电动汽车锂离子电池健康状态估计及寿命预测方法研究

随着电动汽车的技术快速发展,电池制造技术和电池组的管理技术越来越多地受到人们的重视。为了增加电动汽车的续驶里程,延长电池包的使用寿命,动力电池组的健康状态(State of Health,SOH)估计和剩余可用寿命(Remaining Useful Life,RUL)的预测问题成为了当前的研究热点之一。电池荷电状态(State Of Charge,SOC)是电池剩余电量,其研究也受到了学者们的关注。为了高精度地估计电池的SOH和准确地预测电池的RUL,本文针对锂离子电池主要做了以下工作:研究了电池循环次数和放电电流对电池老化的影响,基于电化学理论分析了电池老化的原因。本文设计了电池循环老化实验,主要研究了在恒定温度下,电池放电电流和循环次数对电池老化的影响;通过对比不同循环次数、不同放电电流下的放电电压曲线的变化,分析了不同循环次数下电池的放电特性,并从阴极和阳极的电化学反应机理入手,分析了SEI膜的增长,阴、阳极电极结构的变化和阴、阳极活性物质的降解对电池的老化的影响。建立了用于SOH估计和RUL预测的模型。本文建立了用于电池SOC估计的Thevenin等效电路模型,利用快速静置标定法对开路电压和SOC关系进行了拟合,并基于指数拟合法辨识了模型中的电阻和电容参数;通过对电池在短时间使用过程中电池容量变化的特性分析,建立了用于SOH估计的电池容量模型,该模型与Thevenin等效电路模型的输出方程相同;电池老化模型反应了电池老化过程中可用容量的衰减过程,本文采用了指数拟合方法,利用容量衰减数据,建立了用于电池RUL预测的电池老化模型。提出了基于多尺度理论的锂离子电池SOC和SOH联合估计方法。由于电池SOC和SOH变化的时间尺度不同,两者在相同时间尺度上估计会增加计算量,因此在保证估计精度的前提下,为了降低计算量,本文通过对等效电路模型和容量模型状态空间方程的时间尺度变换,得到可用于SOC和SOH联合估计的系统模型,并采用多尺度扩展Kalman(Multi-scale Extend Kalman Filter,MEKF)滤波算法,对电池的SOC和SOH进行了联合估计。在新欧洲工况(New European Driving Cycle,NEDC)和日本工况(JC08)下的仿真实验结果表明,多尺度扩展Kalman滤波器可以在保证估算精度的前提下,减少了宏观EKF的计算次数,进而降低了SOH估计算法的计算量。提出了基于改进的粒子滤波算法的电池RUL预测的方法。因为电池未来运行状态存在未知性,所以电池RUL,即剩余循环次数也存在不确定性。为了降低这一不确定性带来的电池RUL预测偏差,本文基于蒙特卡洛理论,即用概率来表示电池的剩余循环次数,把电池RUL预测模型中的参数作为估计变量,采用改进的粒子滤波算法对模型参数进行实时辨识更新,进而得到电池剩余循环次数的概率分布。仿真结果表明,本文所提出的改进的粒子滤波算法,对电池RUL预测的概率可以很好地体现电池的剩余循环次数。本文主要研究了电动汽车动力电池的SOH估计和RUL预测问题。首先为了验证电池的老化特性,设计了电池的循环老化实验,研究了循环次数和放电电流对电池老化的影响;然后建立了可用于SOC估计的等效电路模型,用于SOH估计的容量模型和用于RUL预测的电池老化模型;之后采用MEKF滤波算法,对电池的SOC和SOH进行了联合估计,在保证估计精度的前提下,降低了计算量;最后提出了基于改进的粒子滤波算法预测电池的RUL的方法,准确地预测了电池的剩余循环次数。