鋰離子電池SOC估算法方法研究

黃湘云 宋金蓮

(1.廣東省電子電器研究所,廣東廣州 510400;2.廣州番禺職業技術學院機電工程學院,廣東廣州 511430)

鋰電池污染低、能量高、安全性高,已成為電動汽車的主要動力來源。電池荷電狀態(State of Capacity,SOC)是電動車動力電池系統中最重要的一項性能指標。對鋰電池的SOC值進行有效估算是動力電池應用和安全性研究的重點難點。鋰離子電池的模型主要有兩類,一類是依托大量鋰離子電池的實驗數據,另一類是通過分析鋰離子電池的微觀電化學特性,借助計算機建立微觀模型。常用的SOC估算模型包括RINT模型、THEVENIN模型和PNGV模型等。這些方法受環境和測量條件影響大,估算SOC偏差較大,不適合實際應用。新型的SOC估算方法有人工神經網絡法、卡爾曼濾波法、粒子濾波算法等,能更精確地估算SOC,更利于篩選電池。其中,神經網絡算法用大量數據作為學習樣本對網絡進行訓練。它的黑箱特性在對復雜的電池內部結構和影響因素難以分析的時候具有獨特優勢。本文基于NASA提供的數據,選擇神經網絡模型和等壓降放電時間法作為SOC的估算方案,鋰離子電池放電循環實驗數據進行了分析。估算結果比較精確,最大誤差為3%,一塊單體電池測量時間約為7分鐘,基本達到實際應用和推廣需求。

1 實驗設計與驗證

本文使用的數據來源于NASA的鋰離子電池充放電循環實驗數據組。實驗使用多個統一型號電池,電池額定容量2Ah。數據包含測量時間點的電壓、電流、電池表面溫度,放電總容量,EIS阻抗。放電循環中電池電壓電流等參數的測量時間間隔大約是8s或16s。環境溫度包括常溫(24℃)、低溫(4℃)和高溫(43℃)。放電電流有2A(1C)、4A(2C)和1A(0.5C)三種。在放電工況方面,放電電流有恒流放電和帶占空比的恒流放電兩種,放電截止電壓有2.0V、2.2V、2.5V和2.7 V四種。放電循環實驗持續到電池SOC剩余70%為止。本次預測中只選用常溫(24℃)和1C(2A)的恒流放電工況的電池作為數據來源,在放電截至電壓上四種工況都考慮,以增加數據的多樣性。 只選取放電平臺上的采樣點,選用等壓降放電時間法。在電池選擇上,選擇數據組中電池編號為5、6、7、18和36的電池作為數據組,當中包含815組放電循環數據.

神經網絡輸入輸出層的確定:除了等壓降放電時間外,放電倍率、環境溫度和放電截至電壓都會影響電池的放電容量。在選取的電池中,實驗的放電倍率都是1C,環境溫度都是24℃,因此這兩個參數不作為神經網絡的輸入參數。放電截止電壓每次放電循環中略有不同,因此把放電截止電壓作為輸入參數之一,剛開始放電時的初始放電電壓也是每次放電循環中都略有不同,所以也列入輸入參數。神經網絡的輸入層選取等壓降放電時間(t)、初始放電電壓(Vh)和放電截至電壓(Vl)三個神經元。輸出參數是SOC。

隱含層與傳遞函數的確定:選擇簡單前饋網絡中的BP神經網路,對非線性函數具有較好的擬合效果。為增加訓練精度,隱層設計為3層,每層10個神經元。傳遞函數影響系統的魯棒性和收斂速度,經過多次試驗,三隱層都選擇tansig函數。另外,選取trainbr函數作為學習函數,最大訓練步數設為1000,訓練精度設為0.001,訓練速度設為0.01。

訓練樣本與驗證樣本選取:在選取的電池中,5、6、7、18號電池循環次數較多,實驗終止時SOC較低,只有60%左右,而36號電池實驗結束SOC較高,約75%,因此把5、6、7、18號電池的數據作為訓練樣本,把36號電池的數據作為驗證樣本,這樣可以保證神經網絡訓練的效果。分配后815組放電循環數據中訓練樣本有621個,驗證樣本有194個,訓練樣本與驗證樣本的比例合理。

2 估算結果與分析

在初步估算值和測量值的曲線對比上,均方差為4.9739e-5,最大預測差距約為2.5%,等壓降放電時間法得到了不錯的精度。但是實際應用還有一些問題。對一塊SOC在80%左右的鋰離子電池,測量一次等壓降(3.8V-3.4V)放電時間平均需要耗時2000s左右,也就是大約33分鐘。這時3.8V-3.4V的壓降時間范圍幾乎包含了整個放電平臺的時間。等壓降放電時間的長度就已經大致表現了電池的SOC。為了使等壓降放電時間法更具有實用價值,減少等壓降放電時間的選擇范圍,以減少放電實驗耗時。把等壓降的電壓范圍減小到3.8v-3.6v,均方差約為7.1704e-5,最大預測差距約為2%,精度依然很高。此時測量的平均消耗時間已經降低為700s左右,預測一塊電池所需時間降低為12分鐘。再把壓降范圍減少到3.7V-3.6V。均方差為1.1633e-4,精度繼續降低,最大預測誤差值為3%。但此時測量時間已經降低到約400s,約為7分鐘。比原來的33分鐘已經降低不少,具有初步實用價值。

3 結語

鋰電池的SOC估算具有重要意義。本文從鋰電池的機理出發,詳細分析了影響SOC的參數,討論了鋰離子電池的充放電特征,進一步分析了各種估算SOC的模型方法及其優缺點,選出了合適的模型和方法,使用NASA的鋰電池充放電實驗數據做了SOC的預測,最大預測誤差值為3%,估算測試時間為7分鐘,證明了本文所提出的算法的有效性和可行性。

[1]何耀.動力鋰電池組狀態估計策略及管理系統技術研究[D].中國科學技術大學,2012.

[2]徐鑫珉,王練,史慧玲.基于電化學阻抗譜的電池老化壽命研究[J].電源技術,2015,12:2579-2583.

[3]史艷霞,祖林祿.鋰電池健康狀態估算平臺的搭建[J].電源技術,2015,10:2106-2107+2143.