三个关键状态的进一步准确估计问题，本文开展了如下研究：　　1、构建了磷酸铁锂（LiFePO4）电池的一维电化学模型和循环老化模型，奠定锂离子电池关键状态估计的基础。从锂离子电池的微观颗粒尺度出发，根据固相和液相材料中电荷和物质质量守恒方程，以及固相与液相接触界面的电化学反应动力学方程，建立了其一维电化学模型，通过Arrhenius方程，联接了锂离子电池的物理化学属性值对温度的敏感关系。其次，利用-10~50℃温度下的LiFePO4电池实验测试数据，验证了电化学模型的有效性。在此基础上，建立了以负极固体电解质界面（SolidElectrolyteInterphase，SEI）膜增长为主要老化机理的LiFePO4电池循环老化模型，并考虑了SEI膜破裂的情景。该模型的合理性已得到业界广泛验证，在温度25℃的测试条件下，分析了表征锂离子电池老化信息的主要特征变量。　　2、提出了一种基于温度补偿开路电压（OpenCircuitVoltage，OCV）估计模型的SOC估计方法。分析温度覆盖-10～50℃的低电流测试数据，发现在0℃及以下时常规均值法获取的近似OCV曲线的准确性会降低。为此，引入机理模型，通过表征电极颗粒中锂浓度的均匀性，生成了常规均值法难以获取的库仑OCV特性数据，并将生成的数据转化为可以实时运行的温度补偿OCV估计模型。将提出的OCV估计模型引入基于二阶等效电路模型的双自适应扩展卡尔曼滤波框架，实现了等效电路模型参数和SOC的协同估计。通过不同温度、不同初始SOC误差条件，对比了所提出的OCV估计模型与常规均值法和改进均值法的OCV估计模型在相同框架下的SOC估计性能。结果表明，结合所提出的温度补偿OCV估计模型的SOC估计方法，在温度覆盖-10～50℃的范围内都具有更好的SOC估计性能；在初始SOC误差达到50%时，估计结果的均方根误差不超过1%。　　3、提出了一种以能量特征为输入，采用高斯过程回归机器学习算法的SOH估计模型。分析了不同电池老化试验数据集，提出了适用于数据驱动SOH估计模型的三个能量特征，进而以能量特征为输入，构建了基于高斯过程回归的SOH估计模型。在包含不同循环工况和三种类型锂离子电池的验证场景下，对所提出的SOH估计模型的性能进行了验证，并与当前主流SOH估计模型进行了对比。研究结果表明，本文提出的SOH估计模型估计的SOH的均方根误差、均值绝对百分误差和均值绝对误差都小于2%，从而验证了所提出的基于能量特征的高斯过程回归SOH估计模型的广泛适用性。　　4、提出了基于皮尔逊相关系数-蚁群优化（PearsonCorrelationCoefficient-AntColonyOptimization，PCC-ACO）融合的特征选择方法。选取了特征选择方法的评估场景、候选特征和样本分组方式。在特征选择方法中引入RUL预测算法，设计系统评估特征选择方法的算法框架，提出了基于PCC-ACO融合的特征选择方法。对比了特征选择方法自动选取的特征和目前主流研究中所选用的特征在相同RUL预测算法下的预测性能。结果表明，本文方法自动选取的特征，不仅将目前主流RUL模型中的最少特征数由6个降为5个，而且将预测结果的均方根误差减小了4.4%，从而验证了所提出的基于PCC-ACO融合的特征选择方法的有效性，同时也说明了特征选择方法研究对基于数据驱动模型的RUL早期预测的重要性。　　综上所述，本文针对电动汽车锂离子动力电池关键状态估计中存在的问题，分别对基于温度补偿OCV估计模型的SOC估计方法、广泛适用于不同循环工况和电池类型的SOH估计模型以及面向锂离子电池RUL早期预测的特征选择方法进行了研究，并与当前主流研究进行了性能对比，验证了本文所提出的方法的有效性。相关研究成果对更准确地认知电池运行关键状态，提升BMS的监控效能，进一步改善锂离子电池的终端使用体验、增强电池系统安全性提供了技术支撑。
作者：	弓栋梁
专业：	动力工程及工程热物理
导师：	高莹
授予学位：	博士
授予学位单位：	吉林大学
学位年度：	2023