详情

原文传递基于电化学机理的锂离子电池耦合模型建模及SOC估计方法研究

论文题名：	基于电化学机理的锂离子电池耦合模型建模及SOC估计方法研究
关键词：	电动汽车;锂离子电池;耦合模型;电化学机理;荷电状态估计;卡尔曼滤波
摘要：	在环境污染和石油资源枯竭的双重刺激下，全球开始大力发展新能源电动汽车。动力电池作为电动汽车的核心，电池性能对汽车的续驶里程、最大功率、安全有着巨大的影响，而锂离子电池在众多动力电池中表现优异，继而被广泛应用。电池管理系统(BMS)能够有效监测电池的状态，并对电池进行能量管理，电池荷电状态(SOC)估计作为 BMS的核心功能之一，其精确估计能够有效避免电池出现过充过放，从而延长电池使用寿命。由于SOC不能直接通过测量得到，且在使用过程中受温度、放电倍率、老化等影响导致内部状态时刻发生改变，所以SOC的精确估计有一定难度。SOC 估计依赖于精确的电池模型，传统的等效电路模型原理简单但无法反映电化学机理且精度一般，电化学模型精度虽高，却计算量大，无法直接在线应用。基于此，本文以锂离子电池的SOC估计方法为目标展开研究，主要研究内容有以下四个方面：　　(1)首先从电池模型的机理着手，通过推导电池电化学模型的端电压方程，利用Pade逼近多项式的方法对偏微分方程进行了简化，并推导出了简化电化学模型的端电压方程。在此基础上，结合等效电路模型和电化学模型，建立了一种基于电化学机理的耦合模型。　　(2)利用 LM(Levenberg-Marquarat)非线性最小二乘算法对耦合模型中涉及的电化学参数进行辨识；并将参数辨识结果输入到耦合模型中，分别在HPPC、UDDS、FUDS、DST 电流工况下与等效电路模型进行了对比验证，其结果表明耦合模型能够大幅提高模型精度，几种电流工况下的平均绝对误差分别为 25.4mV， 18.6mV，28.4mV和 24.7mV；同时也验证了参数辨识结果的准确性。通过参数敏感性的分析，更深入地阐述了耦合模型中所保留的电化学机理特性。　　(3)基于耦合模型和参数辨识的结果，对传统的卡尔曼滤波算法进行了改进，采用电极Li+浓度关系获得的开路电压OCV代替由实验获得的OCV拟合值，很大程度上避免了OCV对SOC估计方法的影响，形成了一种新的SOC估计方法。经过 HPPC、DST 两种电流工况的仿真验证，改进的 SOC 估计方法能够大幅提升SOC 的估计精度；其次通过运行时间的对比结果，证明了改进后的算法仅损失了较少的时间，具有很好的实时性。　　(4)最后，基于所设计的实验DST电流工况，对仿真过程进行了实验验证，并分析了耦合模型蕴含的电化学机理。其结果表明，所提出耦合模型能有效保留电化学机理信息，相比等效电路模型具有更高的精度，第 90 百分位的误差降低了30mV，最大误差减少了 60.7mV，为未来高精度电池建模有重要的研究价值。在此基础上，改进的SOC估计方法很好地改善了锂离子电池由于SOC-OCV曲线不精确而导致的 SOC 估计误差，特别是对 EKF 算法的提升最大，平均误差降低了1%，SOC估计误差得到有效改善。虽然加入了电化学机理，但并未增加过多运行时间，且在不同SOC初始值下仍然能快速收敛，具有较好的实时性和鲁邦性，能够很好地在线估计锂电池SOC。
作者：	孙正
专业：	机械
导师：	李军
授予学位：	硕士
授予学位单位：	重庆交通大学
学位年度：	2023