锂离子电池健康状态多因子在线估计方法

被引：59

作者：

陈猛 ^{[1
]}

乌江 ^{[1
]}

焦朝勇 ^{[1
]}

陈继忠 ^{[2
]}

张在平 ^{[3
]}

机构：

[1] 西安交通大学电气工程学院

[2] 中国电力科学研究院有限公司新能源与储能运行控制国家重点实验室

[3] 国家电网有限公司

来源：

西安交通大学学报 | 2020年 / 01期

关键词：

锂离子电池; 健康状态; 卡尔曼滤波; 带约束的最小二乘; 多因子;

D O I：

暂无

中图分类号：

TM912 [蓄电池];

学科分类号：

080802 [电力系统及其自动化];

摘要：

针对传统的锂离子电池健康状态估计方法仅用电池欧姆内阻作为单因子评估指标时存在较大误差的问题,提出了一种利用电池欧姆内阻、极化内阻与极化电容共3个模型参数构建的多因子评估模型。选用一阶RC等效电路模型作为基础电路模型,并通过仿真实验验证了所选择电路模型的准确性。对同一型号的多组三元锂离子电池进行循环老化实验,得到离线辨识的模型参数,发现等效电路模型中的欧姆内阻、极化内阻、极化电容与健康状态存在确定的关系。通过带约束的最小二乘算法求解对应模型参数的权重,并以卡尔曼滤波算法在线辨识模型参数,实时获得基于多因子模型的综合电池健康状态。将所提方法与仅用欧姆内阻评估的方法进行了对比,结果表明:所提方法评估锂离子电池真实健康状态的误差变化范围较小,基本在1%左右,精度更高。

引用

页码：169 / 175

页数：7

共 13 条

[1]

双自适应衰减卡尔曼滤波锂电池荷电状态估计 [J].

赵云飞 ;

徐俊 ;

王霄 ;

徐浩 ;

梅雪松 .

西安交通大学学报, 2018, (12) :99-105

[2]

一种联合锂电池健康和荷电状态的新模型 [J].

朱丽群 ;

张建秋 .

中国电机工程学报, 2018, 38 (12) :3613-3620+21

[3]

双卡尔曼滤波法估计电动汽车电池健康状态 [J].

邓涛 ;

罗卫兴 ;

李志飞 ;

罗俊林 .

电池, 2018, 48 (02) :95-99

[4]

基于自适应平方根无迹卡尔曼滤波算法的锂离子电池SOC和SOH估计 [J].

程泽 ;

杨磊 ;

孙幸勉 .

中国电机工程学报, 2018, 38 (08) :2384-2393+2548

[5]

基于人工神经网络估算锂离子电池的SOH [J].

何发尧 ;

胡欲立 ;

郭广华 ;

郑唯 .

电源技术, 2017, 41 (05) :708-710

[6]

优化电池模型的自适应Sigma卡尔曼荷电状态估算 [J].

刘毅 ;

谭国俊 ;

何晓群 .

电工技术学报, 2017, 32 (02) :108-118

[7]

锂离子电池健康状态评估及剩余使用寿命预测技术研究 [D].

邹峰 .

南京航空航天大学,

2016

[8]

基于内阻法的电池健康状态估计技术研究 [D].

易明亮 .

杭州电子科技大学,

2013

[9]

A support vector machine-based state-of-health estimation method for lithium-ion batteries under electric vehicle operation[J] Verena Klass;Mårten Behm;Göran Lindbergh Journal of Power Sources 2014,

[10]

Model-based distinction and quantification of capacity loss and rate capability fade in Li-ion batteries[J] Alexander P. Schmidt;Matthias Bitzer;árpád W. Imre;Lino Guzzella Journal of Power Sources 2010,

← 1 2 →