锂离子电池多物理模型参数辨识及健康特征提取

锂离子电池广泛应用于电动车辆、电网储能等领域,对其内部健康状态进行准确的评估是保证电池安全工作的前提,这就需要获得电池内部健康状态的准确信息。然而,锂离子电池是典型的动态、非线性电化学系统,使用过程中其内部健康状态难以直接测得。电池材料特性研究者常采用“事后分析法”研究内部老化机理,该方法需要拆解电池因而无法直接工程应用;而基于数据驱动的健康状态估计和寿命预测研究不涉及电池内部机理,难以对电池内部健康状态进行准确描述。本文在锂离子电池多物理模型的基础上、对参数辨识及内部健康特征提取方法进行了深入研究,旨在解决如何准确、无损的获取电池内部健康特征这一关键问题,挖掘内部健康特征随电池老化过程的变化规律,并依此对造成电池循环性能下降的因素进行了定量分析,最终获得了丰富的电池内部健康状态信息。首先,将传统的锂离子电池P2D模型、热模型和温度分布模型整合为多物理模型。利用P2D模型和分布产热公式计算电池产热行为,采用热阻模型计算电池径向温度分布,并根据阿列尼乌斯公式对六个电化学模型参数进行温度修正,建立起电池内部电化学行为与电池热行为的耦合。该模型可实现对任意工况下电池外部性能(即放电容量、端电压与过电势和外壳温度特性)和内部过程的仿真。对电池外壳温度这一重要的可测量的准确仿真,有利于电池温度相关特性的研究。利用多物理模型对影响电池外部性能的内部物理、化学过程和主要模型参数进行了仿真分析,建立起电池外部性能与模型内部参数的联系。针对各模型参数对电池外部性能影响程度不同的问题,对磷酸铁锂和钴酸锂电池中的主要参数进行了敏感度分析。在不同工况下利用多物理模型仿真,得到模型参数值变化导致的电池端电压和外壳温度曲线束,以曲线束的离散程度描述参数敏感度大小,构建“参数敏感值矩阵”以定量描述参数敏感度与工况的定量关系。将参数敏感度最大化作为优化目标,采用NSGA-II算法对参数辨识工况进行优化,得到了两种电池的优化辨识工况形式。优化辨识工况下各参数敏感度均高于传统恒流或脉冲工况,有利于电池参数的准确辨识。为准确辨识多物理模型参数,提出一种基于并行化遗传算法的多目标参数辨识方法。在普通遗传算法上加入了灾变和搜索范围扩展算子,提高算法搜素能力;利用分布式计算方法将遗传算法并行化,提高了算法运行速度。在两个环境温度下采用优化辨识工况对电池进行测试,实测端电压、外壳温度数据,并将其与相应模型仿真值的误差最小化作为四个辨识目标,利用并行化遗传算法实现了锂离子电池多物理模型参数的多目标辨识。利用磷酸铁锂和钴酸锂电池的“合成实验数据”,研究不同辨识目标数和不同辨识工况下参数辨识的效果,表明本文提出方法参数辨识精度明显高于传统方法。对两种商用电池进行了参数辨识和验证实验,证明多目标参数辨识方法的有效性。为获得能够反映电池内部健康状态的特征量,针对钴酸锂电池进行了多模式循环寿命试验。在寿命试验中穿插优化辨识工况,利用多目标参数辨识方法获取不同老化模式、不同老化阶段电池的参数集。利用双因子方差分析法对各参数的值进行检验,发现有8个参数的值随电池老化而显著变化,将其定义为电池内部健康特征。对关键参数值的变化趋势进行拟合研究,给出了内部健康特征的退化规律。结合电极内副反应原理,对钴酸锂电池循环老化机理进行了定性分析。最后,应用内部健康特征的退化规律,对造成钴酸锂电池循环老化性能下降的因素进行定量分析。将循环寿命试验得到的钴酸锂电池参数集代入多物理模型,利用电极容量计算式,确定了电池容量下降的三个因素,并对不同老化模式下的变化规律进行定量计算。利用总过电势分解计算式,定量研究了五类过电势在循环老化过程中所占比例的变化,确定了造成不同老化模式、不同老化阶段下总过电势上升的主要原因。利用分布产热公式及热交换计算式,定量研究了电池热行为随电池老化的变化。