基于PNGV模型儲能鋰電池參數辨識及SOC估算研究

甘屹+李楊+姚俊

摘 要： 鋰電池因具有比能量高、循環壽命長、對環境無污染等優點，在儲能系統中已逐漸得到應用.準確估算鋰電池的荷電狀態（SOC）可防止電池過充、過放，保障電池安全、充分地使用.為了精確估算儲能鋰電池SOC，基于PNGV（partnership for a new generation of vehicles）電池等效模型，利用遞推最小二乘法（RLS）對模型參數進行在線辨識和實時修正，增強了系統的適應性.結合安時法、開路電壓法和PNGV模型，提出了一種實時在線修正SOC算法.根據實驗數據，建立了仿真模型，以驗算模型和SOC估算算法的精度.仿真結果表明，PNGV模型能真實地模擬電池特性，且能有效地提高SOC估算精度，適合長時間在線估算儲能鋰電池的SOC.

關鍵詞： 鋰電池； PNGV模型； 荷電狀態； 遞推最小二乘法

中圖分類號： TM 912 文獻標志碼： A

Abstract： Lithiumion batteries have been gradually applied toenergy storage system with the advantages of high energy density，long cycle life，no pollution to environment and so on.Accurate stateofcharge（SOC）estimation of lithiumion battery can avoid the overcharge or overdischarge，make full use of the battery and guarantee the battery safety.In order to accurately estimate SOC for energy storage lithiumion battery，recursive least squares method（RLS） was adopted for online identification and realtime modification of the model parameters to enhance the system adaptability according to the equivalent battery model of partnership for a new generation vehicles（PNGV）.Combined with Amperehour method，open circuit voltage method and PNGV model，an online modified SOC algorithm was proposed.The simulation model was established using the experimental data to verify the accuracy of the model and the SOC estimation.The simulation results showed that the algorithm could effectively improve the accuracy of SOC estimation，and was suitable foronline estimation of SOC for energy storage lithiumion battery for a long time.

Keywords： lithiumion battery； PNGV model； SOC； RLS

新能源的取之不盡和無污染等優點使其成為未來發電技術的發展方向[1].儲能電池在各種新能源儲能技術中發展最為成熟，其發展催生了新能源儲能電池技術和產業.鋰電池具有比能量高、循環壽命長、對環境無污染等優點，國內外越來越多的儲能電站選擇鋰電池作為儲能電池[2].但是，鋰電池對電壓、溫度和電流的要求極為嚴格，使用過程中稍有不慎就可能導致電池損傷，甚至引發安全事故.因此，電池管理系統（battery management system，BMS）具備的功能有：數據采集、電池荷電狀態（state of charge，SOC）估算、均衡控制、熱量約束、數據通訊和使用安全等[3].SOC是指電池的剩余電量，是BMS控制策略的重要依據.

目前，常見的SOC估算算法有開路電壓法、安時法、神經網絡法、擴展卡爾曼濾波（EKF）法等[4].安時法、開路電壓法或結合兩者所衍生出的是常見的SOC估算算法[5].這些傳統的算法計算簡單，易于實現，但精度低，易產生累計誤差.

基于鋰電池等效電路模型的智能算法具有較高的精度，但計算復雜，估算精度依賴于電池模型的精確性[6].影響電池模型精確性的主要原因是其參數在電池使用中會隨著溫度、充放電電流、老化程度等因素變化，因此需要對模型參數實時在線辨識和修正.遞推最小二乘法（recursive least square，RLS）廣泛應用于動態模型的參數在線辨識[7]，辨識參數越多，計算量越大.PNGV（partnership for a new generation of vehicles）模型是根據美國新一代汽車合作計劃，在2001年《PNGV電池實驗手冊》中提出的等效電路模型，并沿用為2003年《FreedomCAR電池實驗手冊》中的標準電池性能模型[8].

為了考察電池使用過程中動態變化的參數，本文以標稱為20 Ah的儲能鋰電池作為研究對象，建立鋰電池的PNGV等效電路模型，優化模型的參數辨識，結合安時法、開路電壓法等方法，提出一種實時在線辨識和修正SOC的算法，并通過實驗進行驗證.

1 鋰電池等效電路模型endprint

目前常見的等效電路模型有內阻模型、一階RC模型、戴維南模型、PNGV電池等效模型和通用性的非線性（general nonlinear，GNL）模型[9].為了獲取更高的模擬精度，每一種等效電路模型均是在其前一種模型的基礎上，通過相應的方法形成.其中，PNGV電池等效模型屬于非線性低階模型，比簡單的內阻模型、一階RC模型、戴維南模型精度高.而GNL模型計算太復雜，不適合鋰電池SOC估算的實驗仿真和實際應用.綜合考慮模型的實用性和精確度，本文選擇PNGV電池等效模型作為電池外部特性仿真的對象.

1.1 PNGV等效電路模型

根據文獻[10]，PNGV 等效電路模型的電路結構如圖1所示.

2.2 算法驗證及分析

為了驗證上述方法的準確性，同時考慮到儲能電池的電流較為平穩，本文在常溫下對標稱為20 Ah儲能鋰電池進行1 C脈沖電流放電實驗，然后在放電結束后靜置2 h，測量其開路電壓，根據開路電壓與SOC的關系得到的SOC為34.8%.

圖7為利用Matlab軟件中Simulink模塊進行SOC估算的仿真圖.圖8為20 Ah儲能鋰電池分別在1 C脈沖電流放電下采用安時法和基于模型的修正算法估算的SOC隨時間的變化.表1分別給出了利用安時法、基于PNGV模型的修正法，并在充分靜置后開路電壓估算得到的SOC對比結果.

仿真結果表明，當恒流放電時，起始階段時利用安時法與基于PGNV模型的修正法估算得到的SOC結果相近.但是隨著系統的運行，兩者逐漸出現了微小的偏離，利用基于PNGV模型的修正法得到的SOC精度更高.這是因為電流采樣頻率和精度等因素會引起一定誤差，長期利用安時法估算SOC會引起累計誤差.利用基于PNGV模型的修正法可以實時修正安時法的誤差，消除安時法引起的累計誤差，適合長時間在線估算SOC.因此，該算法對電流平穩變化的儲能系統是適用的.

3 結 論

本文分析了PNGV等效電池模型的結構，利用RLS算法，實時辨識模型參數，可以消除溫度、充放電倍率和電池老化等因素對模型的影響，有效提高電池模型的精度.本文提出的基于PNGV模型的修正法對SOC進行在線估算，充分利用安時法和開路電壓的優點，同時不斷修正安時法的累計誤差，以消除電池自放電的影響.實驗結果表

明，與安時法相比，該算法誤差更小，精度更高，適合長時間在線估算SOC.該算法與其他智能算法相比，在確保SOC估算精度的同時，可以降低計算量.

參考文獻：

[1] 童廣浙.磷酸鐵鋰儲能電池管理系統設計[D].南寧：廣西大學，2013.

[2] 范寶驥.我國新能源儲能電池產業技術經濟分析[D].長春：吉林大學，2010.

[3] 甘屹，陳成，曾樂才.5 kW鋰電池模組BMS的研究與開發[J].能源研究與信息，2015，31（2）：114-118.

[4] 毛群輝，滕召勝，方亮，等.基于UKF的電動汽車鋰電池SOC估計方法[J].測控技術，2010，29（3）：89-91.

[5] 華周發，李靜.電動汽車動力電池SOC估算方法綜述[J].電源技術，2013，37（9）：1686-1689.

[6] 李琳輝，王蒙蒙，周雅夫，等.電動汽車用動力電池SOC估算方法概述[J].汽車電器，2013（12）：12-15.

[7] VERBRUGGE M.Adaptive，multiparameter battery state estimator with optimized timeweighting factors[J].Journal of Applied Electrochemistry，2007，37（5）：605-616.

[8] 賈玉健，解大，顧羽潔，等.電動汽車電池等效電路模型的分類和特點[J].電力與能源，2011，32（6）：516-521.

[9] 張利，張慶，常成，等.用于電動汽車SOC估計的等效電路模型研究[J].電子測量與儀器學報，2014，28（10）：1161-1168.

[10] JOHNSON V H.Battery performance models in ADVISOR[J].Journal of Power Sources，2002，110（2）：321-329.

[11] ENGELY，MANNORS，MEIR R.The kernel recursive leastsquares algorithm[J].IEEE Transactions on Signal Processing，2004，52（8）：2275-2285.endprint