Baterija v električnih vozilih je ključni poudarek vzdrževanja zdravja baterije. Sistem za upravljanje baterije (BMS) vzdržuje optimalno stanje baterije z ocenjevanjem njenega zdravstvenega stanja (SOH). Natančno prepoznavanje SOH lahko določi čas zamenjave baterije, prepreči okvaro baterije in podaljša njeno življenjsko dobo. Namen tega članka je izboljšati delovanje BMS z identifikacijo parametrov SOH. Na podlagi modela baterije Thevenin so pridobljeni ključni parametri, kot so R{{0}}, Rp in Cp. Za dokončanje identifikacije parametrov se uporabljata dva prilagodljiva algoritma, Coulombovo štetje in napetost odprtega tokokroga. Primerjajo se rezultati obeh algoritmov glede napake, srednje absolutne napake (MAE), srednje kvadratne napake (RMSE) in končne vrednosti SOH. Raziskava se osredotoča na pridobivanje podatkov o napakah ocene in zanesljivih informacij o delovanju BMS. Rezultati kažejo, da ima metoda Coulombovega štetja manjšo napako pri oceni SOH kot metoda napetosti odprtega tokokroga, z napako 1,770 %. Končna vrednost SOH je 17,33 %, model baterije Thevenin pa ima napako modeliranja 0,0451 % za baterijo.
1. Uvod
Baterija električnih vozil in sistem za upravljanje baterije (BMS):V električnih vozilih je baterija primarni vir energije, ki zagotavlja napajanje motorja in drugih sistemov. Za razliko od tradicionalnih avtomobilov imajo baterije za električna vozila razmeroma majhno kapaciteto in napetost ter so običajno pakirane v baterijskih modulih. Baterijski sistem je sestavljen iz več baterij, ki jih upravlja BMS. Njegove funkcije vključujejo optimizacijo delovnega sistema baterije, ki vključuje dva ključna parametra: stanje napolnjenosti (SOC) in stanje zdravja (SOH). SOC je razmerje med preostalo zmogljivostjo in skupno zmogljivostjo, medtem ko je SOH primerjalna vrednost med trenutno zmogljivostjo in zmogljivostjo nove baterije, ki je ni mogoče neposredno izmeriti in jo je treba oceniti.
Raziskovalno ozadje in sorodne metode:Zdravstveno stanje (SOH) lahko kvantificira zmogljivost in življenjsko dobo baterije. Med uporabo baterije lahko pride do poslabšanja kakovosti, sprememb notranjega upora in parametrov zmogljivosti. Prepoznavanje parametrov SOH pomaga določiti dejansko stanje baterije, priporoči čas zamenjave in podaljša življenjsko dobo baterije. Trenutno obstaja več metod za ocenjevanje zdravstvenega stanja (SOH) ali stanja napolnjenosti (SOC), vendar je malo metod, ki istočasno identificirajo obe in ustvarijo ustrezne parametre za zmanjšanje računalniške obremenitve BMS. Algoritem za spremljanje parametrov baterije se mora prilagoditi spremembam parametrov in oceniti stanje baterije. Metode lahko razdelimo v tri kategorije, vključno z metodo spektralne impedance, metodo enačbe modela vezja in metodo modela elektrokemične impedance.
Pregled sorodnega dela:V prejšnjih raziskavah je bilo za določitev parametrov baterije pogosto uporabljenih več metod. Metode kulonovskega štetja (CC) in napetosti odprtega tokokroga (OCV) se pogosto uporabljajo v električnih vozilih BMS, vsaka s svojimi prednostmi in slabostmi. Metoda CC ocenjuje SOH s spremljanjem vhodne in izhodne zmogljivosti baterije, pri čemer upošteva izgubo moči med ciklom polnjenja, prav tako pa lahko zagotovi ustrezne informacije z obnovitvijo napetosti; Metodo OCV je mogoče obravnavati kot uravnoteženo napetost, potem ko je baterija popolnoma mirovala, stanje zdravja (SOH) pa je ocenjeno z upoštevanjem pogojev parametrov baterije BMS.
Poudarek te študije je določiti točne parametre SOH za podaljšanje življenjske dobe baterije. Za ovrednotenje in identifikacijo parametrov SOH se uporablja metoda, ki temelji na modelu baterije. Model baterije Thevenin se uporablja za identifikacijo parametrov R0, Rp in Cp prek prilagodljivega algoritma (rekurzivni najmanjši kvadrati, RLS). Na podlagi rezultatov vrednotenja se pridobijo natančne ocene SOH za zmanjšanje računske obremenitve.
Raziskovalni prispevek:Rezultati testiranja parametrov baterije zagotavljajo razumne ocene in majhne stopnje napak za ocenjevanje delovanja sistema BMS. Coulombova metoda štetja je primerna za izračun kapacitete baterije, največja moč baterije pa se zmanjšuje s povečanjem ciklov polnjenja in praznjenja. Relativna napaka modela baterije Thevenin je manjša od 2%. Z vidika natančnosti ocene SOH je metoda CC boljša od RLS in metoda CC lahko oceni napetost sponk baterije in SOC, medtem ko lahko metoda OCV oceni samo parametre baterije.
2. Sistem za upravljanje baterije
Sestavni deli baterije (funkcije in sestava BMS):BMS uravnava sistem baterij, sestavljen iz več sto ali tisoč baterij v električnih vozilih, in ima pomembne funkcije, kot so spremljanje, ocenjevanje parametrov, zaščita, zagotavljanje poročil in uravnoteženje baterij. Njegove glavne funkcije vključujejo zaščito baterije pred poškodbami, delovanje baterije v ustreznih napetostnih in temperaturnih območjih ter vzdrževanje baterije za delovanje pri parametrih, ki izpolnjujejo sistemske zahteve, kot so SOC, SOH in SOF. BMS je sestavljen iz senzorjev, aktuatorjev in krmilnikov z vhodi, vključno s signali senzorjev, kot so tok, napetost, temperatura in pedala, ter izhodi, vključno z moduli za toplotno upravljanje, ravnotežje, varnostno upravljanje, indikacijo polnjenja, alarm za napake in komunikacijo. Programska oprema BMS vključuje več funkcijskih modulov, kot so zaznavanje parametrov baterije, ocena in diagnostika napak. Merjenje napetosti akumulatorja, ocena parametrov, uravnoteženje in diagnoza napak so glavna vprašanja BMS, med katerimi se merjenje napetosti akumulatorja sooča s težavami, kot so napetostne razlike, ki jih povzroči serijska povezava akumulatorja, in zahteve glede visoke natančnosti.
Modeliranje baterije:Ta članek določa parametre zdravstvenega stanja (SOH) z modeliranjem baterije in pretvori vhodne parametre napetosti, toka in temperature akumulatorja v SOH, da dobi natančne ocene. Z uporabo modela baterije Thevenin je opisan prehodni odziv napetosti procesa polarizacije baterije z izbiro parametrov notranjega upora in kapacitivnosti baterije. Na voljo so matematične enačbe modela baterije in metode izračuna za povezane parametre (Voc, R0, Rp in Cp), ki so pridobljeni z algoritmom RLS in uporabljeni za model baterije Thevenin.
3. Določite parametre zdravstvenega stanja
Pomen in metode ugotavljanja parametrov zdravstvenega stanja:Natančni parametri SOH so ključni za delovanje BMS. Ta študija uporablja Coulombovo štetje kot prilagodljiv algoritem za identifikacijo teh parametrov za pridobitev inicializacijskih vrednosti SOH in oceno delovanja BMS. Model baterije Thevenin se uporablja za določanje parametrov modela baterije in funkcije OCV-SOC. Specifični postopek vključuje vnos toka v model baterije, analizo podatkov o napetosti priključkov, pretvorbo iz časovne domene v domeno SOC in prileganje krivulje za pridobitev funkcije OCV-SOC. Postopek identifikacije parametrov se ponavlja, dokler ocena SOH ni sprejemljiva in je stopnja napak majhna.
Funkcija OCV-SOC:OCV (SOC), ki temelji na modelu baterije Thevenin, je parameter izvorne napetosti, pridobljen s testiranjem napetosti baterije brez priključenega tovora in napetosti pred priključitvijo paketa baterij. Krivulja SOC OCV je ocenjena z uporabo podatkov preskusa konstantne obremenitve in opremljena s polinomom dvanajstega reda. Polinom desetega reda ima največjo natančnost pri ocenjevanju Voc in najmanjšo povprečno kvadratno napako (RMSE), kar pomembno vpliva na natančnost funkcij SOC in OCV.
Parametri R0, Rp in Cp:Model baterije Thevenin zahteva OCV pri SOC kot izvorno napetost, ki se pridobi s testiranjem impulzov. R{{0}} je notranji upor z vrednostjo, večjo od drugih uporov. Zaradi težave z obdobjem vzorčenja je težko zajeti majhne spremembe podatkov. Razmerje med R0 in SOC je bilo pridobljeno s prilagajanjem polinomske krivulje drugega reda s povprečno vrednostjo R0 0.027735 Ω. R0, Rp in Cp zagotavljajo vhodne podatke za testiranje impulzov napetosti in toka ter pridobijo vrednosti izhodnih parametrov.
Eksperimentalni rezultat
Z analizo parametrov zdravstvenega stanja (SOH), ki jih spremlja baterija, se doseže zmogljivost BMS in pridobijo se podatki o fizičnih parametrih, kot sta napetost na priključku in vhodni/izhodni tok baterije. Na podlagi modeliranja akumulatorja se podatki o parametrih identificirajo in uporabijo za spremljanje stanja akumulatorja in zaščitne sisteme. Metoda ocenjevanja SOH vključuje merjenje sprememb upora in zmogljivosti akumulatorja z uporabo Ohmovega zakona in metode Coulombovega štetja ter zamenjavo vrednosti OCV v enačbo razmerja OCV-SOC, da dobimo vrednosti SOC in SOH.
Izveden je bil test statične razelektritve in rezultati so pokazali, da je algoritem CC pridobil spremembo SOH z množenjem trenutne vrednosti s časom, medtem ko je algoritem OCV pridobil vrednost SOH z uporabo napetosti na sponkah ali vrednosti OCV modela baterije. Krivulji sprememb SOH obeh algoritmov sta bili podobni. Preskus je pridobil tudi rezultate identifikacije parametrov baterije, značilnosti sprostitve baterije pa se lahko uporabijo za identifikacijo parametrov. Hitrejši kot je preskusni cikel, natančnejša je ocena SOH. Algoritem CC je boljši od algoritma OCV pri inicializaciji SOH, ki lahko bolje razume notranjo upornost baterije in hkrati oceni napetost terminala Vt, SOC in SOH baterije, z napako ocene manj kot 2 %.
Iz podatkov o napakah pri identifikaciji parametrov SOH je srednja kvadratna napaka (MSE) algoritma CC {{0}}.0111, končna vrednost SOH je 17,33 %, odstotek napake je 1,770 %, koren srednja kvadratna napaka (RMSE) je 0,0132
Razprava o rezultatih raziskave:Vpliv notranjega upora akumulatorja na algoritma CC in OCV je podoben in algoritem CC lahko bolje razume notranji upor z manjšimi napakami. Algoritem CC lahko uspešno oceni napetost terminalov Vt, SOC in SOH akumulatorja hkrati, z napako ocene manj kot 2 %. Pri preskusu praznjenja je algoritem CC natančnejši od algoritma OCV pri inicializaciji SOH, z ocenjeno srednjo kvadratno napako (MSE) 1,770 % za algoritem CC in 3,256 % za algoritem OCV. Ti rezultati zagotavljajo referenco za identifikacijo parametrov pri vrednotenju BMS.
4. Povzetek
Rezultati ocene delovanja BMS na podlagi identifikacije parametrov SOH kažejo, da ima algoritem Coulombovega štetja boljše rezultate ocenjevanja, z napako ocene SOH 1,770% in končno vrednostjo SOH 17,33%. Napaka modeliranja modela baterije Thevenin za baterije je 0,0451 %. Kar zadeva natančnost ocene SOH z uporabo dveh metod (Coulombovo štetje in napetost odprtega tokokroga), ima Coulombovo štetje večjo natančnost. Poleg tega lahko prilagodljivi algoritmi, ki temeljijo na modeliranju baterije, ocenijo napetost priključkov in SOH baterije.