Аккумулятор в электромобилях является ключевым моментом в поддержании его работоспособности. Система управления аккумулятором (BMS) поддерживает оптимальное состояние аккумулятора, оценивая его состояние (SOH). Точное определение SOH позволяет определить время замены батареи, избежать ее выхода из строя и продлить срок ее службы. Целью этой статьи является повышение производительности BMS путем определения параметров SOH. На основе модели батареи Тевенина получены такие ключевые параметры, как R{{0}}, Rp и Cp. Для идентификации параметров используются два адаптивных алгоритма: кулоновский подсчет и напряжение холостого хода. Сравниваются результаты двух алгоритмов с точки зрения ошибки, средней абсолютной ошибки (MAE), среднеквадратической ошибки (RMSE) и конечного значения SOH. Исследование направлено на получение данных об ошибках оценки и надежной информации о производительности BMS. Результаты показывают, что метод кулоновского счета имеет меньшую ошибку в оценке SOH, чем метод напряжения холостого хода, с ошибкой 1,770%. Окончательное значение SOH составляет 17,33%, а модель батареи Thevenin имеет ошибку моделирования для батареи 0,0451%.
1. Введение
Аккумулятор электромобиля и система управления аккумулятором (BMS):В электромобилях аккумулятор является основным источником энергии, обеспечивающим питание двигателя и других систем. В отличие от традиционных автомобилей, аккумуляторы электромобилей имеют относительно небольшую емкость и напряжение и обычно упакованы в аккумуляторные модули. Аккумуляторная система состоит из нескольких аккумуляторов, которыми управляет BMS. В его функции входит оптимизация рабочей системы аккумулятора, включающая два ключевых параметра: состояние заряда (SOC) и состояние работоспособности (SOH). SOC — это отношение оставшейся емкости к общей емкости, а SOH — это сравнительное значение между текущей производительностью и производительностью новой батареи, которое невозможно измерить напрямую и которое необходимо оценить.
Предыстория исследования и связанные с ним методы:Состояние здоровья (SOH) может количественно оценить производительность и срок службы батареи. В процессе использования аккумулятора может произойти ухудшение качества, изменение параметров внутреннего сопротивления и емкости. Определение параметров SOH помогает определить фактическое состояние батареи, рекомендовать время замены и продлить срок службы батареи. В настоящее время существует несколько методов оценки состояния работоспособности (SOH) или состояния заряда (SOC), но мало методов, которые одновременно идентифицируют оба и генерируют соответствующие параметры для снижения вычислительной нагрузки на BMS. Алгоритм мониторинга параметров батареи должен адаптироваться к изменениям параметров и оценивать состояние батареи. Методы можно разделить на три категории, включая метод спектрального импеданса, метод уравнения модели цепи и метод модели электрохимического импеданса.
Обзор сопутствующих работ:В предыдущих исследованиях для определения параметров батареи обычно использовалось несколько методов. Методы кулоновского счета (CC) и напряжения холостого хода (OCV) широко используются в BMS электромобилей, каждый из которых имеет свои преимущества и недостатки. Метод CC оценивает SOH путем мониторинга входной и выходной емкости аккумулятора с учетом потерь мощности во время цикла зарядки, а также может предоставить соответствующую информацию посредством восстановления напряжения; Метод OCV можно рассматривать как сбалансированное напряжение после того, как батарея полностью отдохнула, а состояние здоровья (SOH) оценивается с учетом условий параметров батареи BMS.
Целью данного исследования является определение точных параметров SOH для продления срока службы батареи. Для оценки и определения параметров SOH используется метод, основанный на модели батареи. Модель батареи Тевенина используется для идентификации параметров R0, Rp и Cp с помощью адаптивного алгоритма (рекурсивный метод наименьших квадратов, RLS). На основе результатов оценки получаются точные оценки SOH для снижения вычислительной нагрузки.
Вклад в исследование:Результаты тестирования параметров батареи обеспечивают разумные оценки и небольшую частоту ошибок для оценки производительности системы BMS. Кулоновский метод подсчета удобен для расчета емкости аккумулятора, причем максимальная мощность аккумулятора уменьшается с увеличением циклов заряда и разряда. Относительная погрешность модели батареи Thevenin составляет менее 2%. С точки зрения точности оценки SOH, метод CC превосходит RLS, и метод CC может оценить напряжение на клеммах батареи и SOC, тогда как метод OCV может только оценить параметры батареи.
2. Система управления аккумулятором
Компоненты аккумулятора (функции и состав BMS):BMS регулирует аккумуляторную систему, состоящую из сотен или тысяч батарей в электромобилях, и выполняет важные функции, такие как мониторинг, оценка параметров, защита, предоставление отчетов и балансировка батарей. Его основные функции включают защиту аккумулятора от повреждений, эксплуатацию аккумулятора в соответствующих диапазонах напряжения и температуры, а также поддержание работы аккумулятора при параметрах, соответствующих системным требованиям, таким как SOC, SOH и SOF. BMS состоит из датчиков, исполнительных механизмов и контроллеров, входы которых включают сигналы датчиков, такие как ток, напряжение, температура и педали, а выходы включают модули для управления температурным режимом, баланса, управления безопасностью, индикации зарядки, сигнализации о неисправности и связи. Программное обеспечение BMS включает в себя несколько функциональных модулей, таких как обнаружение, оценка и диагностика параметров батареи. Измерение напряжения батареи, оценка параметров, балансировка и диагностика неисправностей являются основными проблемами BMS, среди которых измерение напряжения батареи сталкивается с такими трудностями, как разница напряжений, вызванная последовательным соединением батарей и требованиями высокой точности.
Моделирование батареи:В этой статье определяются параметры состояния здоровья (SOH) посредством моделирования батареи и преобразуются параметры входного напряжения, тока и температуры батареи в SOH для получения точных оценок. Используя модель батареи Тевенина, переходная реакция напряжения процесса поляризации батареи описывается путем выбора параметров внутреннего сопротивления и емкости батареи. Представлены математические уравнения модели батареи и методы расчета связанных параметров (Voc, R0, Rp и Cp), которые получены с помощью алгоритма RLS и применены к модели батареи Thevenin.
3. Определить параметры состояния здоровья
Значение и методы выявления параметров состояния здоровья:Точные параметры SOH имеют решающее значение для производительности BMS. В этом исследовании используется кулоновский подсчет в качестве адаптивного алгоритма для определения этих параметров, получения значений инициализации SOH и оценки производительности BMS. Модель батареи Thevenin используется для определения параметров модели батареи и функции OCV-SOC. Конкретный процесс включает в себя ввод тока в модель батареи, анализ данных о напряжении на клеммах, преобразование из временной области в область SOC и подгонку кривой для получения функции OCV-SOC. Процесс идентификации параметров повторяется до тех пор, пока оценка SOH не станет разумной и частота ошибок не станет небольшой.
Функция OCV-SOC:На основе модели батареи Thevenin OCV (SOC) представляет собой параметр напряжения источника, полученный путем тестирования напряжения батареи без подключенной нагрузки и напряжения перед подключением аккумуляторной батареи. Кривая SOC OCV оценивается с использованием данных испытаний при постоянной нагрузке и аппроксимируется полиномом двенадцатого порядка. Полином десятого порядка имеет наибольшую точность оценки Voc и наименьшую среднеквадратическую ошибку (RMSE), что оказывает существенное влияние на точность функций SOC и OCV.
Параметры R0, Rp и Cp:Модель батареи Thevenin требует OCV в SOC в качестве напряжения источника, которое получается посредством импульсного тестирования. R{{0}} — это внутреннее сопротивление, значение которого больше, чем у других сопротивлений. Из-за проблемы с периодом выборки трудно уловить небольшие изменения данных. Связь между R0 и SOC была получена путем аппроксимации полиномиальной кривой второго порядка со средним значением R0 0,027735 Ом. R0, Rp и Cp предоставляют входные данные для тестирования импульсов напряжения и тока и получают значения выходных параметров.
Экспериментальный результат
Путем анализа параметров состояния здоровья (SOH), контролируемых батареей, достигается производительность BMS и получаются данные о физических параметрах, таких как напряжение на клеммах и входной/выходной ток батареи. На основе моделирования батареи идентифицируются данные о параметрах, которые используются для мониторинга состояния батареи и систем защиты. Метод оценки SOH включает измерение изменений сопротивления и емкости батареи, соответственно, с использованием закона Ома и метода счета Кулона, а также подстановку значения OCV в уравнение зависимости OCV-SOC для получения значений SOC и SOH.
Было проведено испытание на статический разряд, и результаты показали, что алгоритм CC получил изменение SOH путем умножения значения тока на время, в то время как алгоритм OCV получил значение SOH, используя напряжение на клеммах или значение OCV модели батареи. Кривые изменения SOH двух алгоритмов были схожи. В ходе испытания также были получены результаты идентификации параметров батареи, а характеристики релаксации батареи можно использовать для идентификации параметров. Чем быстрее цикл тестирования, тем точнее оценка SOH. Алгоритм CC превосходит алгоритм OCV при инициализации SOH, который позволяет лучше понять внутреннее сопротивление батареи и одновременно оценить напряжение на клеммах Vt, SOC и SOH батареи с ошибкой оценки менее 2%.
Из данных об ошибках идентификации параметров SOH среднеквадратическая ошибка (MSE) алгоритма CC равна {{0}}.0111, окончательное значение SOH составляет 17,33%, процент ошибок составляет 1,770%, а корень среднеквадратическая ошибка (RMSE) составляет 0,0132.
Обсуждение результатов исследования:Влияние внутреннего сопротивления батареи на алгоритмы CC и OCV аналогично, и алгоритм CC может лучше понять внутреннее сопротивление с меньшими ошибками. Алгоритм CC может успешно оценивать напряжение на клеммах Vt, SOC и SOH батареи одновременно с ошибкой оценки менее 2%. В тесте на разрядку алгоритм CC более точен, чем алгоритм OCV при инициализации SOH, с расчетной среднеквадратической ошибкой (MSE) 1,770% для алгоритма CC и 3,256% для алгоритма OCV. Эти результаты служат отправной точкой для идентификации параметров при оценке BMS.
4. Резюме
Результаты оценки производительности BMS на основе идентификации параметров SOH показывают, что алгоритм кулоновского счета дает лучшие результаты оценки: ошибка оценки SOH составляет 1,770%, а окончательное значение SOH составляет 17,33%. Ошибка моделирования модели батареи Thevenin для батарей составляет 0,0451%. С точки зрения точности оценки SOH двумя методами (кулоновский подсчет и напряжение холостого хода), кулоновский подсчет имеет более высокую точность. Кроме того, адаптивные алгоритмы, основанные на моделировании батареи, могут оценить напряжение на клеммах и SOH батареи.