锂离子电池SOC估算法方法研究

黄湘云 宋金莲

(1.广东省电子电器研究所,广东广州 510400;2.广州番禺职业技术学院机电工程学院,广东广州 511430)

锂电池污染低、能量高、安全性高,已成为电动汽车的主要动力来源。电池荷电状态(State of Capacity,SOC)是电动车动力电池系统中最重要的一项性能指标。对锂电池的SOC值进行有效估算是动力电池应用和安全性研究的重点难点。锂离子电池的模型主要有两类,一类是依托大量锂离子电池的实验数据,另一类是通过分析锂离子电池的微观电化学特性,借助计算机建立微观模型。常用的SOC估算模型包括RINT模型、THEVENIN模型和PNGV模型等。这些方法受环境和测量条件影响大,估算SOC偏差较大,不适合实际应用。新型的SOC估算方法有人工神经网络法、卡尔曼滤波法、粒子滤波算法等,能更精确地估算SOC,更利于筛选电池。其中,神经网络算法用大量数据作为学习样本对网络进行训练。它的黑箱特性在对复杂的电池内部结构和影响因素难以分析的时候具有独特优势。本文基于NASA提供的数据,选择神经网络模型和等压降放电时间法作为SOC的估算方案,锂离子电池放电循环实验数据进行了分析。估算结果比较精确,最大误差为3%,一块单体电池测量时间约为7分钟,基本达到实际应用和推广需求。

1 实验设计与验证

本文使用的数据来源于NASA的锂离子电池充放电循环实验数据组。实验使用多个统一型号电池,电池额定容量2Ah。数据包含测量时间点的电压、电流、电池表面温度,放电总容量,EIS阻抗。放电循环中电池电压电流等参数的测量时间间隔大约是8s或16s。环境温度包括常温(24℃)、低温(4℃)和高温(43℃)。放电电流有2A(1C)、4A(2C)和1A(0.5C)三种。在放电工况方面,放电电流有恒流放电和带占空比的恒流放电两种,放电截止电压有2.0V、2.2V、2.5V和2.7 V四种。放电循环实验持续到电池SOC剩余70%为止。本次预测中只选用常温(24℃)和1C(2A)的恒流放电工况的电池作为数据来源,在放电截至电压上四种工况都考虑,以增加数据的多样性。 只选取放电平台上的采样点,选用等压降放电时间法。在电池选择上,选择数据组中电池编号为5、6、7、18和36的电池作为数据组,当中包含815组放电循环数据.

神经网络输入输出层的确定:除了等压降放电时间外,放电倍率、环境温度和放电截至电压都会影响电池的放电容量。在选取的电池中,实验的放电倍率都是1C,环境温度都是24℃,因此这两个参数不作为神经网络的输入参数。放电截止电压每次放电循环中略有不同,因此把放电截止电压作为输入参数之一,刚开始放电时的初始放电电压也是每次放电循环中都略有不同,所以也列入输入参数。神经网络的输入层选取等压降放电时间(t)、初始放电电压(Vh)和放电截至电压(Vl)三个神经元。输出参数是SOC。

隐含层与传递函数的确定:选择简单前馈网络中的BP神经网路,对非线性函数具有较好的拟合效果。为增加训练精度,隐层设计为3层,每层10个神经元。传递函数影响系统的鲁棒性和收敛速度,经过多次试验,三隐层都选择tansig函数。另外,选取trainbr函数作为学习函数,最大训练步数设为1000,训练精度设为0.001,训练速度设为0.01。

训练样本与验证样本选取:在选取的电池中,5、6、7、18号电池循环次数较多,实验终止时SOC较低,只有60%左右,而36号电池实验结束SOC较高,约75%,因此把5、6、7、18号电池的数据作为训练样本,把36号电池的数据作为验证样本,这样可以保证神经网络训练的效果。分配后815组放电循环数据中训练样本有621个,验证样本有194个,训练样本与验证样本的比例合理。

2 估算结果与分析

在初步估算值和测量值的曲线对比上,均方差为4.9739e-5,最大预测差距约为2.5%,等压降放电时间法得到了不错的精度。但是实际应用还有一些问题。对一块SOC在80%左右的锂离子电池,测量一次等压降(3.8V-3.4V)放电时间平均需要耗时2000s左右,也就是大约33分钟。这时3.8V-3.4V的压降时间范围几乎包含了整个放电平台的时间。等压降放电时间的长度就已经大致表现了电池的SOC。为了使等压降放电时间法更具有实用价值,减少等压降放电时间的选择范围,以减少放电实验耗时。把等压降的电压范围减小到3.8v-3.6v,均方差约为7.1704e-5,最大预测差距约为2%,精度依然很高。此时测量的平均消耗时间已经降低为700s左右,预测一块电池所需时间降低为12分钟。再把压降范围减少到3.7V-3.6V。均方差为1.1633e-4,精度继续降低,最大预测误差值为3%。但此时测量时间已经降低到约400s,约为7分钟。比原来的33分钟已经降低不少,具有初步实用价值。

3 结语

锂电池的SOC估算具有重要意义。本文从锂电池的机理出发,详细分析了影响SOC的参数,讨论了锂离子电池的充放电特征,进一步分析了各种估算SOC的模型方法及其优缺点,选出了合适的模型和方法,使用NASA的锂电池充放电实验数据做了SOC的预测,最大预测误差值为3%,估算测试时间为7分钟,证明了本文所提出的算法的有效性和可行性。

[1]何耀.动力锂电池组状态估计策略及管理系统技术研究[D].中国科学技术大学,2012.

[2]徐鑫珉,王练,史慧玲.基于电化学阻抗谱的电池老化寿命研究[J].电源技术,2015,12:2579-2583.

[3]史艳霞,祖林禄.锂电池健康状态估算平台的搭建[J].电源技术,2015,10:2106-2107+2143.