电池管理系统测试用锂电池融合模型研究

2017-01-10卢雪梅

电源技术 2016年12期

关键词：端电压锂电池电池

卢雪梅，宋薇

(合肥国轩高科动力能源股份公司，安徽合肥230000)

电池管理系统测试用锂电池融合模型研究

卢雪梅，宋薇

(合肥国轩高科动力能源股份公司，安徽合肥230000)

锂电池模型的精度直接影响了对电池状态的估计精度。针对电池管理系统对测试系统的需求，考虑了温度对锂电池组合模型参数的影响，通过对不同温度下锂电池组合模型的自适应融合，实现变温条件下动力锂电池的建模。通过建立高精度的锂电池模型，实现测试系统对不同温度环境的普遍适用性。还对自适应融合后的电池模型在变温度恒定电流和变温度动态电流条件下进行仿真实验，结果表明该自适应模型融合方法可以有效提高模型精度，可以适用于电池管理系统测试系统中。

模型融合；电池管理系统；电池模型

随着能源危机与环境污染的日益加剧，新能源汽车尤其是电动汽车已得到了高速的发展。电池管理系统(BMS)作为连接车载电池和电动汽车其它电控系统及用户的重要纽带，成为研制、开发电动汽车的重要环节之一。BMS检测并管理电动汽车动力电池的运行全过程，包括电池充放电过程监测、电池荷电状态(SoC)估计、电池能量状态(SoE)估计、电池温度检测、单体电池间均衡、电池故障诊断几个方面。为验证BMS对于SoC、SoE估计的准确性，需使用不同工况下的电池进行测试。在实际操作中，常使用具有电池输出特性仿真模拟功能的BMS测试软件来完成对上述参数估计精度及BMS其它功能的验证。因此，对锂电池的精确建模是BMS测试系统的一项重要研究内容。

目前BMS测试系统中常用的电池模型分为两类[1]：电化学模型和等效电路模型。

电化学模型主要通过对电池内部电化学反应过程进行描述，从而实现对锂电池的精确建模[2]。然而，该模型建立的微分方程中通常含有大量的未知参数，增加了电化学模型的复杂度。同时，由于电化学模型中的输入变量包括大量的锂电池内部参数，如：电极空间有效面积、电解质离子电导率、空穴从电极到集电体的平均距离等[3]，而上述数据均很难通过对锂电池外部特性的测算来获得。因此，在实际的BMS测试系统中，电化学模型的使用频率极低。

等效电路模型通过建立电路对锂电池进行模拟仿真，它避免了锂电池内部参数的大量使用，降低了模型建立的难度。Dubarry[4]通过使用一阶RC电路实现了对锂电池的建模。同样二阶RC电路[5－6]、阶RC电路[7－10]也都被广泛地应用于对锂电池建模中。为了实现对锂电池更高精度的建模，Verbrugge在锂电池的RC模型中引入了一阶延迟；实验证明相对于RC模型，在动态电流工况下该模型具有更好的性能。Plett将Shepherd模型、Unnewehr通用模型和Nernst模型融合后得到组合模型。He、Liu等人在组合模型的基础上对锂电池进行建模[11－12]。

本文主要针对温度因素对锂电池模型的影响，通过对不同温度下锂电池模型的融合，从而实现BMS测试系统对不同工况下锂电池的准确建模。第1节主要介绍变温条件下锂电池性能的变化。第2节中介绍了锂电池融合模型的建立。第3节通过实验和仿真验证了融合模型有效性。

1 温度对锂电池的影响

在电动汽车环境下，影响锂电池性能的因素主要有：充放电倍率、锂电池健康状态、温度变化等，因此BMS测试系统需考虑上述因素造成的电池模型仿真误差。为了降低温度相关的锂电池建模误差，在本文中我们主要研究温度对锂电池性能的影响。图1为BMS测试系统中模拟的某市公交路况下电动汽车中电池组平均温度的变化情况。由图1可见电动汽车在12 h运行后，电池组的平均温度由33℃上升到了60℃左右。

图1 电动汽车中电池组温度变化情况

锂电池工作环境的温度直接影响了电池内部材料的活性，其直观反映为锂电池在低温条件下最大可用容量较低，放电能力较弱，同时电池工作电压平台较低；高温时，电池内部化学反应加快，可用容量较低温时有明显提高，电压平台也相应增高。

为了验证温度对锂电池特性的影响，我们使用了合肥国轩高科动力能源股份公司生产的IPF1865140—9Ah型锂电池在不同工作温度条件下进行实验。实验记录了该型号电池在－10、0、10、25、45、55℃条件下，以0.5C放电时，电池端电压随时间的变化情况，如图2所示。可以发现，随着锂电池工作环境温度的上升，锂电池可用容量持续增大，并在25℃左右达到最大。当温度继续上升时，锂电池的可用容量有所降低。

图2 不同温度条件下放电时，锂电池端电压变化情况

2 自适应模型融合

由图2，我们不难发现在不同温度条件下，锂电池放电的过程是不同的。因此使用一个电池模型对不同温度下的锂电池放电过程进行仿真难度很大。本文使用一种自适应算法对不同温度下的锂电池组合模型进行融合，通过模型的融合建立一个适用于不同温度的锂电池模型。

基于各温度下组合模型的可信度，上述的融合算法可以根据电池工作环境温度的不同，自适应地更新融合权值，即组合模型的可信度。权值更新公式如式(3)所示。

3 实验与仿真

为了验证自适应模型融合方法的有效性，我们对该方法进行了实验和仿真。实验采用IFP1865140-9Ah型号的电池，充放电测试仪选用NEWARE BTS4000型产品。文中使用Matlab对电池的实验数据进行仿真。

由于在电动汽车环境下，电池的工作温度一般都处于0℃以上，因此在本文我们只讨论0℃以上时锂电池的模型融合问题。本文中，我们使用最小二乘法分别对0、10、25、45、55℃温度下锂电池组合模型参数进行辨识，辨识结果如表1所示。

表1 锂电池参数

为了验证各温度下组合模型经过融合后的模型精度，我们将电池放置在变温的环境下进行实验，该环境中温度由－3.5℃随时间均匀的上升到61℃，温度曲线如图3所示。测量电池在该环境下端电压，并根据式 (4)中的SoC算法估计SoC值。使用融合后的模型计算电池端电压并与实际值作比较，当放电电流为恒流0.5C时，实验结果对比如图4所示。其中黑色实线为电池端电压的实际测量值，蓝色虚线为使用融合模型计算的锂电池端电压值，绿色虚线为使用25℃时的锂电池组合模型计算出的锂电池端电压值。显然，融合模型的电池端电压更接近真实值，尤其是在电池放电的初期和末期。

通过对恒流放电实验条件下融合模型与组合模型的估计误差对比，见表2所示，我们发现在所有组合模型中，45℃时组合模型估计锂电池端电压的误差最小。而融合模型的均方误差和最大绝对误差在所有实验模型中最小，分别为0.001 7%和0.016 8%，相对于45℃时的组合模型，均方误差和最大绝对误差分别减小了63.04%和64.63%。

图3 电池实验环境温度变化曲线

图4 恒流下，融合模型与组合模型的仿真实验

表2 恒流下各模型估计误差

为了验证融合模型在动态电流条件下对锂电池端电压的估计情况，我们使用了一组动态电流对模型进行仿真，该电流波形如图5所示。实验结果见图6，其中黑色实线为电池端电压的实际测量值，蓝色虚线为使用融合模型计算的锂电池端电压值，绿色虚线为使用25℃时的锂电池组合模型计算出的锂电池端电压值。

图5 动态电流变化情况

通过对动态电流放电实验条件下融合模型与组合模型的估计误差对比，如表3所示，不难发现，与恒流条件下的结果相似，45℃时组合模型对锂电池的端电压估计误差最小。融合模型在所有模型中均方误差最小，为0.001 3。相比于45℃时组合模型0.002 0的均方误差，融合模型在动态电流工况下，对锂电池端电压的估计误差减小了35%。

图6 动态电流下，融合模型与组合模型的仿真实验

表3 动态电流下各模型估计误差

实验结果表明锂电池的自适应融合模型在变温条件下具有较高的精度，同时该模型在恒定和变化电流条件下都拥有良好的锂电池端电压估计能力。

4 结论

通过分析温度对锂电池模型的影响，本文分别建立了0、10、25、45、55℃时锂电池的组合模型，并利用一种自适应的模型融合算法对不同温度下的锂电池模型进行融合，实现对动态温度下的锂电池的精确建模。同时文中还针对温度对锂电池最大可用容量的影响，对不同温度下的锂电池SoC估计算法模型进行融合，并使用该方法对锂电池组合模型中的输入参数SoC进行修正，以提高组合模型的精度。

本文通过一系列的实验验证了自适应模型融合算法的有效性。融合模型在变温环境下进行恒定电流放电和动态电流放电时，对锂电池放电性能均具有较高的仿真精度，为测试BMS中SoC、SoE等参数估计算法的精度奠定了基础，增强了BMS测试系统的在不同温度下的普遍适应性和仿真能力，为提高BMS测试的准确性提供保障。

[1]HU X，LI S，PENG H.A comparative study of equivalent circuit models for Li-ion batteries[J].Journal of Power Sources，2012，198：359-367.

[2]TAHERI P，MANSOURI A，SCHWEITZER B，et al.Electrical constriction resistance in current collectors of large-scale lithium-ion batteries[J].Journal of the Electrochemical Society，2013，160 (10)：A1731-A1740.

[3]PRADA E，DI DOMENICO D，CREFF Y，et al.Simplified electrochemical and thermal model of LiFePO4-graphite Li-ion batteries for fast charge applications[J].Journal of the Electrochemical Society，2012，159(9)：A 1508-A 1519.

[4]DUBARRY M，VUILLAUME N，LIAW B Y.From single cell model to battery pack simulation for Li-ion batteries[J].Journal of Power Sources，2009，186(2)：500-507.

[5]ANDRE D，MEILER M，STEINER K，et al.Characterization of high-power lithium-ion batteries by electrochemical impedance spectroscopy.II:modelling[J].Journal of Power Sources，2011，196(12)：5349-5356.

[6]SEAMAN A，DAO T S，MCPHEE J.A survey of mathematics-based equivalent-circuit and electrochemical battery models for hybrid and electric vehicle simulation[J].Journal of Power Sources，2014，256：410-423.

[7]HU Y，YURKOVICH S，GUEZENNEC Y，et al.A technique for dynamic battery model identification in automotive applications using linear parameter varying structures[J].Control EngineeringPractice，2009，17(10)：1190-1201.

[8]WAAG W，SAUER D U.Adaptive estimation of the electromotive force of the lithium-ion battery after current interruption for an accurate state-of-charge and capacity determination[J].Applied Energy，2013，111：416-427.

[9]FLEISCHER C，WAAG W，HEYN H M，et al.On-line adaptive battery impedance parameter and state estimation considering physical principles in reduced order equivalent circuit battery models：Part 1.Requirements,critical review of methods and modeling[J].Journal of Power Sources，2014，260：276-291.

[10]WANG L，CHENG Y，ZOU J.Battery available power prediction of hybrid electric vehicle based on improved dynamic matrix control algorithms[J].Journal of Power Sources，2014，261：337-347.

[11]ZHONG L，ZHANG C，HE Y，et al.A method for the estimation of the battery pack state of charge based on in-pack cells uniformity analysis[J].Applied Energy，2014，113：558-564.

[12]LIU X，CHEN Z，ZHANG C，et al.A novel temperature-compensated model for power Li-ion batteries with dual-particle-filter state of charge estimation[J].Applied Energy，2014，123：263-272.

表1 训练及测试样本数据

图4 网络训练误差变化曲线

3.2.2 预测结果与实际测试值对比

为了验证电池SOC测试网络的准确性，将测试样本导入网络，如表1所示，并进行实际测试SOC值与预测SOC值分析比较，其结果如图5所示。由图5可见：LiFePO4电池SOC的网络预测结果与实际测试结果较吻合，其最大绝对误差在2%左右，表明基于改进算法的BP神经网络预测SOC具有较高的准确性。

图5 实际SOC曲线与仿真SOC曲线图

为了验证基于改进算法的BP神经网络预测SOC方法的可行性，将训练好的网络模型编程后嵌入到AVL软件系统，进行不同放电倍率下的放电测试，并与实际测试结果进行比较分析。图6为任意选取的放电倍率为1.375C情况下LiFe-PO4电池放电电压与SOC变化曲线，其实际测试SOC值与预测SOC值误差在6%范围内，表明基于改进算法的BP神经网络预测SOC方法可行，并具有良好的预测效果。

图6 电池放电电压与SOC关系图

4 结论

动力电池SOC的预测一直是国内外电池管理系统研究的热点。本文建立了基于改进算法的神经网络预测SOC模型，并应用于LiFePO4电池的SOC预测中，验证结果表明，基于改进算法的神经网络预测SOC方法可行，且具有较高的准确性。

基于改进算法的神经网络预测SOC方法，可以避免解析复杂的物理化学过程与数学方程，体现出很好的自适应性，从而为核磁共振的电池管理提供了一个实用而便捷的新方法。

参考文献：

[1]赵淑红，吴锋，王子冬.磷酸铁锂动力电池工况循环性能研究[J].电子元件与材料，2009，28(11)：43-47.

[2]时玮，姜久春，李索宇，等.磷酸铁锂电池SOC估算方法研究[J].电子测量与仪器学报，2010，24(8)：769-774.

[3]赵新兵，谢健.新型锂离子电池正极材料LiFePO4的研究进展[J].机械工程学报，2007，43(1)：69-76.

[4]齐智，吴锋，陈实，等.利用人工神经网络预测电池SOC的研究[J].电源技术，2005，29(5)：325-328.

[5]韩立群.人工神经网络理论、设计及应用[M].北京：化学工业出版社，2002.

[6]刘倩.基于人工神经网络的电池容量预测[J].武汉理工大学学报，2006，28(3)：28-31.

[7]楼顺天，姚若玉，沈俊霞.MATLAB 7.x程序设计语言[M].2版.西安：西安电子科技大学出版社，2007.

[8]许东，吴铮.基于MATLAB 6.X的系统分析与设计-神经网络[M].2版.西安：西安电子科技大学出版社，2002.

Fusion model research of lithium battery for testing of battery management system

The estimation precision of battery state was directly affected by the precision of lithium battery model.According to the requirement of test system for Battery Management System(BMS),the power lithium battery model under varied temperature was built.The influence of the temperature to the combination model of lithium battery was fully considered,and the lithium battery combination model was self-adaptively fused under different temperature.The general applicability of the test system for different temperature was accompanied,through the building of high precision lithium battery model.The fusion model was experimented simulation at constant current and variable current under variable temperature.The self-adaptive fusion method could approve effectively the model precision, and could be used in the testing system of BMS.

model fusion;battery management system;battery model

TM912

1002-087X(2016)12-2435-04