电动汽车动力锂电池健康状态的建模与估算

电动汽车动力锂电池健康状态的建模与估算晏勇;雷晓蔚【摘要】复杂路况下,为提高电动汽车锂电池组健康状态SOH(stateofhealth)估算实时性与准确性,通过扩展卡尔曼滤波算法估算荷电状态,结合锂电池组温度与单体锂电池电压,系统判断锂电池组健康状态,提示故障位置并及时更换.结果表明,通过建模对电动汽车锂电池组健康状态估算简单、方便、准确、高效.保证了锂电池处于最佳状态,提高了驾驶的舒适性与安全性,实用性强.期刊名称】《青岛科技大学学报(自然科学版)》年(卷),期】2019(040)002【总页数】6页(P113-118)【关键词】锂电池;健康状态;建模与估算;扩展卡尔曼滤波;荷电状态【作者】晏勇;雷晓蔚【作者单位】阿坝师范学院电子信息与自动化学院,四川阿坝623002;阿坝师范学院科技处,四川阿坝623002【正文语种】中文【中图分类】TM912随着石化能源对环境污染持续加重，电动汽车行业技术与标准不断完善，以锂电池作为动力的电动汽车(electricvehicle,EV)以绿色、环保等优点，日益受到人们的青睐。电动汽车动力锂电池组由若干单体锂电池串并联构成，由于锂电池“木桶效应”，随着使用时间增加、自身老化，锂电池最大容量、充放电功率等参数均有衰减，严重影响电动汽车行车安全与续航里程，存在安全隐患。目前国内外对锂电池电源管理系统(batterymanagementsystem,BMS)研究主要集中为锂电池组荷电状态(stateofcharge,SOC)估算与均衡技术，对锂电池组健康状态(stateofhealth,SOH)估算较少，部分研究成果也存在局限性［1］。文献［2］对锂电池健康状态(SOH)估算方法做了综述性描述，但过于笼统，缺乏实用技术叙述；文献［3］对锂电池物理化学模型进行了探讨，研究了影响锂电池健康的多种因素，建立了不同运行工况、充放电深度、温度环境的数学模型，只对原因进行探讨并未涉及监测技术；文献［4］利用实时雨流计数法对钴酸锂电池健康状态进行建模，但测试过程复杂，实用性较差。本研究对锂电池组健康状态进行建模与估算，对锂电池组健康状态进行了在线测试并提示及时更换，降低了锂电池组整体更换成本，提高了电动汽车续航里程与行车安全性，实用性强。1锂电池健康状态分析2006年我国发布了电动汽车动力锂电池使用寿命国家标准QC/T743—2006，该标准规定电池使用寿命为可用容量下降到标准容量80%，应进行更换。影响锂电池健康状态SOH因素包括：充放电倍率、放电深度(depthofdischarge,DOD)、循环次数、环境温度与湿度、行驶工况等。充放电倍率越大短时间充放电电流越大，锂电池内部活性材料迁移速度增快，大量锂离子瞬间在正极活性物质表面反应，导致材料表面最外层失活，锂电池容量减小［5］；锂电池放电深度过大，导致内阻增大，温度迅速升高，锂离子迁移阻力增大，副反应增多，循环次数急剧减少；环境温度与湿度增加，也导致锂电池内阻增大，电解液减少，锂离子嵌入脱出程度增加，材料活性降低，容量下降；电动汽车长期行驶于道路崎岖不平频繁加速与减速、瞬时输出动力过大等复杂工况下，导致锂电池放电倍率过大、温度升高、放电过深，严重影响循环次数与使用寿命［6］。当前研究电动汽车动力锂电池健康状态的模型主要有：物理化学模型，从内部物理结构与化学反应研究锂电池老化与故障模型，对锂电池健康状态进行估算，该模型从微观结构分析锂电池健康状态，转换为锂电池外部健康状态相关参数并直接监测，转换、监测过程复杂；基于SN曲线模型指材料疲劳性能作用与应力S、寿命N之间的关系，即机械疲劳失效原理，锂电池老化事件独立，而失效是各个独立因素共同积累作用的结果，建模复杂［7］。针对以上模型监测电动汽车锂电池健康状态SOH缺点，提出了在复杂环境与工况下，基于加权安时法积分的锂电池健康状态监测建模与估算方法，将锂电池健康状态SOH判断分为两步：1)判断锂电池组充电与放电电荷量SOC。2)判断锂电池组电压、温度等参数。当锂电池充电完毕后，锂电池组存储电量下降为原来的80%时，表明部分单体锂电池老化或出现故障，通过对单体电池电压与温度监测，判断单体电池故障并更换，降低锂电池组整体更换成本，保持锂电池组处于最佳状态，提高了电动汽车续航里程。2锂电池组SOC在线估算戴维南等效电路模型描述了锂电池内部内阻、极化电阻、电容、电动势等特性，戴维南等效电路模型见图1。图1锂电池戴维南等效电路模型Fig.1Lithium-ionbatteryDavenenequivalentcircuitmodel其中：RO为锂电池内阻，R1、C1分别为锂电池使用过程中极化电阻与电容，E为锂电池内部电动势，U为锂电池输出电压［8］。等效电路模型关系如下：E(t)=f［SOC(t)］，E(t)二U(t)+Uc(t)+I(t)xRO,(3)由式(1)(2)(3)得(4)在式⑷中soc(to)为初始soc值，n为锂电池内部受温度、充放电倍率等影响的修正因数，QN为锂电池额定容量[9-10]。根据扩展卡尔曼滤波EKF最优理论得，以锂电池为状态变量X，建立系统方程：Xn+1==(5)Yn=U(n)=E[s(n)]-Uc(n)-R0[I(n)]+un。(6)式⑸(6)中vn与un为系统测量高斯白噪声，T为采样周期，方差为A与B，由式(5)(6)得扩展卡尔曼滤波EKF对下一时刻系统状态进行估计并与反馈相结合、完成迭代，最终得到该时刻最优状态估计[11]。扩展卡尔曼滤波分为4步即：状态估计、最小均方根误差估计、误差增益估计与最优值估计，如式(7)。给定锂电池组初始值，通过估算得到最优SOC值。(7)3单体锂电池参数监测电动汽车动力锂电池组是由若干单体锂电池串并联实现整体电压与容量提升，国内某品牌电动汽车采用磷酸铁锂LiFePO4电池组提供动力，具体参数如下：总功率：90kW・h-1,电池组电压：316.8V，电机工作电压：316V，最低放电电压：249.6V。LiFeP04电池组单体电池参数为3.3V、3600mAh-1,由上述参数知，电动汽车动力锂电池组由96节单体电池串联构成1组电池组80组串联电池组并联而成，电动汽车动力锂电池组共需单体LiFePO4电池7680节，构成锂电池矩阵［12］。锂电池组健康状态SOH与单体锂电池电压、温度直接相关，单体锂电池电压过低或锂电池组温度过高，表明该锂电池存在故障或性能过差，必须进行维修或更换，提高锂电池组整体性能。锂电池健康管理系统采用凌力尔特LTC6804-2多节锂电池电压监视芯片采集锂电池电压，LTC6820isoSPI隔离式通信接口将变压器隔离的锂电池电压信号转换为SPI信号，锂电池组温度信号由TI集成数字温度传感器实时采集，TI数字信号处理器TMS320F28377作为中心控制器负责数据分析、统计与处理［13］。3.1单体锂电池电压监测单体锂电池电压监测分为四个模块，即锂电池电压输入模块、电压采集模块、isoSPI数据通信模块、数据处理模块［14］。电压采集模块采用凌力尔特LTC6804-2集成锂电池电压芯片，完成单体锂电池电压采集，LTC6804-2同时可以完成12节锂电池电压采集，器件内嵌两个6种采样速率16位ADC转换器，完成12节锂电池电压采集，SPI或I2C通信。锂电池电压输入模块由一个RC低通滤波器与NMOS放电回路构成，经RC低通滤波器抑制纹波后，输入LTC6804-2内部ADC;锂电池过充时LTC6804-2第S(n)引脚触发NMOS导通放电实现平衡，ISOMD与VREG引脚连接，配置通信模式为两线式隔离接口isoSPI，多片LTC6804-2级联采用菊链式连接，IPA与IPB引脚连接变压器输入端，锂电池电压输入采集原理如图2。图2锂电池电压输入采集电路原理图Fig.2CircuitschematiclithiumbatteryvoltageinputacquisitionLTC6804-2内嵌两个16位ADC，将12节锂电池分为1-6号与7-12号两组，分别由ADC1与ADC2完成电压采集。首先配置物理层LTC6804-2通信模式、ADC工作模式，数据链路层分拆与解析接收数据包，网络成设置器件地址偏移量，按地址访问LTC6804-2，完成单体锂电池电压采集［15］。isoSPI数据通信模块由isoSPI隔离式通信接口LTC6820与隔离变压器组成，当单体锂电池超过12节时需要多个器件级联，LTC6804-2由isoSPI接口通过菊链方式实现多节锂电池电压采集［16］，LTC6820按LTC6804-2地址逐个访问，经变压器耦合后由isoSPI隔离式通信接口LTC6820发送与接收差分脉冲并转换为SPI数据信号，实现与数字信号处理器TMS320F28377数据通信，isoSPI隔离式通信原理如图3。图3isoSPI隔离式通信原理图Fig.3CommunicationschematicofIsoSPIisolation3.2锂电池组温度监测锂电池组温度监测采用美国德州仪器TMP275集成数字温度传感器，器件内嵌12位ADC、I2C与SMbus接口，具备温度报警功能，温度测量范围为-40~125°C,精度为0.5°C［17］。TMP275有A0-A2三个地址引脚8种地址编码，主机一个I2C通信接口最多挂载8个温度传感器，数字信号处理器TMS320F28377利用普通GPIO模拟I2C通信时序，搭载多个器件；温度数据寄存器为16位，第15位为符号位，第14~8位为整数位，7~4位为小数位，最后4位为0;通过温度报警功能寄存器设置上限与下限报警温度，TMP275数字温度传感器电路原理见图图4TMP275数字温度传感器电路原理图Fig.4CircuitschematicofTMP275digitaltemperaturesensor4锂电池SOH管理软件设计复杂工况下锂电池组SOH管理系统软件，主要包括：锂电池组充电完毕SOC估算与锂电池组温度和单体锂电池电压采集两部分。首先，系统初始化设置LTC6804-2地址，判断单体锂电池电压与锂电池组温度，复杂工况下锂电池组温度指锂电池在主动或被动降温措施下锂电池温度仍高于60°C;锂电池电压检测指锂电池在正常行驶经过均衡电路后电压小于2.6V,或锂电池充电完毕后SOC下降为原来80%，单体锂电池电压小于2.6V,均产生声、光、电报警，提示锂电池老化或存在故障，应立即更换排除安全隐患[18]，系统软件流程如图5所示。图5系统软件流程图Fig.5Flowchartofsystemsoftware5实验结果分析锂电池SOH管理系统参数测试包括：复杂路况行驶条件下锂电池电压与温度测试,正常充电完成情况下锂电池组电压与温度测试。随机选取600支单体锂电池测量电压,其中包括同一组与不同组单体锂电池,锂电池工作温度以锂电池组为单位随机选取60组进行测试。测试仪器采用FLUKE6位半台式数字万用表与环境温度校准测试仪。复杂路况测试环境选择崎岖不平、坡度陡峭的山区道路;停车正常充电在常温下室内进行,锂电池电压与温度测试值与实际测试值误差如图6、图7。图6锂电池电压误差Fig.6Lithiumbatteryvoltageerror图7锂电池温度误差Fig.7Lithiumbatterytemperatureerror实验数据表明，无论是哪一种工作条件，单体锂电池电压量误差均为0.1V以下，单体锂电池温度测量误差为0.9C以下，均能准确、有效监测单体锂电池电压与锂电池组工作温度。将一组有故障的锂电池组与无故障锂电池组进行对比实验,系统能准确判断锂电池组健康状态,识别故障锂电池组并提示更换,更换后锂电池健康状态正常，电动汽车续航里程显著增加。电动汽车锂电池SOH管理系统测试中，能在1S-2S测试动力锂电池健康状态，实时性强、响应速度快。6结语本研究采用EKF算法结合单体锂电池电压与锂电池温度，对锂电池组健康状态进行建模与估算，在此基础上设计了锂电池SOH管理软件，可准确识别锂电池组故障位置并更换。实验表明，系统对锂电池组健康状态估算准确，故障识别率高，降低了锂电池维修、整体更换成本，提高了锂电池工作性能，增加了电动汽车行驶舒适度与安全性。参考文献【相关文献】祝红英，时玮，朱志贤•关于锂离子电池健康状态预测方法的研究进展[J].电源技术，2017,41(9):1380-1385.ZHUHongying,SHIWei,ZHUZhixian.Predictionmethodsforstateofhealthyoflithium-ionbatteries[J].ChineseJournalofPowerSources,2017,41(9):1380-1385.张金龙，佟微，孙叶宁，等•锂电池健康状态估算方法综述[J].电源学报,2017,15(2):128-134.ZHANGJinlong,TONGWei,SUNYening,etal.Summarizeoflithiumbatterystatusofhealthestimationmethod[J].JournalofPowerSupply,2017,15(2):128-134.孙冬,许爽梯次利用锂电池健康状态预测[J].电工技术学报,2018,33⑴:72-81.SUNDong,XUShuang.Stateofhealthpredictionofsecond-uselithium-ionbattery[J].TransactionsofChinaElectrotechnicalSociety,2018,33(9):72-81.宾洋,于静美，朱英凯等•实时雨流计数法及其在钻酸锂电池健康状态建模中的应用[J].中国电机工程学报,2017,37(2):3627-3635.BINGYang,YUJingmei,ZHUYingkai,etal.Areal-timerainflowalgorithmanditsapplicationtostateofhealthmodelingforLiCoO2oflithium-ionbatteries[J].ProceedingsoftheCSEE,2017,37(2):3627-3635.LIUK,LIK,PENGQ,etal.Analysisoftransmitter-sidecontrolmethodsinwirelessEVchargingsystems[J].FrontiersofMechanicalEngineering,2018(1):2095-2108.LIUF,CHENK,ZHAOZ.Analysisoftransmitter-sidecontrolmethodsinwirelessEVchargingsystems[J].ScienceChinaTechnologicalSciences,2018,23(8):1674-1684.李晓宇，徐佳宁,胡泽徽，等•磷酸铁锂电池梯次利用健康特征参数提取方法J].电工技术学报,2018,33(1):10-16.LIXiaoyu,XUJianing,HUZehui,etal.HealthparameterestimationmethodforLiFePO4batteryechelonuse[J].TransactionsofChinaElectrotechnicalSociety,2018,33(1):10-16.华俊，邵如平,朱永涛•基于自适应卡尔曼滤波算法的锂电池SOC估算J].科技通报,2017,33(5):77-80.HUAJun，SHAORuping，ZHUYongtao.EstimationofSOCoflithium-ionbatterybasedonadaptiveextendedKalmanfilter[J].BulletinofScienceandTechnology,2017,33(5):77-80.肖仁鑫，李沛森,李晓宇，等•基于蚁群神经网络算法的电池健康状态估计[J].电源技术,2017,41(6):916-919.XIAORenxin,LIPeisen,LIXiaoyu,etal.Stateofhealthestimationfotoflithium-ionbatterybasedonantcolonyneuralnetwork[J].ChineseJournalofPowerSources,2017,41(6):916-919.XUJ,JIAY,LIB.Abriefreviewonkeytechnologiesinthebatterymanagementsystemofelectricvehicles[J].ExperimentalMechanics,2018,58(5):2633-2643.ARMGHANH,AHMADI,ALIN.Nonlinearcontrolleranalysisoffuelcell-batteryultracapacitor-basedhybridenergystoragesystemsinelectricvehicles[J].ArabianJournalforScienceandEngineering,2018,43(6):3123-3133.TALHAM,ASGHARF,KIMSH.Aneuralnetwork-basedrobustonlineSOCandSOHestimationforsealedlead-acidbatteriesinrenewablesystems[J].ArabianJournalforScienceandEngineering,2018,26(3):2516-2523.LIJ,GAOF,YANG.ModelingandSOCestimationoflithiumironphosphatebatteryconsideringcapacityloss[J].EnergyStorageacrossMultipleEnergySystems,2012,27(2):2367-2383.RIZOUGN,MESBAHIT,SADOUNR.Developmentofnewimprovedenergymanagementstrategiesforelectric