電動汽車動力鋰電池健康狀態(tài)的建模與估算晏勇;雷曉蔚【摘要】復雜路況下,為提高電動汽車鋰電池組健康狀態(tài)SOH(stateofhealth)估算實時性與準確性,通過擴展卡爾曼濾波算法估算荷電狀態(tài),結合鋰電池組溫度與單體鋰電池電壓,系統(tǒng)判斷鋰電池組健康狀態(tài),提示故障位置并及時更換.結果表明,通過建模對電動汽車鋰電池組健康狀態(tài)估算簡單、方便、準確、高效.保證了鋰電池處于最佳狀態(tài),提高了駕駛的舒適性與安全性,實用性強.期刊名稱】《青島科技大學學報(自然科學版)》年(卷),期】2019(040)002【總頁數】6頁(P113-118)【關鍵詞】鋰電池;健康狀態(tài);建模與估算;擴展卡爾曼濾波;荷電狀態(tài)【作者】晏勇;雷曉蔚【作者單位】阿壩師范學院電子信息與自動化學院,四川阿壩623002;阿壩師范學院科技處,四川阿壩623002【正文語種】中文【中圖分類】TM912隨著石化能源對環(huán)境污染持續(xù)加重，電動汽車行業(yè)技術與標準不斷完善，以鋰電池作為動力的電動汽車(electricvehicle,EV)以綠色、環(huán)保等優(yōu)點，日益受到人們的青睞。電動汽車動力鋰電池組由若干單體鋰電池串并聯(lián)構成，由于鋰電池“木桶效應”，隨著使用時間增加、自身老化，鋰電池最大容量、充放電功率等參數均有衰減，嚴重影響電動汽車行車安全與續(xù)航里程，存在安全隱患。目前國內外對鋰電池電源管理系統(tǒng)(batterymanagementsystem,BMS)研究主要集中為鋰電池組荷電狀態(tài)(stateofcharge,SOC)估算與均衡技術，對鋰電池組健康狀態(tài)(stateofhealth,SOH)估算較少，部分研究成果也存在局限性［1］。文獻［2］對鋰電池健康狀態(tài)(SOH)估算方法做了綜述性描述，但過于籠統(tǒng)，缺乏實用技術敘述；文獻［3］對鋰電池物理化學模型進行了探討，研究了影響鋰電池健康的多種因素，建立了不同運行工況、充放電深度、溫度環(huán)境的數學模型，只對原因進行探討并未涉及監(jiān)測技術；文獻［4］利用實時雨流計數法對鈷酸鋰電池健康狀態(tài)進行建模，但測試過程復雜，實用性較差。本研究對鋰電池組健康狀態(tài)進行建模與估算，對鋰電池組健康狀態(tài)進行了在線測試并提示及時更換，降低了鋰電池組整體更換成本，提高了電動汽車續(xù)航里程與行車安全性，實用性強。1鋰電池健康狀態(tài)分析2006年我國發(fā)布了電動汽車動力鋰電池使用壽命國家標準QC/T743—2006，該標準規(guī)定電池使用壽命為可用容量下降到標準容量80%，應進行更換。影響鋰電池健康狀態(tài)SOH因素包括：充放電倍率、放電深度(depthofdischarge,DOD)、循環(huán)次數、環(huán)境溫度與濕度、行駛工況等。充放電倍率越大短時間充放電電流越大，鋰電池內部活性材料遷移速度增快，大量鋰離子瞬間在正極活性物質表面反應，導致材料表面最外層失活，鋰電池容量減小［5］；鋰電池放電深度過大，導致內阻增大，溫度迅速升高，鋰離子遷移阻力增大，副反應增多，循環(huán)次數急劇減少；環(huán)境溫度與濕度增加，也導致鋰電池內阻增大，電解液減少，鋰離子嵌入脫出程度增加，材料活性降低，容量下降；電動汽車長期行駛于道路崎嶇不平頻繁加速與減速、瞬時輸出動力過大等復雜工況下，導致鋰電池放電倍率過大、溫度升高、放電過深，嚴重影響循環(huán)次數與使用壽命［6］。當前研究電動汽車動力鋰電池健康狀態(tài)的模型主要有：物理化學模型，從內部物理結構與化學反應研究鋰電池老化與故障模型，對鋰電池健康狀態(tài)進行估算，該模型從微觀結構分析鋰電池健康狀態(tài)，轉換為鋰電池外部健康狀態(tài)相關參數并直接監(jiān)測，轉換、監(jiān)測過程復雜；基于SN曲線模型指材料疲勞性能作用與應力S、壽命N之間的關系，即機械疲勞失效原理，鋰電池老化事件獨立，而失效是各個獨立因素共同積累作用的結果，建模復雜［7］。針對以上模型監(jiān)測電動汽車鋰電池健康狀態(tài)SOH缺點，提出了在復雜環(huán)境與工況下，基于加權安時法積分的鋰電池健康狀態(tài)監(jiān)測建模與估算方法，將鋰電池健康狀態(tài)SOH判斷分為兩步：1)判斷鋰電池組充電與放電電荷量SOC。2)判斷鋰電池組電壓、溫度等參數。當鋰電池充電完畢后，鋰電池組存儲電量下降為原來的80%時，表明部分單體鋰電池老化或出現故障，通過對單體電池電壓與溫度監(jiān)測，判斷單體電池故障并更換，降低鋰電池組整體更換成本，保持鋰電池組處于最佳狀態(tài)，提高了電動汽車續(xù)航里程。2鋰電池組SOC在線估算戴維南等效電路模型描述了鋰電池內部內阻、極化電阻、電容、電動勢等特性，戴維南等效電路模型見圖1。圖1鋰電池戴維南等效電路模型Fig.1Lithium-ionbatteryDavenenequivalentcircuitmodel其中：RO為鋰電池內阻，R1、C1分別為鋰電池使用過程中極化電阻與電容，E為鋰電池內部電動勢，U為鋰電池輸出電壓［8］。等效電路模型關系如下：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)為初始soc值，n為鋰電池內部受溫度、充放電倍率等影響的修正因數，QN為鋰電池額定容量[9-10]。根據擴展卡爾曼濾波EKF最優(yōu)理論得，以鋰電池為狀態(tài)變量X，建立系統(tǒng)方程：Xn+1==(5)Yn=U(n)=E[s(n)]-Uc(n)-R0[I(n)]+un。(6)式⑸(6)中vn與un為系統(tǒng)測量高斯白噪聲，T為采樣周期，方差為A與B，由式(5)(6)得擴展卡爾曼濾波EKF對下一時刻系統(tǒng)狀態(tài)進行估計并與反饋相結合、完成迭代，最終得到該時刻最優(yōu)狀態(tài)估計[11]。擴展卡爾曼濾波分為4步即：狀態(tài)估計、最小均方根誤差估計、誤差增益估計與最優(yōu)值估計，如式(7)。給定鋰電池組初始值，通過估算得到最優(yōu)SOC值。(7)3單體鋰電池參數監(jiān)測電動汽車動力鋰電池組是由若干單體鋰電池串并聯(lián)實現整體電壓與容量提升，國內某品牌電動汽車采用磷酸鐵鋰LiFePO4電池組提供動力，具體參數如下：總功率：90kW?h-1,電池組電壓：316.8V，電機工作電壓：316V，最低放電電壓：249.6V。LiFeP04電池組單體電池參數為3.3V、3600mAh-1,由上述參數知，電動汽車動力鋰電池組由96節(jié)單體電池串聯(lián)構成1組電池組80組串聯(lián)電池組并聯(lián)而成，電動汽車動力鋰電池組共需單體LiFePO4電池7680節(jié)，構成鋰電池矩陣［12］。鋰電池組健康狀態(tài)SOH與單體鋰電池電壓、溫度直接相關，單體鋰電池電壓過低或鋰電池組溫度過高，表明該鋰電池存在故障或性能過差，必須進行維修或更換，提高鋰電池組整體性能。鋰電池健康管理系統(tǒng)采用凌力爾特LTC6804-2多節(jié)鋰電池電壓監(jiān)視芯片采集鋰電池電壓，LTC6820isoSPI隔離式通信接口將變壓器隔離的鋰電池電壓信號轉換為SPI信號，鋰電池組溫度信號由TI集成數字溫度傳感器實時采集，TI數字信號處理器TMS320F28377作為中心控制器負責數據分析、統(tǒng)計與處理［13］。3.1單體鋰電池電壓監(jiān)測單體鋰電池電壓監(jiān)測分為四個模塊，即鋰電池電壓輸入模塊、電壓采集模塊、isoSPI數據通信模塊、數據處理模塊［14］。電壓采集模塊采用凌力爾特LTC6804-2集成鋰電池電壓芯片，完成單體鋰電池電壓采集，LTC6804-2同時可以完成12節(jié)鋰電池電壓采集，器件內嵌兩個6種采樣速率16位ADC轉換器，完成12節(jié)鋰電池電壓采集，SPI或I2C通信。鋰電池電壓輸入模塊由一個RC低通濾波器與NMOS放電回路構成，經RC低通濾波器抑制紋波后，輸入LTC6804-2內部ADC;鋰電池過充時LTC6804-2第S(n)引腳觸發(fā)NMOS導通放電實現平衡，ISOMD與VREG引腳連接，配置通信模式為兩線式隔離接口isoSPI，多片LTC6804-2級聯(lián)采用菊鏈式連接，IPA與IPB引腳連接變壓器輸入端，鋰電池電壓輸入采集原理如圖2。圖2鋰電池電壓輸入采集電路原理圖Fig.2CircuitschematiclithiumbatteryvoltageinputacquisitionLTC6804-2內嵌兩個16位ADC，將12節(jié)鋰電池分為1-6號與7-12號兩組，分別由ADC1與ADC2完成電壓采集。首先配置物理層LTC6804-2通信模式、ADC工作模式，數據鏈路層分拆與解析接收數據包，網絡成設置器件地址偏移量，按地址訪問LTC6804-2，完成單體鋰電池電壓采集［15］。isoSPI數據通信模塊由isoSPI隔離式通信接口LTC6820與隔離變壓器組成，當單體鋰電池超過12節(jié)時需要多個器件級聯(lián)，LTC6804-2由isoSPI接口通過菊鏈方式實現多節(jié)鋰電池電壓采集［16］，LTC6820按LTC6804-2地址逐個訪問，經變壓器耦合后由isoSPI隔離式通信接口LTC6820發(fā)送與接收差分脈沖并轉換為SPI數據信號，實現與數字信號處理器TMS320F28377數據通信，isoSPI隔離式通信原理如圖3。圖3isoSPI隔離式通信原理圖Fig.3CommunicationschematicofIsoSPIisolation3.2鋰電池組溫度監(jiān)測鋰電池組溫度監(jiān)測采用美國德州儀器TMP275集成數字溫度傳感器，器件內嵌12位ADC、I2C與SMbus接口，具備溫度報警功能，溫度測量范圍為-40~125°C,精度為0.5°C［17］。TMP275有A0-A2三個地址引腳8種地址編碼，主機一個I2C通信接口最多掛載8個溫度傳感器，數字信號處理器TMS320F28377利用普通GPIO模擬I2C通信時序，搭載多個器件；溫度數據寄存器為16位，第15位為符號位，第14~8位為整數位，7~4位為小數位，最后4位為0;通過溫度報警功能寄存器設置上限與下限報警溫度，TMP275數字溫度傳感器電路原理見圖圖4TMP275數字溫度傳感器電路原理圖Fig.4CircuitschematicofTMP275digitaltemperaturesensor4鋰電池SOH管理軟件設計復雜工況下鋰電池組SOH管理系統(tǒng)軟件，主要包括：鋰電池組充電完畢SOC估算與鋰電池組溫度和單體鋰電池電壓采集兩部分。首先，系統(tǒng)初始化設置LTC6804-2地址，判斷單體鋰電池電壓與鋰電池組溫度，復雜工況下鋰電池組溫度指鋰電池在主動或被動降溫措施下鋰電池溫度仍高于60°C;鋰電池電壓檢測指鋰電池在正常行駛經過均衡電路后電壓小于2.6V,或鋰電池充電完畢后SOC下降為原來80%，單體鋰電池電壓小于2.6V,均產生聲、光、電報警，提示鋰電池老化或存在故障，應立即更換排除安全隱患[18]，系統(tǒng)軟件流程如圖5所示。圖5系統(tǒng)軟件流程圖Fig.5Flowchartofsystemsoftware5實驗結果分析鋰電池SOH管理系統(tǒng)參數測試包括：復雜路況行駛條件下鋰電池電壓與溫度測試,正常充電完成情況下鋰電池組電壓與溫度測試。隨機選取600支單體鋰電池測量電壓,其中包括同一組與不同組單體鋰電池,鋰電池工作溫度以鋰電池組為單位隨機選取60組進行測試。測試儀器采用FLUKE6位半臺式數字萬用表與環(huán)境溫度校準測試儀。復雜路況測試環(huán)境選擇崎嶇不平、坡度陡峭的山區(qū)道路;停車正常充電在常溫下室內進行,鋰電池電壓與溫度測試值與實際測試值誤差如圖6、圖7。圖6鋰電池電壓誤差Fig.6Lithiumbatteryvoltageerror圖7鋰電池溫度誤差Fig.7Lithiumbatterytemperatureerror實驗數據表明，無論是哪一種工作條件，單體鋰電池電壓量誤差均為0.1V以下，單體鋰電池溫度測量誤差為0.9C以下，均能準確、有效監(jiān)測單體鋰電池電壓與鋰電池組工作溫度。將一組有故障的鋰電池組與無故障鋰電池組進行對比實驗,系統(tǒng)能準確判斷鋰電池組健康狀態(tài),識別故障鋰電池組并提示更換,更換后鋰電池健康狀態(tài)正常，電動汽車續(xù)航里程顯著增加。電動汽車鋰電池SOH管理系統(tǒng)測試中，能在1S-2S測試動力鋰電池健康狀態(tài)，實時性強、響應速度快。6結語本研究采用EKF算法結合單體鋰電池電壓與鋰電池溫度，對鋰電池組健康狀態(tài)進行建模與估算，在此基礎上設計了鋰電池SOH管理軟件，可準確識別鋰電池組故障位置并更換。實驗表明，系統(tǒng)對鋰電池組健康狀態(tài)估算準確，故障識別率高，降低了鋰電池維修、整體更換成本，提高了鋰電池工作性能，增加了電動汽車行駛舒適度與安全性。參考文獻【相關文獻】祝紅英，時瑋，朱志賢?關于鋰離子電池健康狀態(tài)預測方法的研究進展[J].電源技術，2017,41(9):1380-1385.ZHUHongying,SHIWei,ZHUZhixian.Predictionmethodsforstateofhealthyoflithium-ionbatteries[J].ChineseJournalofPowerSources,2017,41(9):1380-1385.張金龍，佟微，孫葉寧，等?鋰電池健康狀態(tài)估算方法綜述[J].電源學報,2017,15(2):128-134.ZHANGJinlong,TONGWei,SUNYening,etal.Summarizeoflithiumbatterystatusofhealthestimationmethod[J].JournalofPowerSupply,2017,15(2):128-134.孫冬,許爽梯次利用鋰電池健康狀態(tài)預測[J].電工技術學報,2018,33⑴:72-81.SUNDong,XUShuang.Stateofhealthpredictionofsecond-uselithium-ionbattery[J].TransactionsofChinaElectrotechnicalSociety,2018,33(9):72-81.賓洋,于靜美，朱英凱等?實時雨流計數法及其在鉆酸鋰電池健康狀態(tài)建模中的應用[J].中國電機工程學報,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.李曉宇，徐佳寧,胡澤徽，等?磷酸鐵鋰電池梯次利用健康特征參數提取方法J].電工技術學報,2018,33(1):10-16.LIXiaoyu,XUJianing,HUZehui,etal.HealthparameterestimationmethodforLiFePO4batteryechelonuse[J].TransactionsofChinaElectrotechnicalSociety,2018,33(1):10-16.華俊，邵如平,朱永濤?基于自適應卡爾曼濾波算法的鋰電池SOC估算J].科技通報,2017,33(5):77-80.HUAJun，SHAORuping，ZHUYongtao.EstimationofSOCoflithium-ionbatterybasedonadaptiveextendedKalmanfilter[J].BulletinofScienceandTechnology,2017,33(5):77-80.肖仁鑫，李沛森,李曉宇，等?基于蟻群神經網絡算法的電池健康狀態(tài)估計[J].電源技術,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