动力磷酸铁锂电池性能分析及SOC估算研究

路桂娟，刘婕

(廊坊职业技术学院，河北廊坊065000)

动力磷酸铁锂电池性能分析及SOC估算研究

路桂娟，刘婕

(廊坊职业技术学院，河北廊坊065000)

在介绍磷酸铁锂电池基本性能的基础上，对几种常用的SOC估算方法进行了对比分析，最终选择了采用BP-神经网络的方法对电池的SOC进行估算。同时，为了提高估算的精确性，对训练样本进行了优化处理。仿真实验证明，改进后的SOC算法具有估算准确率高，实时性好的优点。

磷酸铁锂；动力电池；SOC估算；BP网络

随着全球工业的持续发展，汽车作为生活和生产过程中必不可少的工具，其数量也在急剧增加。目前，我们使用的大多数汽车都采用燃油作为能源，而其所带来能源短缺和环境污染问题变得日益严重。因此，找到一种替代的能源是改变这一现状的重要途径。

电动汽车是以车载动力电池为主要能量来源的汽车形式，具有超低二氧化碳排放量的优点，因此得到了业界的重视。在所有的动力电池中，磷酸铁锂电池是以磷酸铁锂为正极材料电池的总称，因其不含有任何重金属和稀有金属，无污染，而且具有寿命长、安全性能好、成本低等优点成为电动汽车的理想动力能源[1]。

1 磷酸铁锂电池特性分析

磷酸铁锂电池本质上是Li+浓差电池，利用了Li+能够从电池的正负极材料中脱出或嵌入的可逆过程实现循环的充放电。其电化学反应式如下[2]：

磷酸铁锂电池的化学反应是理想的可逆反应，具体过程如下：当电池充电时，电子(e－)经外电路从正极流向负极，而在电池内部Li+从正极脱出，经电解质传递后嵌入负极，并在负极与碳和外电路过来的电子结合生成LixC6，此时电池的负极处于富锂状态而电池的正极处于贫锂状态；磷酸铁锂电池在放电时则刚好相反，Li+从负极脱出，经过电解质传递后嵌入正极，此时电池的正极处于富锂状态而电池负极则处于贫锂状态，可以看出电池的充放电过程实质上就是正负极Li+浓度差不断循环变化的过程，而这种循环变化不会破坏晶体的稳定结构，因此具有良好的可逆性。

磷酸铁锂电池主要包括循环特性、不同倍率放电及充电性能、安全性、能量密度、不同温度下的放电性能等。

(1)循环特性：磷酸铁锂电池具有很好的循环性能，据相关研究资料表明：在一定的温度下，磷酸铁锂电池在循环充放电1 600次之后，电池的剩余容量仍然可以占到初始容量的80%，这表明磷酸铁锂电池具有良好的循环特性，从而也保证了电池的使用寿命。

图1 20Ah磷酸铁锂电池不同倍率放电

(2)不同倍率放电和高倍率充电性能：图1表征的是磷酸铁锂电池在三种不同倍率下放电性能的变化。从图中可知，随着放电电流的增大(0.6C→1.2C→3.6C)，电池的放电容量略有下降，但下降的幅度很小，这表明磷酸铁锂电池在高倍率下具有良好的放电性能，从而保证了磷酸铁锂电池的动力性。

磷酸铁锂电池具有很好的充电性能，经实验证明，当实际容量20 Ah的电池采用3C倍率电流充电时，25 min就可达到电量的90%，有利于紧急充电方式。

(3)安全性：磷酸铁锂具有材料稳定性强的优点，特别是高温时稳定性非常好。相比于其它的锂电池，磷酸铁锂电池在特定的结构下，电池在撞击、短路时也可保持良好的稳定性，几乎不会出现燃烧和爆炸的情况，因此具有很好的安全性。

(4)能量密度：经实验证明，磷酸铁锂电池具有很高的能量密度，可以满足一定的动力要求。

综上所述，磷酸铁锂电池具有高的安全性和能量密度，充电特性良好，而且循环寿命长，是理想的动力电源。

2 SOC的估算

SOC是电池荷电状态的总称，具体描述了电池剩余电量的实际可用状态，是动力电池在使用过程中必须密切关注的问题。估算SOC的方法很多，例如开路电压法、安时计量法、负载电压法等，这些方法在一定程度上都具有动态性能差的缺点。因此，一些智能化的估算方法开始应用于SOC的估算中，BP-神经网络就是其中之一。

以BP神经网络为主导的估算方法包括三层主要的结构，如图2所示，三层结构分别是输入层、输出层和隐含层。输入层对应于电池状态原始数据样本，因为样本数据的准确性直接影响整个神经网络运算的准确性，因此本设计采用粒子群算法来对其进行校正；第二层为隐含层，隐含层节点的数目可根据系统要求的精度来设置。本设计中隐含层中的节点输出函数为：

式中：f[x]为输入层输出；Wir为输入层到隐含层间的连接权；Tr为隐含层的阈值。

图2 BP神经网络模型

第三层为输出层，输出层对应于SOC估算值，在本设计中，只有一个输出值。

整个网络的学习过程由正向传播和反向传播两种方式组成。正向传播过程由输入信号开始，信号从输入层经隐含层传向输出层，并在输出端产生输出信号。正向传播中上一层神经元的状态只影响下一层神经元且在传递过程中网络的权值固定不变；当输出端的实际输出值与期望输出值之间存在误差时，则网络转入反向传播，传播过程中，网络的权值由误差反馈进行调节，以使实际输出更接近期望值。

为了提高系统的准确性，输入层的每一个样本采用粒子群算法来构建，具体算法过程如图3所示。

图3 粒子群算法流程

3 结论

磷酸铁锂电池具有长的循环寿命、高的安全性和能量密度、快的充电速度等特性，同时磷酸铁锂电池生产过程简单，且不产生有毒有害的物质，从而保证了其具有绿色环保的特性，是一种良好的动力电源。本文采用改进后的人工神经网络算法对磷酸铁锂电池的SOC值进行了估算，从而保证了电池在使用过程中的可靠性。

[1]时玮，姜久春，李索宇.磷酸铁锂SOC估算方法研究[J].电子测量与仪器学报，2010(8)：769-771.

[2]朱雅俊.电动汽车用磷酸铁锂电池建模与SCO估算研究[D].合肥：合肥工业大学，2012：8-9.

Performance analysis of lithium iron phosphate power battery and SOC estimation research

LU Gui-juan,LIU Jie
(Langfang Polytechnic Institute,Langfang Hebei 065000,China)

The lithium iron phosphate battery was introduced,and several common SOC estimation methods were compared.BP neural network method was chosen to estimate the SOC of the battery.At the same time,in order to improve the estimation precision,the optimization of the training sample was introduced.The simulation experiments show that the improved algorithm of SOC has high estimation accuracy and good real-time performance.

lithium iron phosphate;power battery;SOC estimation;BP neural network

TM 912

A

1002-087 X(2016)08-1592-02

2016-02-29

路桂娟(1979—)，女，河北省人，在职硕士，讲师，主要研究方向为化学教育、绿色化工。