Батерията в електрическите превозни средства е ключов фокус за поддържане на здравето на батерията. Системата за управление на батерията (BMS) поддържа оптималното състояние на батерията, като оценява нейното състояние на изправност (SOH). Точното идентифициране на SOH може да определи времето за смяна на батерията, да избегне повреда на батерията и да удължи нейния експлоатационен живот. Тази статия има за цел да подобри производителността на BMS чрез идентифициране на SOH параметри. Въз основа на модела на батерията Thevenin се получават ключови параметри като R{{0}}, Rp и Cp. Два адаптивни алгоритъма, кулоново броене и напрежение на отворена верига, се използват за завършване на идентификацията на параметрите. Сравняват се резултатите от двата алгоритъма по отношение на грешка, средна абсолютна грешка (MAE), средна квадратична грешка (RMSE) и крайна стойност на SOH. Изследването се фокусира върху получаване на данни за грешка при оценка и надеждна информация за ефективността на BMS. Резултатите показват, че методът за броене на Кулон има по-малка грешка в оценката на SOH от метода на напрежението на отворена верига, с грешка от 1,770%. Крайната стойност на SOH е 17,33%, а моделът на батерията Thevenin има грешка при моделиране от 0,0451% за батерията.
1. Въведение
Батерия за електрически превозни средства и система за управление на батерията (BMS):В електрическите превозни средства батерията е основният източник на енергия, осигуряващ захранване на двигателя и други системи. За разлика от традиционните автомобили, батериите за електрически превозни средства имат относително малък капацитет и напрежение и обикновено са пакетирани в батерийни модули. Батерийната система се състои от множество батерии, които се управляват от BMS. Неговите функции включват оптимизиране на системата за работа на батерията, включваща два ключови параметъра: състояние на зареждане (SOC) и състояние на изправност (SOH). SOC е съотношението на оставащия капацитет към общия капацитет, докато SOH е сравнителната стойност между текущата производителност и новата производителност на батерията, която не може да бъде директно измерена и трябва да бъде оценена.
Предистория на изследването и свързани методи:Състоянието на здравето (SOH) може да определи количествено производителността и живота на батерията. По време на използване на батерията може да възникне влошаване на качеството, промени във вътрешното съпротивление и параметрите на капацитета. Идентифицирането на SOH параметрите помага да се определи действителното състояние на батерията, да се препоръча време за смяна и да се удължи живота на батерията. Понастоящем има множество методи за оценка на здравословното състояние (SOH) или състоянието на зареждане (SOC), но има няколко метода, които едновременно идентифицират и двете и генерират подходящи параметри за намаляване на изчислителната тежест върху BMS. Алгоритъмът за наблюдение на параметрите на батерията трябва да се адаптира към промените в параметрите и да оцени състоянието на батерията. Методите могат да бъдат разделени на три категории, включително метод на спектрален импеданс, метод на уравнение на модела на веригата и метод на модел на електрохимичен импеданс.
Преглед на свързана работа:Множество методи са често използвани в предишни изследвания за идентифициране на параметрите на батерията. Методите за кулоново броене (CC) и напрежението на отворена верига (OCV) се използват широко в BMS за електрически превозни средства, всеки със своите предимства и недостатъци. Методът CC оценява SOH чрез наблюдение на входящия и изходящия капацитет на батерията, като взема предвид загубата на мощност по време на цикъла на зареждане и може също да предостави подходяща информация чрез възстановяване на напрежението; Методът OCV може да се разглежда като балансирано напрежение, след като батерията е напълно изтощена, а състоянието на здравето (SOH) се оценява чрез отчитане на условията на параметрите на батерията BMS.
Фокусът на това проучване е да се идентифицират точни SOH параметри за удължаване на живота на батерията. Използва се метод, базиран на модела на батерията, за оценка и идентифициране на параметрите на SOH. Моделът на батерията Thevenin се използва за идентифициране на R0, Rp и Cp параметри чрез адаптивен алгоритъм (Рекурсивни най-малки квадрати, RLS). Въз основа на резултатите от оценката се получават точни оценки на SOH за намаляване на изчислителната тежест.
Изследователски принос:Резултатите от тестването на параметрите на батерията предоставят разумни оценки и малък процент грешки за оценка на производителността на BMS системата. Методът за броене на Кулон е удобен за изчисляване на капацитета на батерията, а максималната мощност на батерията намалява с увеличаването на циклите на зареждане и разреждане. Относителната грешка на модела на батерията Thevenin е по-малка от 2%. По отношение на точността на оценка на SOH, методът CC превъзхожда RLS и методът CC може да оцени напрежението на клемите на батерията и SOC, докато методът OCV може да оцени само параметрите на батерията.
2. Система за управление на батерията
Компоненти на батерията (функции и състав на BMS):BMS регулира акумулаторната система, съставена от стотици или хиляди батерии в електрически превозни средства, и има важни функции като наблюдение, оценка на параметрите, защита, предоставяне на отчети и балансиране на батериите. Основните му функции включват защита на батерията от повреда, работа на батерията в подходящи диапазони на напрежение и температура и поддържане на батерията да работи при параметри, които отговарят на системните изисквания като SOC, SOH и SOF. BMS се състои от сензори, задвижващи механизми и контролери, с входове, включително сензорни сигнали като ток, напрежение, температура и педали, и изходи, включително модули за термично управление, баланс, управление на безопасността, индикация за зареждане, аларма за повреда и комуникация. Софтуерът BMS включва множество функционални модули като откриване на параметри на батерията, оценка и диагностика на неизправности. Измерването на напрежението на батерията, оценката на параметрите, балансирането и диагностиката на неизправности са основните въпроси на BMS, сред които измерването на напрежението на батерията се сблъсква с трудности като разлики в напрежението, причинени от серийно свързване на батерията и изисквания за висока точност.
Моделиране на батерията:Тази статия определя параметрите на здравословното състояние (SOH) чрез моделиране на батерията и преобразува входящите параметри на напрежението, тока и температурата на батерията в SOH, за да получи точни оценки. Използвайки модела на батерията Thevenin, преходният отговор на напрежението на процеса на поляризация на батерията се описва чрез избиране на параметрите на вътрешното съпротивление и капацитет на батерията. Осигурени са математическите уравнения на модела на батерията и методите за изчисляване на свързаните параметри (Voc, R0, Rp и Cp), които са получени чрез алгоритъма RLS и приложени към модела на батерията Thevenin.
3. Определяне на параметрите на здравословното състояние
Значението и методите за идентифициране на параметрите на здравословното състояние:Точните SOH параметри са от решаващо значение за работата на BMS. Това проучване използва преброяването на Кулон като адаптивен алгоритъм за идентифициране на тези параметри, за да се получат стойности за инициализация на SOH и да се оцени ефективността на BMS. Моделът на батерията Thevenin се използва за определяне на параметрите на модела на батерията и функцията OCV-SOC. Специфичният процес включва въвеждане на ток към модела на батерията, анализиране на данните за напрежението на клемите, преобразуване от времеви домейн в SOC домейн и напасване на кривата, за да се получи функцията OCV-SOC. Процесът на идентифициране на параметъра се повтаря, докато оценката на SOH стане разумна и процентът на грешка е малък.
OCV-SOC функция:Въз основа на модела на батерията Thevenin, OCV (SOC) е параметър на напрежението на източника, получен чрез тестване на напрежението на батерията без свързан товар и напрежението преди свързване на батерията. SOC OCV кривата се изчислява с помощта на данни от теста за постоянно натоварване и се монтира с полином от дванадесети ред. Полиномът от десети ред има най-висока точност при оценката на Voc и най-малката средна квадратична грешка (RMSE), което оказва значително влияние върху точността на функциите SOC и OCV.
Параметри R0, Rp и Cp:Моделът на батерията Thevenin изисква OCV при SOC като източник на напрежение, което се получава чрез импулсно тестване. R{{0}} е вътрешно съпротивление със стойност, по-голяма от другите съпротивления. Поради проблема с периода на вземане на проби е трудно да се уловят малки промени в данните. Връзката между R0 и SOC беше получена чрез напасване на полиномна крива от втори ред, със средна стойност на R0 от 0.027735 Ω. R0, Rp и Cp предоставят входни данни за тестване на импулси на напрежение и ток и получават стойности на изходните параметри.
Експериментален резултат
Чрез анализиране на параметрите на състоянието на здравето (SOH), наблюдавани от батерията, се постига производителност на BMS и се получават данни за физическите параметри, като напрежение на клемите и входен/изходен ток на батерията. Въз основа на моделиране на батерията данните за параметрите се идентифицират и използват за мониторинг на състоянието на батерията и системи за защита. Методът за оценка на SOH включва измерване на промените в съпротивлението и капацитета на батерията, съответно чрез използване на закона на Ом и метода на броене на Кулон, и заместване на стойността на OCV в уравнението на връзката OCV-SOC, за да се получат стойностите на SOC и SOH.
Тестът за статично разреждане беше проведен и резултатите показаха, че алгоритъмът CC е получил промяната на SOH чрез умножаване на текущата стойност по време, докато алгоритъмът OCV е получил стойността на SOH чрез използване на напрежението на клемите или стойността на OCV на модела на батерията. Кривите на промяна на SOH на двата алгоритъма бяха подобни. Тестът също така получи резултати за идентификация на параметрите на батерията и характеристиките на релаксация на батерията могат да се използват за идентификация на параметрите. Колкото по-бърз е тестовият цикъл, толкова по-точна е оценката на SOH. Алгоритъмът CC е по-добър от алгоритъма OCV при инициализация на SOH, който може да разбере по-добре вътрешното съпротивление на батерията и едновременно да оцени напрежението на клемите Vt, SOC и SOH на батерията с грешка в оценката по-малка от 2%.
От данните за грешката при идентифициране на параметрите на SOH, средната квадратична грешка (MSE) на алгоритъма CC е {{0}}.0111, крайната стойност на SOH е 17,33%, процентът на грешката е 1,770%, а коренът средната квадратична грешка (RMSE) е 0,0132
Обсъждане на резултатите от изследването:Въздействието на вътрешното съпротивление на батерията върху алгоритмите CC и OCV е подобно и алгоритъмът CC може да разбере по-добре вътрешното съпротивление с по-малки грешки. CC алгоритъмът може успешно да оцени клемното напрежение Vt, SOC и SOH на батерията едновременно, с грешка в оценката по-малка от 2%. При теста за разреждане алгоритъмът CC е по-точен от алгоритъма OCV при инициализация на SOH, с изчислена средна квадратична грешка (MSE) от 1,770% за алгоритъма CC и 3,256% за алгоритъма OCV. Тези резултати осигуряват справка за идентификация на параметри в оценката на BMS.
4. Обобщение
Резултатите от оценката на производителността на BMS въз основа на идентификацията на параметрите на SOH показват, че алгоритъмът за преброяване на Кулон има по-добри резултати при оценка, с грешка в оценката на SOH от 1,770% и крайна стойност на SOH от 17,33%. Грешката при моделиране на модела на батерията Thevenin за батерии е 0,0451%. По отношение на точността на оценката на SOH с помощта на два метода (броене на Кулон и напрежение на отворена верига), броенето на Кулон има по-висока точност. В допълнение, адаптивни алгоритми, базирани на моделиране на батерията, могат да оценят напрежението на клемите и SOH на батерията.